LBP纹理特征算法较全面总结

【致谢】http://blog.sina.com.cn/s/blog_631a4cc401013pkn.html

【致谢】http://blog.csdn.net/zouxy09/article/details/7929531

 

纹理分类(一)全局特征


纹理分类是一个很老的topic,但是一些纹理分类的方法为以后的图片分类奠定了基础。


首先定义一下纹理图片,他是一个随一下变量变化的函数:纹理表面材质,反射率,光照,照相机和他的角度。
现在纹理分类比较流行的有两种方法:一个是全局特征,如lbp,gabor,另一种是基于局部特征的,如:harris-laplace,基于局部特征的方法主要基于texton的框架,也就是现在图片分类的bag-of-words框架。

今天我们先介绍一下基于全局的特征,全局特征当属LBP最牛最简单有效,下面我们来介绍一下lbp及其变种。

1. LBP

R为半径的P点邻域,gc为中心,gp为邻域点 ;区分邻域比中心亮度大还是小

纹理分类(一)全局特征

纹理分类(一)全局特征纹理分类(一)全局特征
:改变P,R 形成多尺度LBP

 2. uniform LBP    P*(P-1)+2

 二值编码中0-1转换次数小于或等于2的编码;  U<=2:

纹理分类(一)全局特征

P=87*8+2=58个编码值,其余的U>2的归为一个bin

纹理分类(一)全局特征

3. 旋转不变的LBP  36

 由于编码的起始点是一定的,每一种二值编码模式经旋转(循环位移)后会产生不同的编码结果。

为了形成旋转不变的编码模式,我们让有同一编码模式经旋转后产生的编码结果编码为同一值,即这些旋转结果中的最小值

 纹理分类(一)全局特征


 36个旋转不变的LBP编码模式:

纹理分类(一)全局特征

4. 旋转不变的uniform LBP   P+1

即在uniform LBP中,开始7行的每一行为旋转不变,被编为一个编码值,对应上图中第一行的1-7个模式。再加上 1和全0  9

 纹理分类(一)全局特征 

 --------------------------------以上就是经典的LBP了,下面介绍一些变种----------------

一. 增加幅值信息,增加对噪声鲁棒性

1. LTP 

对二值化设定阈值 

三值编码:使相对中心值变化在t范围内的邻域量化为0;比ic大于t的量化为1;比ic小于t的量化为-1

纹理分类(一)全局特征
纹理分类(一)全局特征

最后把三值编码转化为正的和负的两部分,28bit编码作为特征向量;

 纹理分类(一)全局特征

2. CLBP

像素值差分为符号和幅值两项考虑 ,对符号的编码CLBP_SLBP一样  8位)

 纹理分类(一)全局特征


纹理分类(一)全局特征

 对差的幅值Mp编码(8位):  C为全图像的所有mp的均值

纹理分类(一)全局特征

  对中心象数值gc编码(2位):Ci为全图像象数均值

纹理分类(一)全局特征

 最后构建3D联合直方图CLBP_S/M/C 列化作为特征向量

 二. 加入局部方差信息(局部对比度)

 纹理分类(一)全局特征

1.纹理分类(一)全局特征

在训练集上得到局部方差的量化阈值,对局部方差进行量化,与纹理分类(一)全局特征计算联合直方图

缺点:由于训练和测试图片成像条件不同,训练的量化阈值可能在测试图片上不适合

 

2.  LBP-V

将每个点的方差作为编码值的权重,进行直方图累加(类比sitf中按方向累计梯度幅值)。原理:方差大,对应区域变化大,为高频区域,对区分性贡献大,所以对应该处编码权重大

  纹理分类(一)全局特征 


三. 增加局部梯度信息(类比SIFT

1. CS-LBP

对中心对称点的亮度差编码,即编码四方向的梯度符号,缩短编码长度

 纹理分类(一)全局特征


纹理分类(一)全局特征

2. TP-LBP

 编码某中心像数点的相邻patch的相似度 提取patch-based的信息,是对pixels-based的信息的补充中心patch和邻域patch大小为w*w;邻域半径r,邻域patch个数S,提取相似度信息的邻域间隔ad(a,b)ab patch的相似度,编码局部patch的变化程度

 纹理分类(一)全局特征


纹理分类(一)全局特征

纹理分类(一)全局特征

3. POEM

 编码局部区域个方向patch内的梯度变化信息

(1) 计算梯度:方向和大小,对方向离散化m

(2) 对每点,按离散方向,累积半径为r邻域内的梯度幅值(高斯加权),形成m个累积梯度幅值图像

(3) 对每个图像,计算半径R,邻域PLBP,形成mLBP

 纹理分类(一)全局特征


4. LDP

 编码每点的各方向边缘响应强度的变化

(1) 计算8方向边缘响应

 纹理分类(一)全局特征


(2) 取第K主方向值Mk(即第k大的边缘响应幅值)作为阈值,进行二值化形成编码。有C_8_k种编码值

纹理分类(一)全局特征

 

四. U-LBP的改进

1. H-LBP

层叠的多多尺度LBP

ULBPU>2的编码都对归入到一个bin中,丢失了其中的区分信息。

半径越大非uniform编码出现频率越高,而大半径中为非uniform的编码在小半径时可能为uniform形式,此时把其编码换为小半径中uniform形式,直至半径缩小为指定大小

 纹理分类(一)全局特征


纹理分类(一)全局特征
----------------------------------------------------------------------------------------
关于LBP的变形还有很多种,这里就不一一赘述了!

 

 

************************************************************************************************************

目标检测的图像特征提取之(二)LBP特征

zouxy09@qq.com

http://blog.csdn.net/zouxy09

 

        LBPLocal 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, D. Harwood 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;

 

1LBP特征的描述

       原始的LBP算子定义为在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。如下图所示:

 

LBP的改进版本:

       原始的LBP提出后,研究人员不断对其提出了各种改进和优化。

1)圆形LBP算子:

        基本的 LBP算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域,这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征,并达到灰度和旋转不变性的要求,Ojala等对 LBP 算子进行了改进,将 3×3邻域扩展到任意邻域,并用圆形邻域代替了正方形邻域,改进后的 LBP 算子允许在半径为 R 的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子;

2LBP旋转不变模式

       从 LBP 的定义可以看出,LBP 算子是灰度不变的,但却不是旋转不变的。图像的旋转就会得到不同的 LBP值。

         Maenpaa等人又将 LBP算子进行了扩展,提出了具有旋转不变性的 LBP 算子,即不断旋转圆形邻域得到一系列初始定义的 LBP值,取其最小值作为该邻域的 LBP 值。

       图 2.5 给出了求取旋转不变的 LBP 的过程示意图,图中算子下方的数字表示该算子对应的 LBP值,图中所示的 8 LBP模式,经过旋转不变的处理,最终得到的具有旋转不变性的 LBP值为 15。也就是说,图中的 8 LBP 模式对应的旋转不变的 LBP模式都是 00001111

3LBP等价模式

       一个LBP算子可以产生不同的二进制模式,对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生P2种模式。很显然,随着邻域集内采样点数的增加,二进制模式的种类是急剧增加的。例如:5×5邻域内20个采样点,有2201,048,576种二进制模式。如此多的二值模式无论对于纹理的提取还是对于纹理的识别、分类及信息的存取都是不利的。同时,过多的模式种类对于纹理的表达是不利的。例如,将LBP算子用于纹理分类或人脸识别时,常采用LBP模式的统计直方图来表达图像的信息,而较多的模式种类将使得数据量过大,且直方图过于稀疏。因此,需要对原始的LBP模式进行降维,使得数据量减少的情况下能最好的代表图像的信息。

        为了解决二进制模式过多的问题,提高统计性,Ojala提出了采用一种“等价模式”(Uniform Pattern)来对LBP算子的模式种类进行降维。Ojala等认为,在实际图像中,绝大多数LBP模式最多只包含两次从10或从01的跳变。因此,Ojala将“等价模式”定义为:当某个LBP所对应的循环二进制数从01或从10最多有两次跳变时,该LBP所对应的二进制就称为一个等价模式类。000000000次跳变),00000111(只含一次从01的跳变),10001111(先由1跳到0,再由0跳到1,共两次跳变)都是等价模式类。除等价模式类以外的模式都归为另一类,称为混合模式类,例如10010111(共四次跳变)(这是我的个人理解,不知道对不对)。

       通过这样的改进,二进制模式的种类大大减少,而不会丢失任何信息。模式数量由原来的2P种减少为 P ( P-1)+2种,其中P表示邻域集内的采样点数。对于3×3邻域内8个采样点来说,二进制模式由原始的256种减少为58种,这使得特征向量的维数更少,并且可以减少高频噪声带来的影响。

 

2LBP特征用于检测的原理

       显而易见的是,上述提取的LBP算子在每个像素点都可以得到一个LBP“编码”,那么,对一幅图像(记录的是每个像素点的灰度值)提取其原始的LBP算子之后,得到的原始LBP特征依然是“一幅图片”(记录的是每个像素点的LBP值)。

        LBP的应用中,如纹理分类、人脸分析等,一般都不将LBP图谱作为特征向量用于分类识别,而是采用LBP特征谱的统计直方图作为特征向量用于分类识别。

       因为,从上面的分析我们可以看出,这个“特征”跟位置信息是紧密相关的。直接对两幅图片提取这种“特征”,并进行判别分析的话,会因为“位置没有对准”而产生很大的误差。后来,研究人员发现,可以将一幅图片划分为若干的子区域,对每个子区域内的每个像素点都提取LBP特征,然后,在每个子区域内建立LBP特征的统计直方图。如此一来,每个子区域,就可以用一个统计直方图来进行描述;整个图片就由若干个统计直方图组成;

        例如:一幅100*100像素大小的图片,划分为10*10=100个子区域(可以通过多种方式来划分区域),每个子区域的大小为10*10像素;在每个子区域内的每个像素点,提取其LBP特征,然后,建立统计直方图;这样,这幅图片就有10*10个子区域,也就有了10*10个统计直方图,利用这10*10个统计直方图,就可以描述这幅图片了。之后,我们利用各种相似性度量函数,就可以判断两幅图像之间的相似性了;

 

3、对LBP特征向量进行提取的步骤

1)首先将检测窗口划分为16×16的小区域(cell);

2)对于每个cell中的一个像素,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,即得到该窗口中心像素点的LBP值;

3)然后计算每个cell的直方图,即每个数字(假定是十进制数LBP值)出现的频率;然后对该直方图进行归一化处理。

4)最后将得到的每个cell的统计直方图进行连接成为一个特征向量,也就是整幅图的LBP纹理特征向量;

然后便可利用SVM或者其他机器学习算法进行分类了。

 

Reference

黄非非,基于 LBP 的人脸识别研究,重庆大学硕士学位论文,2009.5

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值