什么是LBP?
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(算子是一个函数空间到函数空间上的映射 O : X ➡ X ′ O:X➡X' O:X➡X′),图像与其LBP图像如下图所示。
LBP发展历程
LBP的发展历程如下图所示。
原始LBP
原始的LBP算子定义为在 3 ∗ 3 3*3 3∗3的窗口内,以窗口中心像素为阈值,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。
3 ∗ 3 3*3 3∗3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码,共 2 8 = 256 2^8=256 28=256种,每一种称为一种模式),即得到该窗口中心像素点的LBP值,并用这个值来反映该区域的纹理信息。
原始LBP如下图所示。
原始 LBP 只具备光照不变性,并不具备尺度不变性和旋转不变性。
圆形LBP
原始 LBP 算子只覆盖了一个固定半径范围内的小区域,不能满足不同尺寸和频率纹理的需要。
为了适应不同尺度的纹理特征,并达到灰度和旋转不变性的要求,Ojala 等对 LBP 算子进行了改进,将 3 ∗ 3 3*3 3∗3邻域扩展到任意邻域,并用圆形邻域代替了正方形邻域,改进后的 LBP 算子允许在半径为 R 的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子。
旋转不变模式
从LBP的定义可以看出,LBP算子不是旋转不变的。图像的旋转就会得到不同的LBP值,如下图所示。
Maenpaa等人又将LBP算子进行了扩展,提出了具有旋转不变性的局部二值模式算子,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。
如下图所示,对于以下8种不同旋转角度的LBP值特征,它们的LBP值均为15(即最小值,其二进制表示为00001111),因此图像的LBP特征就具有了旋转不变性。
等价模式
一个LBP算子可以产生不同的二进制模式,对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生 2 P 2^P 2P种模式。很显然,随着邻域集内采样点数的增加,二进制模式的种类是急剧增加的。大量的二值模式种类无论对于纹理的提取还是对于纹理的识别、分类及信息的存取都是不利的。
同时,过多的模式种类对于纹理的表达是不利的。例如,将LBP算子用于纹理分类或人脸识别时,常采用LBP模式的统计直方图来表达图像的信息,而较多的模式种类将使得数据量过大,且直方图过于稀疏。因此,需要对原始的LBP模式进行降维,使得数据量减少的情况下能最好的代表图像的信息。
为了解决二进制模式过多的问题,提高统计性,Ojala提出了采用一种“等价模式”(Uniform Pattern)来对LBP算子的模式种类进行降维。
Ojala等认为,在实际图像中,绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此,Ojala将“等价模式”定义为:当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时,该LBP所对应的二进制就称为一个等价模式类。如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)。
通过这样的改进,二进制模式的种类大大减少,而不会丢失任何信息。模式数量由原来的 2 P 2^P 2P种减少为 P ( P − 1 ) + 3 P(P-1)+3 P(P−1)+3(3 是由全 0 或全 1 这两类加上混合模式类构成)种,其中P表示邻域集内的采样点数。
对于 3 ∗ 3 3*3 3∗3邻域内8个采样点来说,二进制模式由原始的256种减少为59种,这使得特征向量的维数更少,并且可以减少高频噪声带来的影响。
LBPH算法
显而易见的是,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)。
因此在LBP的应用如纹理分类、人脸分析等中,一般都不将LBP图谱作为特征向量用于分类识别,而是采用LBP特征谱的统计直方图作为特征向量(即LBPH)用于分类识别。
从上面的分析可以看出,纹理“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:对于一幅 100 ∗ 100 100*100 100∗100像素大小的图片:
- 划分为 10 ∗ 10 = 100 10*10=100 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 10*10 10∗10像素;
- 在每个子区域内的每个像素点,提取其LBP特征建立统计直方图(由于这幅图片就有 10 ∗ 10 10*10 10∗10个子区域,也就有了 10 ∗ 10 10*10 10∗10个统计直方图);
- 将这 10 ∗ 10 10*10 10∗10个统计直方图归一化得到特征向量,就可以描述这幅图片;
- 利用各种相似性度量方法,就可以判断两幅图像之间的相似性。
以上仅为学习LBP的记录以及个人部分理解,相关论文还未详读,如有错误内容烦请指出!
参考博客:
(四十三)特征点检测-LBP
无痛理解Local binary pattern(LBP)
LBP原理介绍以及算法实现
LBP特征原理及代码实现