训练模型-LBP算法

https://baike.baidu.com/item/lbp/6692950?fr=aladdin

LBP指局部二值模式，英文全称：Local Binary Patterns。最初功能为辅助图像局部对比度，并不是一个完整的特征描述子。

中文名

线性反投影算法

外文名

Local Binary Patterns

简    称

LBP

别    名

累加法

属    性

局部二值模式

目录

1. 1 数字图像处理
2. 2 介绍
3. 3 算法
4. 4 符号

数字图像处理

编辑

在数字图像处理和模式识别领域，

后来提升为一种有效的纹理描述算子，度量和提取图像局部的纹理信息，对光照具有不变性。LBP有很多变种，或说改进。单纯的LBP记录像素点与其周围像素点的对比信息，或说差异。从图1我们看到，最左边的是原图，标号为example。我们要检测某个像素点的某些信息，在图1中，对于9个方格中中间方格（方格中的数字是像素点灰度值大小），做一个阈值化处理。大于等于中心点像素的，则标记为1，小于的则标记为0。最后将中心像素点周围的11110001二进制数化为十进制数，得到LBP值。

无

二进制数11110001的顺序并无硬性要求，只要在同一处理中保持相同的顺序即可。

　　

图1，LBP示意图

LBP算子可以取多个周围像素点和采样半径。

图2，LBP可以去多个周围像素点和采样半径

但是这样的LBP描述特征能力有限，且不具备旋转不变性。很容易想象，如果图片进行了旋转，则LBP值也会随之改变。因此有了下面的改进。

将LBP周围的二进制码（如11110001）按位旋转，取二进制码最小的值。对于11110001情况，我们按位旋转，得到11100011,11000111,10001111,0001111,00111110,01111100,11111000七个不同的二进制数，最小值为00011111，则取该种模式（pattern）为最终LBP。这又称为LBPROT，或写为LBPp,r ri。

对于采样半径为1，周围像素点数为8的情况，LBPROT算子（即具有旋转不变性的LBP模式）总共有36个。

LBPROT

但是对于LBPROT来说，其实验结果并不好。不能提供很好的分辨率。

在以上的基础上，又有了Uniform LBP的出现。

所谓Uniform LBP,指在LBP二进制数中，0到1和1到0的跳变总数不超过两次。如00000000和11111111，并没有0,1跳变，U=0。对于11110000和00001111，则有一次跳变，U=1。对于Uniform LBP来说，具备旋转不变性的pattern只有9个，如图3LBPROT中第一排标号为0-8的pattern。因此，最终结果为统计Uniform LBP pattern的直方图，把所谓的nonUniform放入直方图的另一个bin中，得到最终的特征向量。

Uniform LBP在局部纹理描述上取得了较好的描述效果，原因在于，Uniform LBP 的各种模式占据了图像中所有模式的绝大部分。不同采样半径和周围像素点个数会不同，但Uniform LBP占据了所有模式的50%~95%。

LBP还有很多变种，如CLBP，LBPHF等等。有兴趣的读者可以阅读相关文献 [1-2]  。

LBP已经成功应用于人脸检测，唇语识别，表情检测，动态纹理等等领域。其算法复杂度低，消耗内存小，原理简单，但并不一定适合所有的特征描述。

介绍

编辑

线性反投影算法（Linear Back Projection，简称 LBP）又称累加法，是最早使用的一种简单（ECT图像重建）成像算法。它将通过某点的所有投影射线进行累加，再反向估算出该点的密度值。从成像观点分析，它是不完全的雷登逆变换（完整的雷登逆变换包括微分、希尔伯特变换、反投影和归一化等步骤）。

算法

编辑

对于 ECT 技术，假设被测介质变化对灵敏场的影响可以忽略，若被成像的两相介质分别为 A 相和 B 相，介电常数分别为 ε A和 ε B，且 ε A < εB，则重建图像中第 k 个像素的灰度

其中， Ce i ,j、 Ci f,j分别为管中充满 A 相和 B 相时的电容，mCi ,j为管中同时存在 A 相和 B 相介质时的电容。线性反投影的数学解释为：假设S是介电常数向量空间到电容向量空间的映射，则 ST 可视为电容向量空间到介电常数空间的映射，由于 S－ 1不存在，用 ST 取代 S－1 ，则线性反投影的矩阵形式为

由于线性反投影只是一种定性的算法，研究者在此基础上提出了迭代反投影算法。其计算步骤如下：

1) 基于均质灵敏度信息，利用线性反投影算法获得初始图像；

2) 利用已获得的介电常数分布，求解正问题，得到一组仿真电容值，将该值与测量电容值进行比较，若误差已达到满意值，算法结束，否则进行下步；

3) 修正灵敏度信息；

4) 根据上步已经修正后的灵敏度信息，利用测量电压重新进行线性反投影；返回第二步，并进行循环迭代，直到获得满意的结果为止，迭代结束。