task02 LBP特征描述算子

最新推荐文章于 2024-10-18 14:33:01 发布

Thoth_A

最新推荐文章于 2024-10-18 14:33:01 发布

阅读量160

点赞数

文章标签：计算机视觉

本文链接：https://blog.csdn.net/Thoth_A/article/details/107009544

版权

Datawhale计算机视觉基础-图像处理（下）-Task02 LBP特征描述算子-人脸检测
2.1 简介
LBP指局部二值模式(Local Binary Pattern)，是一种用来描述图像局部特征的算子，具有灰度不变性和旋转不变性等显著优点。LBP常应用于人脸识别和目标检测中，在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。也就是说OpenCV中使用了LBP算法，但是没有提供函数接口。

2.2 学习目标
了解人脸检测相关流程
理解LBP算法相关原理
掌握基于OpenCV的LBP算法实现
2.3 算法理论介绍
2.3.1 LBP原理介绍
LBP特征用图像的局部领域的联合分布 $T$ 来描述图像的纹理特征，如果假设局部邻域中像素个数为 $P (P > 1)$ ，那么纹理特征的联合分布 $T$ 可以表述成：

$T=t\left(g_{c}, g_{0}, \ldots, g_{p-1}\right) \quad p=0, \ldots, P-1\tag{2-1}$

其中， $g_c$ 表示相应局部邻域的中心像素的灰度值， $g_p$ 表示以中心像素圆心,以R为半径的圆上的像素的灰度值。

假设中心像素和局部邻域像素相互独立，那么这里可以将上面定义式写成如下形式：

$\begin{aligned} T &=t\left(g_{c}, g_{0}-g_{c}, \ldots, g_{p-1}-g_{c}\right) \quad p=0, \ldots, P-1 \ & \approx t\left(g_{c}\right) t\left(g_{0}-g_{c}, \ldots, g_{p-1}-g_{c}\right) \end{aligned}\tag{2-2}$

其中 $t(g_c)$ 决定了局部区域的整体亮度，对于纹理特征，可以忽略这一项，最终得到：

$\approx t\left(g_{0}-g_{c}, \ldots, g_{p-1}-g_{c}\right) \quad p=0, \ldots, P-1\tag{2-3}$

上式说明，将纹理特征定义为邻域像素和中心像素的差的联合分布函数，因为 $g_p − g_c$ 是基本不受亮度均值影响的，所以从上式可以看出，此时统计量T 是一个跟亮度均值，即灰度级无关的值。

最后定义特征函数如下： $KaTeX parse error: Expected '}', got '\right' at position 184: …x<0 \end{array}\̲r̲i̲g̲h̲t̲. \end{array}\t…$

定义灰度级不变LBP为：

$P_{P, R}=\sum_{p=0}^{P-1} s\left(g_{p}-g_{c}\right) 2^{p}\tag{2-5}$

即二进制编码公式。

通俗解释：

原始的LBP算子定义在像素 $33$ 的邻域内，以邻域中心像素为阈值，相邻的8个像素的灰度值与邻域中心的像素值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为0。这样， $33$ 邻域内的8个点经过比较可产生8为二进制数，将这8位二进制数依次排列形成一个二进制数字，这个二进制数字就是中心像素的LBP值，LBP值共有28种可能，因此LBP值有256种可能。中心像素的LBP值反映了该像素周围区域的纹理信息。
2.3.2 圆形LBP算子
基本的 LBP算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域，这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征，并达到灰度级和旋转不变性的要求，Ojala等对 LBP算子进行了改进，将 3×3邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域，改进后的 LBP算子允许在半径为 R的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子，表示为 $LBP^{R}_P$ ；