机器学习——LBP特征

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