局部二值模式(Local Binary Patterns)进行纹理分类

简介

对于二维的纹理分析，具有很多潜在的应用。例如，工业表层检查，远程监控，生物制药图像分析等等领域。但是在实际应用时，会存在很多问题。主要的问题在于现实世界中的纹理并不像实验中的那么规整，存在着很多变化，例如：

1. 由于非均匀光源导致的光照变化；
2. 实际的情况下，物体方向是随机的；
3. 空间尺度不一致。
   

而且，很多纹理分类的方法计算复杂度过高，难以实用化。为了解决这些问题，可以采用改进型的局部二值模式进行纹理分类。
改进型的局部二值模式(Local Binary Patterns)具有以下优点：

1. 具有灰度不变性；
2. 具有旋转不变性；
3. 能够多分辨率分析；
   

并且，由于局部二值模式计算复杂度较低，因此，是一种很实用的图像处理方法。这里，我用简单的语言简述一下LBP的各种特性和纹理分类方法。

------------------------------------------------------------------------------------------------------------------

局部二值模式

首先，我们考虑一幅图像上的一个像素点，以及该像素点的八邻域。如下图(左)所示，我们考虑九宫格内的中心像素点，假设为“6”。周围像素点的数值如图上所示。这时，我们将八邻域中，数值大于等于中心像素点的记为“1”，数值小于中心像素点的记为“0”。这时，我们得到下图(右)。这就是基本的局部二值模式(Local Binary Patterns)。之所以叫作“二值”，是因为LBP之后的模式只有0和1两个数值(同理，可以定义三值模式)。