图像特征提取之LBP算子

关注公众号，获取更多信息

LBP（Local Binary Patterns）是一直直接，且行之有效的图像特征提取算子。其基本思想是：对于图中某个像素(i,j)，取其一定的邻域，例如3*3。对于邻域内的每个像素(p,q)，如果这个像素(p,q)值大于等于中心像素(i,j)值，则将这个(p,q)像素记为1，否则记为0。然后将邻域内所有的1和0，按照一定的顺序，组成2进制串，就构成了中间像素的局部2值特征，或者将此2进制串转换为十进制也可以。注意几点：

（1）邻域像素是1，还是0，可以自己定义，例如小于记为1

（2）从哪个邻域像素开始组成二进制串也可以自己定

（3）邻域大小也可以自己定

（4）比较的时候，也可以加阈值，例如高于中心像素20才记为1。

 

1、合理性

首先，LBP算法对噪声有一定的鲁棒性。

其次，LBP算法在一个极小的邻域内考虑了各个像素的影响，而不是舍弃

再次，对细节有很好的的保留作用

 

最后，计算方法自由

 

 

 

 

3、典型应用

一个典型的应用是人脸识别。

人脸图像在做LBP变换后，得到的仍然是一幅图像。图像中对应位置的值就是LBP值。那么有了LBP值如何进行识别呢？识别就是将检测到的人脸与数据库中人脸进行比较。比较过程中采用的就是人脸特征。那么如何把LBP值转换为人脸特征，然后进行比对呢？大致过程可以进行如下的描述（大致类似于HoG特征的提取）：（人脸检测可以参考我的其他文章，用adaboost实现）

（1）对检测到的人脸图像做旋转不变LBP变换；

（2）将变换后的图像分成若干个子块，对每个子块统计其LBP直方图；

（3）将所有子块的统计直方图连接到一起，例如，直接首尾拼接；

（4）通过比较待识别的人脸和数据库人脸，进而实现识别，这种对比的方法有很多种，例如直接进行相似度比较，或者卡方比较等。

（5）有时候会借助于SVM来进行识别和分类。