Python+OpenCV图像处理（八）——LBP特征描述算子

---

系列文章
Python+OpenCV图像处理（一）——OpenCV框架与图像插值算法
Python+OpenCV图像处理（二）——几何变换
Python+OpenCV图像处理（三）——彩色空间互换
Python+OpenCV图像处理（四）——图像滤波
Python+OpenCV图像处理（五）——图像阈值和二值化
Python+OpenCV图像处理（六）——边缘检测
Python+OpenCV图像处理（七）——Harris特征点检测
Python+OpenCV图像处理（八）——LBP特征描述算子

---

八、LBP特征描述算子

8.1 LBP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。

8.2 LBP原理分析

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：

$$T=t\left(g_c,g_0,\dots ,g_{p-1}\right)p=0,\dots ,P-1$$

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：

$$\begin{array}{rl}T& =t\left(g_c,g_0-g_c,\dots ,g_{p-1}-g_c\right)p=0,\dots ,P-1\\ & \approx t\left(g_c\right)t\left(g_0-g_c,\dots ,g_{p-1}-g_c\right)\end{array}$$

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：

$$T\approx t\left(g_0-g_c,\dots ,g_{p-1}-g_c\right)p=0,\dots ,P-1$$

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，即灰度不变性。

最后定义特征函数如下：
$$\begin{array}{l}T\approx t\left(s\left(g_0-g_c\right),\dots ,s\left(g_{p-1}-g_c\right)\right)p=0,\dots ,P-1\\ s(x)=\{\begin{array}{l}1,x\ge 0\\ 0,x<0\end{array}\end{array}$$

即：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

定义灰度级不变LBP为：

L B P P ,