完全局部二值模式(CLBP)学习

最新推荐文章于 2024-06-01 07:45:00 发布

Petrichoryi

最新推荐文章于 2024-06-01 07:45:00 发布

阅读量4.4k

点赞数 3

分类专栏：纹理分类文章标签：计算机视觉人工智能

本文链接：https://blog.csdn.net/Petrichoryi/article/details/106250958

版权

纹理分类专栏收录该内容

7 篇文章 7 订阅

订阅专栏

CLBP纹理描述符是在LBP描述符基础上扩展的纹理描述符,它有效描述 LBP 类型的遗失信息，以便获得更好的纹理分类性能。在2010年，由Guo等人提出。

1.基本原理

在完全局部二值模式(CLBP)中，局部区域可以由中心像素和局部差分的符号-幅度变换(（local differencesign-magnitude transform，LDMT)来描述。
CLBP由3部分组成。分别是全局对比度CLBP_C，正负二值模式CLBP_S和幅度二值模式CLBP_M。
其中，中心像素通过全局阈值形成二值编码，称为CLBP_C：
在这里插入图片描述
$g_{c}$ 表示某一点的中心像素， $c_{I}$ 表示图像像素的平均灰度值。
另外，局部差分符号-幅度变换可以将图像局部纹理结构分解成为两种互补成分，即正负二值模式
CLBP_ S，幅度二值模式 CLBP_ M。所述的三种二值编码可以任意组合构成最终的CLBP 直方图，能实现比传统的 LBP 更有效的旋转不变分类能力。
通常，给定一个中心像素和其他 P 个邻域值，则局部差向量表示为 [ $d_{0},...,d_{p-1}$ ]。
其中 $d_{p}=g_{p}-g_{c}$ , $d_{p}$ 利用LDMT分解成2个部分，即：
在这里插入图片描述
其中， $S_p=\left\{\begin{array}{l}1,d_p\geq0\\-1,d_p<0\end{array}\right.\\$
$s_{p}$ 和 $m_{p}$ 分别是 $d_{p}$ 的符号和幅度值。
CLBP_S描述子的公式和传统的LBP描述子相似：

定义CLBP_M:

其中， $c$ 是自适应阈值，由整个图像中 $m_{p}$ 的均值来表示。与 $LBP_{P,R}^{riu2}$ 类似， $CLBP\_M_{P,R}$ 的旋转不变版本可以定义为 $CLBP\_M_{P,R}^{riu2}$ ,同样可以实现旋转不变的纹理分类。
下面为CLBP描述符的示意图：
在这里插入图片描述
在纹理分类中，CLBP 可以有两种方式组合，即串联和联合方式。 CLBP_S/M/C是三维的联合直方图，而 CLBP_M_S/C是由联合直方图 CLBP_S/C与 CLBP_M 串联而成的。
在 Outex 纹理数据库中， CLBP_ S比 CLBP_ M实现更好地分类结果，由此可知纹理的符号信息比幅度信息更具有描述纹理的能力。另外，结合中心像素的描述信息， CLBP_M/C 比 CLBP_ M获得较好效果， CLBP_ S/M/C比 CLBP_S/M 具有更高准确率。但是不同融合方式会造成不一样的计算复杂度，例如当P=24时， $CLBP\_S_{P,R}^{riu2}/M_{P,R}^{riu2}/C$ 的特征维度是 1352(26x26x2),而 $CLBP\_S_{P,R}^{riu2}\_M_{P,R}^{riu2}/C$ 的维度为78（26+26x2）。虽然两种融合方法都有优缺点，具体应用哪一种方案需要针对具体的需求来选择。