谈谈MRELBP

引言

针对传统LBP方法对噪声敏感，无法捕捉宏观信息的问题，作者引入了一种新的特征分类描述子，称为中值撸棒扩展局部二进制模式（MRELBP）。和传统的LBP及其变种不同，MRELBP是比较区域图像的中值而不是原始图像像素强度。实验证明，该方法对灰度变化，旋转变换和噪声具有较好的鲁棒性，并且计算代价低。

纹理分类主要由两个子问题组成，纹理提取和分类器选择。提取强大的纹理特征难点在于平衡高质量的描述子和低的计算复杂度之间的关系。LBP作为作为最突出的纹理描述子之一，具有易于实现、单一光照不变性、计算复杂度低等优点。

在ELBP方法提出了四种类似于LBP的描述符——基于中心强度的LBP (ELBP_CI)、基于邻域强度的LBP (ELBP_NI)、基于径向差异的LBP (ELBP_RD)和基于角差的LBP (ELBP_AD)。在这项工作中，ELBP_CI、ELBP_NI和ELBP_RD(统称为ELBP)的联合概率分布产生了良好的纹理分类性能，但仍有一些明显的缺点:对模糊或者噪声敏感、没能捕捉宏观结构、特征维度高。

为了解决上述缺点，本文提出了MRELBP，本文主要贡献如下：

1.介绍了一种能够同时封装宏观和微观信息的采样方案    2.局部中值和该采样方案结合，形成一种强大的纹理特征

3.提出的方案具有灰度不变性、旋转不变性，无需训练或者调整参数，具有较好的判别性和噪声鲁棒性。

方法

一、特征描述

ELBP中提到了两种互补的特征类型，分别是像素强度和像素差异，像素强度分为邻域像素强度和中心像素强度，像素差异分为径向差异和角度差异。其分别记做NI-LBP,CI-LBP.RD-LBP和AD-LBP，由于在统一LBP模式下AD-LBP所含信息量