LBP算法分析

LBP是一种简单，有效的纹理分类的特征提取算法。主要的论文是"Multiresolution gray-scale androtation invariant texture classification with local binarypatterns", pami, vol 24, no.7, July 2002。LBP就是"local binarypattern"的缩写。

从纹理分类的角度看，图像上某个像素点的纹理特征，大多数情况下，是指这个点和它周围点的关系。也就是说，这个点和它的邻域内的点的关系。从哪个角度对这种关系提取特征，就形成了不同种类的特征。有了特征，就能根据特征对纹理进行分类。LBP构造了一种衡量一个像素点和它周围像素点的关系。

从原来上来说，它的步骤是这样的：

公式（1） T=t(g_c, g_0, ..., g_(P-1))

这个是latex的写法，跟论文上的公式（1）是一样的，用过latex的都知道:)  假设图像是灰度图，那么，图像上的像素值在[0, 255]的区间内。假设我们要计算某个点(x_0,y_0)的LBP特征，g_c就是像素(x_0, y_0)的灰度值，g_0, g_1, ..., g_(P-1)就是(x_0,y_0)周围的若干个像素的灰度值。这些点是符合分布的呢？按照论文的图1，是分布成圆形，以P等分这个圆。

如果图像亮度发生变化，比如说，在很亮的情况拍照的纹理，和很暗的情况拍照的纹理，尽管纹理相似，亮度不同。我们需要灰度不变的特征，也就说，要让计算出的特征值，在亮或暗拍照的情况下是一样的。那么，公式（1）可以改造成公式（2）：

T = t( g_c, g_0-g_c, g_1 - g_c,..., g_(P-1) - g_c)

这个公式和公式（1）是等价的，毫无疑问。进一步的，g_c其实仅表示拍照时候的亮度，我们也可以把它简化掉，这样公式（2）可以改造成公式（3）：

T = t(g_0 - g_c, g_1-g_c,..., g_(P-1) - g_c)

考虑到实际性能，公式（3）还可以进一步改写成只有0和1的特征，公式（5）：

T =  t(s(g_0 - g_c), s(g_1-g_c),..., s(g_(P-1)- g_c))

如果x > = 0, s(x) = 1, 其他情况，s(x) =0。这样，T就只剩下0和1了，这也就是lbp的binary的由来。如果T是一串0和1组成的特征，那么它就可以表示成一个整数，这个0和1组成的串，就是整数的二进制码。于是，我们得到了公式（7）：

LBP_(P, R) = sum_(P=0)^(P-1)s(g_p-g_c)*2^p

也就是说，不同的P和不同的R，根据T的二进制串，就能算出一个整数值。

如果图像旋转了，那么，纹理特征就旋转了，此时，得到的二进制串也就是是旋转了，得到的LBP的值就变化了。为了让LBP特征是旋转不变的，算法需要进一步改造。假设，我们在公式（5）中得到的二进制特征是：

10010000，那么，将这个二进制特征，按照顺时针方向旋转，可以把它转成00001001的形式，这样得到的LBP的值是最小的。无论图像怎么旋转，对点提取的二进制特征点的最小值是不变的。按照这种思路，就得到了公式（8）：

LBP_(P, R)^(ri) = min{ROR(LBP_(P, R), i)| i = 0, 1, ...,P-1} 

这样，LBP特征是旋转不变的了。当P=8的时候，能产生的不同的二进制特征数量是2^8个，经过上述处理之后，只有36个旋转不变特征。

作者认为经过上述步骤得到的LBP特征的区分性不够好。为了，将上述的36个最小二进制特征，在进一步分类，在这36个特征里，9个uniform特征出现的频率特别高，有时候会到90%。因此，将上述的特征再改造成公式（9）：

LBP_(P, R)^(riu2) = sum_(P=0)^(P-1)s(g_P-g_c)  if U(LBP_(P, R)) <=2

LBP_(P, R)^(riu2) = P + 1   if U(LBP_(P, R))>2

函数U(x)的含义是:如果位置i和位置i-1是不同的，那么就是U值就是1，如果相同，U就是0，对于所有的i，都这么处理，就得到了U(x)。比如说， x =000000，那么U(x) = 0; x = 10000000，那么U(x) = 1； x = 01000000，那么U(x) =1。一次类推。只有U(x) <= 2的pattern才是uniform pattern。

最终的纹理特征，就是LBP数的直方图。举例来说，假设有一副图a.jpg，不考虑边缘，有效的分辨率100*200。那么，要计算它的lbp特征，选定参数，就是对它上面的R=1,P=8，那么，对它上面的每个点，就计算LBP_(P,R)^(riu2)，它是一个整数。也就是说，每个点，在给定的R和P下，只有这个一个整数。那么这20,000个点就是两万个整数。将这两万个正数，按照LBP_(P,R)^(riu2)的所有可能取值情况，作成一个直方图，就是这幅图的lbp特征。

如果我们使用的特征，是R = 3, P =24，那么，需要多少分配多少内存呢？如果P=24，则可能存在的lbp模式的数量是2^24个，也就是说，每个像素的lbp模式可能是2^24种里之一。当然，这2^24模式，对应的LBP_(P,R)^(riu2)，其实是有限个数量的。这也就相当于，开一个2^24个元素数组，占用内存是2^24*4个字节，也就是2^26个字节，也就是2^6M的内存，也就是16M内存。这就是为什么论文第2.3节提到的，当P=24时，需要一个16M的查找表lookuptable。

2.4节提出根据局部对比度构造新特征，这块没什么问题。

2.5节给出计算样本分类判别方法。比如说，假设纹理有3个bin，纹理1有10%的像素lbp数在bin1, 10%在bin2,80%在bin3，纹理2有30%的像素lbp数在bin1, 30%在bin2, 40%在bin3。待判别的纹理的lbp分别是20%,50%和30%。那么，

L(S, M1) = 0.2*log(0.1)+0.5*log(0.1)+0.3*log(0.8) =-0.2-0.5-0.097=-0.797

L(S, M2) = 0.2*log(0.3)+0.5*log(0.3)+0.3*log(0.4)=  −0.366−0.119=-0.485

取大的，判定S的属于类M2。这种计算方式，实际上是计算两个概率分布的距离的离散化。如果两个概率分布完全一样，L(S, M)= 0。越接近0越相似。有没有可能是正数？需要证明，但我感觉不可能是，有时间倒是可以证明下看看。

至此，论文里的lbp算法就到这里的，剩下的是实验，验证效果。