时间为友,记录点滴。
在特征点检测的世界里,并不是一家独大,大神们总是有各种新奇的想法冒出来。我们不可能把所有的算法都去了解一遍,但是有些思路总是可以去借鉴。
比如SIFT就是个大宝藏,总是能给我们在一些关键问题上启迪。
既然我们已经了解过Harris/SIFT/FAST等特征检测的算法,也了解了什么是特征点以及如何评判一个特征点或特征算法是否优良。那么,我们就开门见山,看看LBP有什么技能能够在特征检测的世界里存活下来。
想一想特征点的优良性质:尺度不变性
旋转不变性
(以及)光照不变性
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;它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和D. Harwood 在1994年提出,用于纹理特征提取。而且,提取的特征是图像的局部的纹理特征;
它是怎么实现的?
首先谈谈原始LBP算子:原始算子在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。
这样,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256种,即2 Byte),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。
虽然简单,但是略显简陋(是不是跟FAST算子有些