十一、LBP特征
原始:以中心为阈值,相邻8个像素的灰度值与其进行比较
- 若周围像素值大于等于中心,标记为1
- 若小于中心,标记为0
- 周围八个点产生8位二进制数就为LBP值,(0,255)
圆形化改进:
-
为了能够适应更多范围,改为半径位r的圆
-
-
由于这样会导致坐标可能不是整数
- 所以通过双线性插值法得到该采样点的坐标
-
LBP等价模式
- 对于P个采样点的LBP算子会产生2的P次方种模式,为了解决二进制模式过多的问题,需要通过等价模式(0-2次转跳)进行降维
- 00000000(0次跳变),00000111(只含一次从0到1的跳变),10001111(先由1跳到0,再由0跳到1,共两次跳变)都是等价模式类, 除等价模式类以外的模式都归为另一类,称为混合模式类,例如10010111(共四次跳变)
- 这样由原来的2的P次方减少为P(P-1)+2种
- 混合模式的编码为0
-
检测原理
- 一般用LBP特征谱的统计直方图作为特征向量用于分类识别
- 如果对于100×100像素图片,划分为10×10的子区域,也就有10×10个统计直方图
- 通过相似性度量函数度量两幅图之间的相似性
-
MB—LBP特征
- 小区域的灰度平均值作为小区域的灰度值
- 与周围小区域灰度进行比较形成LBP特征
-
LBPH——图像的LBP特征向量
- 计算图像的LBP特征图像
- 计算每块区域特征图像的直方图cell_LBPH,将直方图进行归一化
- 将每块区域的直方图按空间顺序依次排列成一行,形成LBP特征向量
- 对LBP特征向量进行训练从而检测和表示目标
-
在获取每一个小块(cell)后,对其进行直方图统计后,再进行归一化处理,最后将所有小块的直方图拼接在一起作为本图片的特征数据