局部二值模式（Local Binary Patterns）纹理灰度与旋转不变性

---

• Multiresolution Gray Scale and Rotation Invariant Texture Classification with Local Binary Patterns, TPAMI 2002

1.简介

LBP是一种针对灰度图像任意单调变换（monotonic transformation）具有不变性的鲁棒特征算子。除了鲁棒性外，另一个突出特点就是计算量小，实现时只需在很小的邻域内使用少量的算子和查询表。

作者提出算法时，主要是想应用于二维图像纹理分析：工业表面检测，遥感，生物医学图像分析等，但是当时在这一领域成功的探索非常有限。作者分析主要是由于，真实世界中的纹理并不总是一致的，而是存在方向性、尺度以及其他的视觉表现上的差异。因此，灰度不变性（Gray scale invariance）对于关照不均和较大的类间差异问题非常重要。此外，当时其他一些分析方法计算量偏大。论文围绕两个方面阐述：1）LBP算子，能够对方向、灰度保持特征不变性；2）低计算量。

LBP算法使用圆形邻域在任意可量化的角度值与空间分辨率，检测“一致的”（uniform）的局部二值模式（后文会对这一概念进行解释）。定义这样一个圆形对称邻域：

$$LBP_{P,R}^{riu2}$$

其中$P$指邻域的数量，用于控制量化的角度值，$R$指圆形半径，决定算子的空间分辨率。除了这两个参数外，作者还使用一种由多种$(P,R)$参数组合的方式，进行多尺度分析。

对于一幅图像或者局部区域，统计这种“一致的”模式的离散分布直方图（Discrete occurrence histogram），是一种非常有用的纹理特征。为了有效的计算DOH，作者融合了结构与统计的方法：使用直方图评估那些LBP检测的微结构（例如，边缘、线、点、平滑区域）的分布特征。

作者分析认为，二维图像具有主要三个特点：二维正交，空间结构（pattern），对比度（局部纹理）。在图像灰度和旋转不变纹理分布上，有两个有趣的现象：空间模式受到旋转的影响，而对比度不会；对比度受图像灰度影响，但是空间模式却不会。因此，对于单纯的灰度不变纹理分析，对比反差是可以不考虑的。

$LBP_{P,R}^{riu2}$算子对于局部的空间结构具有很好的表达能力，但是很明显不具备一些其他局部特征的描述能力，例如对比度。因此，如果只考虑旋转不变性纹理分析（不考虑灰度不变性），LBP_{P,R}^{riu2}算子足矣。但是通过引入局部方差旋转不变测度$VAP_{P,R}$描述局部纹理对比度，就可以弥补这一不足。

2.灰度与旋转不变性的LBP

在灰度图像中一个局部纹理，可以视为像素灰度值（像素级为P, P>1）得联合分布：

$$T=t(g_c, g_0, ..., g_{P-1}), \tag{1}$$

其中$g_c$指的是局部邻域的中心像素，$g_p(p=0, ..., P-1)$指的是以中心像素为圆心半径$R(R>0)$的圆周上的像素值。将其用坐标值表示，则$g_c$为 (0,