LBP等价模式

LPB算子的定义参见维基百科：https://en.wikipedia.org/wiki/Local_binary_patterns，考察LBP算子的定义可知，一个LBP算子可以产生多种二进制模式（p个采样点）如：3x3邻域有p=8个采样点，则可得到2^8=256种二进制模式；5x5邻域有p=24个采样点，则可得到2^24=16777216种二进制模式，以此类推。显然，过多的二进制模式无论对于纹理的提取还是纹理的识别、分类及信息存取都是不利的，在实际应用中不仅要求采用的算子尽量简单，同时也要考虑到计算速度、存储量大小等问题。因此需要对原始的LBP模式进行降维。

 

Ojala等^[1]提出一种“等价模式”（Uniform Pattern）来对LBP算子进行降维，Ojala等认为图像中，某个局部二进制模式所对应的循环二进制数从0→1或从1→0，最多有两次跳变，该局部二进制模式所对应的二进制就成为一个等价模式。如00000000，00111000，10001111，11111111等都是等价模式类。判断一个二进制模式是否为等价模式最简单的办法就是将LBP值与其循环右移一位后的值进行按位异或，计算得到的二进制数中1的个数，若个数小于或等于2，则是等价模式；否则，不是。除了等价模式以外的模式都归为一类，称为混合模式类，例如10010111（共四次跳变）。跳变的计算方法：如10010111，首先第一二位10，由1→0跳变一次；第二、三位00，没有跳变；第三、四位01，由0→1跳变一次，第四、五位10，由1→0跳变一次；第五六位01，由0→1跳变一次；第六七位11，没有跳变；第七八位11，没有跳变；故总共跳变4次。

 

使用等价模式，模式种类由原来的2^p减少为2+p*(p-1)种。下面考虑其计算方法。首先明确一个事实，对于p个采样点，假设某个二进制模式的值为x（二进制数），那么x的跳变次数与(2^p-1-x)的跳变次数是一样的。以p=8为例，10010111的跳变次数与(11111111-10010111)=01101000的跳变次数是一样的。那我们可以只考虑连续的0，出现0次跳变：1个（p=8时，只有00000000这一个，对应连续的1的情况为11111111）；出现1次跳变：C(p-1,1)（左起第1个二进制位位到左起第p-1个二进制位中，选择某一位为0，左起第1个二进制位到选择的位置处为连续的0，如01111111，00111111，注意不是C(p-1,1)*2，因01111111对应的连续的1的情况(11111111-01111111)=10000000就是从右起的）；出现2次跳变：C(p-2,1)+C(p-2,2)（从左起第2个二进制位到左起第p-1个二进制位中，选择某一位为0，或者选择某两位为0，这两位之间为连续的0）。总共的情况数为：(1+C(p-1,1)+C(p-2,1)+C(p-2,2))*2=(1+(p-1)+(p-2)+(p-2)*(p-3)/2)*2=2+p*(p-1)种(*2对应连续的1的情况)。

 

下面考虑如何获得p=8时从LBP模式到等价模式的转换表格。参考https://en.wikipedia.org/wiki/Local_binary_patterns，可知所有的等价模式为0, 1, 2, 3, 4, 6, 7, 8, 12, 14, 15, 16, 24, 28, 30, 31, 32, 48, 56, 60, 62, 63, 64, 96, 112, 120, 124, 126, 127, 128, 129, 131, 135, 143, 159, 191, 192, 193, 195, 199, 207, 223, 224, 225, 227, 231, 239, 240, 241, 243, 247, 248, 249, 251, 252, 253, 254, 255。通过如下的python代码，可以得到可用于C++代码的转换表格。

 

 1 lbp = [0] * 256
 2 data = [0, 1, 2, 3, 4, 6, 7, 8, 12, 14, 15, 16, 24, 28, 30, 31, 32, 48, 56, 60,
 3         62, 63, 64, 96, 112, 120, 124, 126, 127, 128, 129, 131, 135, 143, 159,
 4         191, 192, 193, 195, 199, 207, 223, 224, 225, 227, 231, 239, 240, 241,
 5         243, 247, 248, 249, 251, 252, 253, 254, 255]
 6 for i in data:
 7     lbp[i] = i
 8 
 9 print('{ ', end='')
10 for i in lbp[0:-1]:
11     print('%d, ' % i, end='')
12 print('%d }' % lbp[-1], end='')

 

输出转换表格为：{ 0, 1, 2, 3, 4, 0, 6, 7, 8, 0, 0, 0, 12, 0, 14, 15, 16, 0, 0, 0, 0, 0, 0, 0, 24, 0, 0, 0, 28, 0, 30, 31, 32, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 48, 0, 0, 0, 0, 0, 0, 0, 56, 0, 0, 0, 60, 0, 62, 63, 64, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 96, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 112, 0, 0, 0, 0, 0, 0, 0, 120, 0, 0, 0, 124, 0, 126, 127, 128, 129, 0, 131, 0, 0, 0, 135, 0, 0, 0, 0, 0, 0, 0, 143, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 159, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 191, 192, 193, 0, 195, 0, 0, 0, 199, 0, 0, 0, 0, 0, 0, 0, 207, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 223, 224, 225, 0, 227, 0, 0, 0, 231, 0, 0, 0, 0, 0, 0, 0, 239, 240, 241, 0, 243, 0, 0, 0, 247, 248, 249, 0, 251, 252, 253, 254, 255 }

 

参考文献

[1] Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns, Timo Ojala, et al., IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 24, NO. 7, JULY 2002.

转载于:https://www.cnblogs.com/study-share-struggle/p/10281926.html