图像处理之特征提取（二）之LBP特征简单梳理

最新推荐文章于 2024-07-28 23:59:53 发布

Coming_is_winter

最新推荐文章于 2024-07-28 23:59:53 发布

阅读量1.4w

点赞数 4

分类专栏： # 图像处理进阶知识文章标签： LBP特征特征提取纹理提取

本文链接：https://blog.csdn.net/coming_is_winter/article/details/72859957

版权

图像处理进阶知识专栏收录该内容

14 篇文章 16 订阅

订阅专栏

本文介绍了LBP特征在图像处理中的应用，强调其灰度不变性和多分辨率支持特性。LBP算子通过提取每个像素点的编码，形成新的特征图像。等价模式中，0和1的跳变次数限制在2次以内，虽然占比小，但能有效刻画90%以上的纹理特征。高跳变次数可能导致局域内的噪声，影响纹理表现。

摘要由CSDN通过智能技术生成

图像处理之特征提取（二）之LBP特征简单梳理

　　LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子,具有多分辨率、灰度尺度不变、旋转不变等特性。主要用于特征提取中的纹理提取。

　　纹理是个什么概念呢？具体定义为：泛指物体面上的花纹或线条，是物体上呈现的线形纹路。在图像处理中一般理解也就是灰度变化引起的某些特征反应。具体深一步了解：ChenLee_1 ，http://blog.csdn.net/carson2005/article/details/44676281，纹理特征简介。

　　总体来讲LBP特征提取及算法比较好理解，对于其整体性认识与理解请移步：

zouxy09，http://blog.csdn.net/zouxy09/article/details/7929531，目标检测的图像特征提取之（二）LBP特征。

　　老子今晚不加班，http://blog.csdn.net/hqh45/article/details/24501097，LBP特征理解。

　　其中涉及原理步骤算法讲解的很清楚，这里不再赘述，这里把其中几点重点介绍一下：

　　一、灰度不变性

图1

以原始的LBP3*3的局部区域为例，最后编码形成的01111100八位码体现的只是邻域对于中心像素差值的相对量，像素值本身的大小体现出来，所以这里你可以想象一下，把一幅灰度图的所有像素对应加上一个常数C，最后得出的图像LBP特征码是一样的，常数C在局部像素差值中已经消掉了。这里联系一下HOG特征，最后的梯度值是不是也是灰度不变的？可以思考一下。

二、支持多分辨率　　

　　LBP算子在每个像素点都可以得到一个LBP“编码”，那么，对一幅图像（记录的是每个像素点的灰度值）提取其原始的LBP算子之后，得到的原始LBP特征依然是“一幅图片”（记录的是每个像素点的LBP值）。

图2

　　在圆形LBP中只要不断改变P和R的大小（即图像处理中常用的所谓“窗口大小”的概念），即可以让LBP具有多分辨率识别的特性。这句话看起来没有什么问题，但是仔细想却抓不住其中的具体原理，变换P，R就可以提取在多分辨率中适用的LBP特征？这里的前提是某个特征存在于连续的一个局部空间内，举个例子，某个特征存在于R∈（x,y）的区间，变换R可以提取不同分辨率下的同一特征，假设某个特征只存在于R=x的一个圆上，你变换个R就肯定提取不到对应的特征了，不知表述清楚没？但这是特殊情况，一般特征存在于不可能是单个像素宽度或长度级别。(这一块还是有待进一步学习）。最后的实验结论是具有多分辨率特性是成立的，处理单张图片，对应RP取(2,8)(3,16)(4,24)三组数据，结果图3所示，可以看到纹理的细腻程度不同。一个自我理解无具体依据的推断：LBP中PR效果类似于SIFT中σ，最后造成图像影响就是模糊的效果，达到多分辨率提取特征的目的。这里说是多分辨率而不是尺度不变，因为最后检测时根据简单几组PR提取的对应LBP特征还是只适用于不同PR对应的几组固定的具体大小图像，而没有达到对于所有大小图像适用的尺度不变特性。

图3

三、等价模式

　　有一类模式在图像中出现的频率及其高，这类模式就是等价模式，它们都有一个特性，就是黑白跳变数量都小于等于2。另外我们也可以推出，在P邻域中，等价模式的个数U为：U=P*(P-1)+2。

　　上面这句话意思主要是由于PR的增加，LBP码的长度对应增加，对应的码的数量呈指数增长，2^P次个，不利于计算，找一种方法将编码数量降低一点。

　　重点U=P*(P-1)+2,这个东东是怎么来的？具体公式啥的没找到，感觉应该存在比较简单的推导方法，这里的方法比较笨。　　

　　编码由01组成，这里单独拿出0来计算，怎样保证0/1之间的跳变满足≤2呢？一种情况所有的0都在编码中聚在一起(设为情况1)，如100011,110001这种，另一种是0分开两拨，但只能存在于编码的最左端与最右端（设为情况2），如011100,001110这种，其余的（010110,001011）跳变次数都大于2了。设定P为偶数。为了表述方便表后半部分取P=4示例。

图4

　　等价模式这里的跳变次数为≤2，，变成3,4等可不可以呢(?)？最后实验证明（这是个统计量？还是公式计算量？）：尽管等价模式（≤2）只占了全部模式的一小部分，但表明这一小部分等价模式能够刻画90%以上的纹理特征。这里其实可以简单想象一下，在一个LBP局域中跳变1,2次是正常的，假设跳变次数太多，也就是0/1之间转换的太快，局域内就成了黑白相间的噪声了，体现不出来纹理。

参考文献：

部分上已给出。

迈克老狼2012，http://www.cnblogs.com/mikewolf2002/p/3438698.html，， (里面包含LBP特征提取opencv源码） OpenCV学习(39) OpenCV中的LBP图像。