LBP特征的几种模式、代码实现链接

LBP特征原理及代码实现：http://blog.csdn.net/quincuntial/article/details/50541815（将LBP非常好的一篇博客）

1 基本的LBP

                 

特别注意：原作者的旋转取值顺序是：

2 加阈值的LBP

3 旋转不变的LBP

（2）LBP旋转不变模式

       从 LBP 的定义可以看出，LBP 算子是灰度不变的，但却不是旋转不变的。图像的旋转就会得到不同的 LBP值。

        Maenpaa等人又将 LBP算子进行了扩展，提出了具有旋转不变性的 LBP 算子，即不断旋转圆形邻域得到一系列初始定义的 LBP值，取其最小值作为该邻域的 LBP 值。

       图 2.5 给出了求取旋转不变的 LBP 的过程示意图，图中算子下方的数字表示该算子对应的LBP值，图中所示的 8 种 LBP模式，经过旋转不变的处理，最终得到的具有旋转不变性的 LBP值为 15。也就是说，图中的 8种 LBP 模式对应的旋转不变的 LBP模式都是 00001111。

Uniform Pattern：ojala的Uniform Pattern模式是带旋转不变性的，有9种；不带旋转不变性的话是59种；

4 等价模式LBP:

           

             0、1跳变大于2次的归为一类，所以一共是8×7+2+1=59类

     二进制表示中，0、1跳变次数大于2的归为一类，所以一共有8×7+2+1=59类；

     由于视频中的每顿图像的相邻像素之间的相关性很大，相邻像素值突变的可能性很小，所以，算子得到的二进制编码的变化也不可能太剧烈。从表的统计可以看出，01跳变次数大于2的像素点数占总像素的比例小于0.04，但是，p=8，R=1时，算子产生的256种二进制编码中，01跳变次数大于2的二进制编码有198种，而跳变次数小于2的二进制编码仅有58种，（就是说58种编码表示了0.96的数据，198种编码表示了0.04的数据），所以，01跳变大于2的归为一类；

      

5 统一模式LBP（ Uniform Pattern LBP特征）:

等价模式+选择不变：9种

上图中的没一行归为一类，没类都用类中旋转不变性的最小二进制表示，即可；

6 MB-LBP特征

MB-LBP特征，全称为Multiscale Block LBP，来源于论文[9]，中科院的人发明的，在Traincascade级联目标训练检测中的LBP特征使用的就是MB-LBP。 
MB-LBP的原理： 
 
将图像分成一个个小块（Block），每个小块再分为一个个的小区域（类似于HOG中的cell），小区域内的灰度平均值作为当前小区域的灰度值，与周围小区域灰度进行比较形成LBP特征，生成的特征称为MB-LBP，Block大小为3*3，则小区域的大小为1，就是原始的LBP特征，上图的Block大小为9*9，小区域的大小为3*3。 

6 检测时一般都用局部图像的直方图为特征；

      因为，从上面的分析我们可以看出，这个“特征”跟位置信息是紧密相关的。直接对两幅图片提取这种“特征”，并进行判别分析的话，会因为“位置没有对准”而产生很大的误差。后来，研究人员发现，可以将一幅图片划分为若干的子区域，对每个子区域内的每个像素点都提取LBP特征，然后，在每个子区域内建立LBP特征的统计直方图。如此一来，每个子区域，就可以用一个统计直方图来进行描述；整个图片就由若干个统计直方图组成；

        例如：一幅100*100像素大小的图片，划分为10*10=100个子区域（可以通过多种方式来划分区域），每个子区域的大小为10*10像素；在每个子区域内的每个像素点，提取其LBP特征，然后，建立统计直方图；这样，这幅图片就有10*10个子区域，也就有了10*10个统计直方图，利用这10*10个统计直方图，就可以描述这幅图片了。之后，我们利用各种相似性度量函数，就可以判断两幅图像之间的相似性了；

3、对LBP特征向量进行提取的步骤

（1）首先将检测窗口划分为16×16的小区域（cell）；

（2）对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；

（3）然后计算每个cell的直方图，即每个数字（假定是十进制数LBP值）出现的频率；然后对该直方图进行归一化处理。

（4）最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量；

然后便可利用SVM或者其他机器学习算法进行分类了。

7 相似度的计算

相似度的计算用卡方距离：

参考资料：

LBP的提出："Multiresolution gray-scale and rotation invariant texture classification with local binary patterns", pami, vol 24, no.7, July 2002。LBP就是"local binary pattern"