LBP算法

在数字图像处理和模式识别领域，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。

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。

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。

 

 

 

局部二值模式（LBP）首先是用来做图像局部特征比较的，传统的LBP方法，首先通过阈值来标记中心点像素与其邻域像素之间的差别。LBP是人脸识别中经常使用的一种方法。

最早的LBP算子是定义在3*3的邻域上的。它使用中心像素值来计算8的邻域像素。然后在乘以领域的权值得到结果。下面我们给出一个例子：

Example

6	4	3
7	5	2
8	9	5

Threshold

1	0	0
1	*	0
1	1	1

（10001111）2 LBP=1+16+32+64+128 = 241

C = (6+7+8+9+5)/5 – (4+3+2)/3 =6

Weights

1	2	4
128	*	8
64	32	16

我们使用二维分布LBP和局部对比测量C作为该领域的特征。

但是为了使得到的特征更有代表性。矩形领域的大小是可以改变的，可以使用4*4或5*5的领域。相比矩形领域，圆形对称领域的效果更好。