局部二值模式（LBP）

最新推荐文章于 2022-08-02 17:24:29 发布

残阳摧雪

最新推荐文章于 2022-08-02 17:24:29 发布

阅读量1.2w

点赞数 16

分类专栏：【特征表达】【机器视觉】

本文链接：https://blog.csdn.net/u014203453/article/details/76147150

版权

LBP（局部二值模式）是一种纹理特征描述算子，具有旋转和灰度不变性。从原始LBP到旋转不变LBP，再到等价模式，LBP不断演化以适应不同尺度和频率的纹理。LBP统计直方图（LBPH）结合了LBP特征与空间信息，常用于人脸识别和目标检测。Opencv提供了LBP的实现，但未直接提供计算LBP特征的接口。

摘要由CSDN通过智能技术生成

简要介绍

LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子，具有旋转不变性和灰度不变性等显著优点。首先由T. Ojala, M.Pietikäinen, 和D. Harwood 在1994年提出，用于纹理特征提取。主要应用于人脸识别和目标检测中，OpenCV中有使用LBP特征进行人脸识别的接口，也有用LBP特征训练目标检测分类器的方法，Opencv实现了LBP特征的计算，但没有提供一个单独的计算LBP特征的接口。

原始LBP

在 $3 \times 3$ 的窗口中，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。可以产生8位二进制数，将其转化为十进制数便得到了LBP编码（256种），如下图左上角开始遍历组成2进制数，转化为10进制后为124。

具体的，其数学表达可写作：

L B P (x c, y c) = \sum p = 0 p - 1 2 p s (i p - i c)

$LBP(x_c,y_c)=\sum_{p=0}^{p-1}2^ps(i_p-i_c)$
其中，

(xc,yc) $(x_c,y_c)$ 为中心像素的坐标，

p $p$ 为邻域的第p个像素，

ip $i_p$ 为邻域像素的灰度值，

ic $i_c$ 为中心像素的灰度值，

s(x) $s(x)$ 为符号函数，如下：

s (x) = {1, 0, x >=0 x <0

$s(x) = \begin{cases} 1, & \text{$x$>=0} \\ 0, & \text{$x$<0} \end{cases}$

代码实现如下：

void orLBP(Mat& src, Mat &dst)
{
    // 循环处理图像数据
    for (int i = 1; i < src.rows - 1; i++)
    {
        for (int j = 1; j < src.cols - 1; j++)
        {
            uchar center = src.at<uchar>(i, j);
            unsigned char lbpCode = 0;
            lbpCode |= (src.at<uchar>(i - 1, j - 1) > center) << 7;
            lbpCode |= (src.at<uchar>(i - 1, j) > center) << 6;
            lbpCode |= (src.at<uchar>(i - 1, j + 1) > center) << 5;
            lbpCode |= (src.at<uchar>(i, j + 1) > center) << 4;
            lbpCode |= (src.at<uchar>(i + 1, j + 1) > center) << 3;
            lbpCode |= (src.at<uchar>(i + 1, j) > center) << 2;
            lbpCode |= (src.at<