LBP等价模式详解

LBP等价模式

      考察LBP算子的定义可知，一个LBP算子可以产生多种二进制模式（p个采样点）如：3x3邻域有p=8个采样点，则可得到2^8=256种二进制模式；5x5邻域有p=24个采样点，则可得到2^24=16777216种二进制模式，以此类推......。显然，过多的二进制模式无论对于纹理的提取还是纹理的识别、分类及信息存取都是不利的，在实际应用中不仅要求采用的算子尽量简单，同时也要考虑到计算速度、存储量大小等问题。因此需要对原始的LBP模式进行降维。

      Ojala提出一种“等价模式”（Uniform Pattern）来对LBP算子进行降维，Ojala等认为图像中，某个局部二进制模式所对应的循环二进制数从0—>1或从1—>0，最多有两次跳变，该局部二进制模式所对应的二进制就成为一个等价模式。

如00000000,00111000,10001111,11111111等都是等价模式类。判断一个二进制模式是否为等价模式最简单的办法就是将LBP值与其循环移动一位后的值进行按位相与，计算得到的二进制数中1的个数，若个数小于或等于2，则是等价模式；否则，不是。除了等价模式以外的模式都归一一类，称为混合模式类，例如10010111（共四次跳变）。

　　跳变的计算方法：如10010111，首先第一二位10，由1—>0跳变一次；第二、三位00，没有跳变；第三、四位01，由0—>1跳变一次，第四、五位10，由1—>0跳变一次；第五六位01，由0—>1跳变一次；第六七位11，没有跳变；第七八位11，没有跳变；第八位和第一位11，没有跳变；故总共跳变4次。

       通过这种改进，二进制模式的种类大大减少，而不会丢失任何信息，模式种类由原来的2^p减少为p*(p-1)+2种。

       但等价模式代表了图像的边缘、斑点、角点等关键模式，等价模式占了总模式中的绝大多数，所以极大的降低了特征维度。利用这些等价模式和混合模式类直方图，能够更好地提取图像的本质特征。

 1、LBPFeature.h

#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;

class LBPFeature
{
public:
    //LBP 
    uchar table[256];//查找表
    Mat LbpImg;//Lbp图像
    Mat Lbp59Mat;    //返回的mat是一个59维的矩阵  32FC1;

public:
    
    int getHopCount(int i);// 获取i中0,1的跳变次数
    void lbp59table(uchar *table);// 降维数组 由256->59  
    void uniformLBP(Mat &image, Mat &LbpImg, Mat &Lbp59Mat, uchar *table);//得到等价模式lbp值
    LBPFeature(void);
    ~LBPFeature(void);
};

2、LBPFeature.cpp

#include <iostream>
#include <opencv2/opencv.hpp>
#include "LBPFeature.h"

using namespace std;
using namespace cv;

//*******获取图像的lbp值 等价模式******

LBPFeature::LBPFeature(void)
{
}


LBPFeature::~LBPFeature(void)
{
}

// 获取i中0,1的跳变次数
int LBPFeature::getHopCount(int i)
{
    
    int a[8] = { 0 };
    int cnt = 0;
    int k = 7;
    // 转换为二进制
    while (i)
    {
        // 除2取余  a[k] = i % 2;
        a[k] = i & 1;
        // 除2取整  i/=2;
        i = i >> 1;
        --k;
    }
    // 计算跳变次数
    for (k = 0; k < 7; k++)
    {
        if (a[k] != a[k + 1])
        {
            ++cnt;
        }
    }
    // 注意，是循环二进制,所以需要判断是否为8
    if (a[0] != a[7])
    {
        ++cnt;
    }
    return cnt;
}

// 建立等价模式表 
void LBPFeature::lbp59table(uchar *table)
{
    //将已开辟内存空间 为256的table的值赋值为0。
    memset(table, 0, 256);

    uchar temp = 1;
    for (int i = 0; i < 256; i++)
    {
        // 跳变次数<=2 的为非0值  
        if (getHopCount(i) <= 2)    
        {
            table[i] = temp;
            temp++;
        }
    }
}

//降维数组 由256->59
void LBPFeature::uniformLBP(Mat &image, Mat &LbpImg, Mat &Lbp59Mat, uchar *table)
{
    Lbp59Mat = Mat::zeros(1, 59, CV_32FC1);
    float saveResult[59] = { 0.0 };
    LbpImg.create(Size(image.cols, image.rows), image.type());
    for (int y = 1; y < image.rows - 1; y++)
    {
        for (int x = 1; x < image.cols - 1; x++)
        {
            //得到邻域像素值
            uchar neighbor[8] = { 0 };
            neighbor[0] = image.at<uchar>(y - 1, x - 1);
            neighbor[1] = image.at<uchar>(y - 1, x);
            neighbor[2] = image.at<uchar>(y - 1, x + 1);
            neighbor[3] = image.at<uchar>(y, x + 1);
            neighbor[4] = image.at<uchar>(y + 1, x + 1);
            neighbor[5] = image.at<uchar>(y + 1, x);
            neighbor[6] = image.at<uchar>(y + 1, x - 1);
            neighbor[7] = image.at<uchar>(y, x - 1);
            //得到中心像素值
            uchar center = image.at<uchar>(y, x);

            uchar temp = 0;
            for (int k = 0; k < 8; k++)
            {
                // 计算LBP的值 
                temp += (neighbor[k] >= center)* (1 << k);   
            }
            //  降为59维空间  
            LbpImg.at<uchar>(y, x) = table[temp];   
            
            int value = LbpImg.at<uchar>(y, x);
            for (int k = 0;k<59;k++)
            {
                if (value == k)
                {
                    saveResult[k
                    ]++;
                }
            }

        }
    }
    for (int i = 0;i<59;i++)
    {
        float v59 = saveResult[i];
        Lbp59Mat.at<float>(0, i) = v59;
    }
}