局部二值模式LBP的详细理解

局部二值模式LBP的噶几详细的理解

一个电脑小白的自我成长之路，总是这么的寂寞、孤独、无聊，却充满新奇、艰难，唯有坚韧不拔，持续奋斗，才可披荆斩棘、登临云端。各位看官们：“咋的，能不能上干货？” ，博主：“不好意思啦，让我卖弄一下我毕生所学的几个词语，显示一下我那学富五车的才华嘛。秋香上酸菜，翠花上酒，干货开始啦！”

1简介

局部二值模式：local binary patterns 即 LBP

    介个东东是什么呢？想必各位看官应该都知道用途，我再会话几句。

1996年，T.Ojala等人提出局部二值模式，作为纹理算子，用于分析图片纹理特征。利用结构法，分析固定窗口特征，再用统计学作整体特征的提取。LBP算法一般定义为3*3的窗口，以窗口中心点的灰度值为阈值，对窗口内其他像素作二值化处理，然后根据像素不同位置进行加权求和得到该窗口的值。因此，在纹理分析过程中，方法的窗口大小固定且与图像内容无关，这导致了在纹理基元特征的提取上出现误差，难以适应不同粗糙度和尺度纹理的要求。

局部二值模式是最近发展起来的一种理论简单但功能强大的分析算法。通过近期的扩展，凭借其在应用中精度和运算方面的优势，LBP在工业视觉检测、运动目标实时追踪、图像重构以及面部分析等领域获得了很好的效果。

其基本思想是：用其中心像素的灰度值作为阈值，与它的邻域相比较，将得到的二进制码来表述局部纹理特征。

在纹理分析方面，LBP算子是最好的纹理描述符之一，它的主要优点有以下几点：1）通过它的定义可知，LBP算子的灰度尺度不随任何单一变换而变化，因此灰度尺度的鲁棒性好，也就是光照条件下的鲁棒性好
2）计算速度快。由于它可以通过在小邻域内进行比较操作得到，使得在复杂的实时条件下分析图像成为可能
3）由于算子是一种无参数的方法，在应用过程中不需要对它的分布进行预先

2局部二值模式计算方法

LBP算法一般定义为的窗口，以窗口中心点的灰度值为阈值对窗口内其它像素作二值化处理，然后根据像素的不同位置进行加权求和得到该窗口的值。刚提出来的时候，其概念就是用与像素点相邻的个像素的灰度值与像素点的灰度值进行比较，用比较后的数据反映该像素点的灰度值。

通俗的理解就是：将窗口内，中心点周围的灰度值与中心点的灰度值进行作比较，若大于则置为1，小于则置为0。然后，按照顺时针或者逆时针顺序进行编码，将二进制的编码转换为十进制的数值，这个数值就是特征值。将一个二维的矩阵转换成了一个一维的数值，起到了降维的作用。
例如：一个3*3的窗口经过二值编码后，其LBP值为180。C =（98+101+110+97）/4 - （95+92+87+93）/4 = 9.75(大于96 的值均值减去小于96的值的均值为9.75)

02年，该算法提出者又对算法进行了拓展定义，形成了系统理论。
定义如下：
T表示由相邻（P+1）个像素点表示的灰度值关系。

这里，gc表示中间点的灰度值，g0，g1，…，gp表示中心像素点gc周围以R为半径的像素点的灰度值。(如果从0开始标下标，最后就是gp-1；从1开始标下标，最后就是gp,犹如该博客编写还不会标下标，就写gp啦，强调一下不是错误，也就是T中只有p+1个量)

上图为不同（P,R）的圆对称领域

假如没有信息损失的话，gc能被gp减,表达式则变为：

考虑对数值对gc的依赖性不大，表达式可以分解因式为：

很多人会在这里看不懂，我说一下我自己的理解：就是T是一个p+1的向量函数，其中gc是其中一个维度，如果中心点选定，即gc就是定值，对于不同的P，R其g0,g1…的值是不定的，也即是变量，那对这个函数取对数，gc,就可以因式分解出来作为一个常数或者系数，后面乘以一个P为的向量函数。

由于t(gc)是描述图像的全部灰度值（不同的像素中心点代表整幅图，故实质上就是给图片中每个像素取了对数而已），它和局域图像的纹理是无关的，所以可以忽略，则表达式可为：

虽然g0-gc，g1-gc，…，gp-gc之间的值有差异，但这里需要的是它们之间大小的比较（只是和中心值比较大小，大于中心值置1，小于置0）。所以表达式又可写为：

这里：

这样就得到了一个与邻域像素点相关的唯一的代码：

结合前面，俺给的算法图是不是很好理解了呢。

3.LBP算子的旋转不变性

考虑到LBP算子可能会有2的p次方种不同的值，(为什么会是这么多呢，我以p=8也就是周围有8个像素点为例讲一下，每一个点被重置后的值只能为0,1，也就是不为0，就为1，那么按照排列组合的知识，一共有

256个值）再来一幅图理解一下排列组合：



这后面，都是公式和图。我就复制粘贴啦，以后再讲LBP的均匀模式。

有不理解的随时博客地下留言，我会在看到的第一时间回复各位看官。^_*