????? 原文鏈接：http://blog.csdn.net/zouxy09/article/details/7929531#comments

????? 這個(gè)特征或許對(duì)三維圖像特征提取有很大作用.文章有修改，如有疑問(wèn)，請(qǐng)拜訪原作者。

???????? LBP（Local Binary Pattern，局部二值模式）是一種用來(lái)描述圖像局部紋理特征的算子；它具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點(diǎn)。它是首先由T. Ojala, M.Pietik?inen, 和 D. Harwood 在1994年提出，用于紋理特征提取。而且，提取的特征是圖像的局部的紋理特征；

?

1、LBP特征的描述

?????? 原始的LBP算子定義為在3*3的窗口內(nèi)，以窗口中心像素為閾值，將相鄰的8個(gè)像素的灰度值與其進(jìn)行比較，若周?chē)袼刂荡笥谥行南袼刂?#xff0c;則該像素點(diǎn)的位置被標(biāo)記為1，否則為0。這樣，3*3鄰域內(nèi)的8個(gè)點(diǎn)經(jīng)比較可產(chǎn)生8位二進(jìn)制數(shù)（通常轉(zhuǎn)換為十進(jìn)制數(shù)即LBP碼，共256種），即得到該窗口中心像素點(diǎn)的LBP值，并用這個(gè)值來(lái)反映該區(qū)域的紋理信息。如下圖所示：

?

LBP的改進(jìn)版本：

?????? 原始的LBP提出后，研究人員不斷對(duì)其提出了各種改進(jìn)和優(yōu)化。

（1）圓形LBP算子：

????????基本的 LBP算子的最大缺陷在于它只覆蓋了一個(gè)固定半徑范圍內(nèi)的小區(qū)域，這顯然不能滿足不同尺寸和頻率紋理的需要。為了適應(yīng)不同尺度的紋理特征，并達(dá)到灰度和旋轉(zhuǎn)不變性的要求，Ojala等對(duì) LBP算子進(jìn)行了改進(jìn)，將 3×3鄰域擴(kuò)展到任意鄰域，并用圓形鄰域代替了正方形鄰域，改進(jìn)后的 LBP算子允許在半徑為 R的圓形鄰域內(nèi)有任意多個(gè)像素點(diǎn)。從而得到了諸如半徑為R的圓形區(qū)域內(nèi)含有P個(gè)采樣點(diǎn)的LBP算子；

（2）LBP旋轉(zhuǎn)不變模式

?????? 從 LBP 的定義可以看出，LBP 算子是灰度不變的，但卻不是旋轉(zhuǎn)不變的。圖像的旋轉(zhuǎn)就會(huì)得到不同的 LBP值。

???????? Maenpaa等人又將 LBP算子進(jìn)行了擴(kuò)展，提出了具有旋轉(zhuǎn)不變性的 LBP算子，即不斷旋轉(zhuǎn)圓形鄰域得到一系列初始定義的 LBP值，取其最小值作為該鄰域的 LBP值。

?????? 圖 2.5 給出了求取旋轉(zhuǎn)不變的 LBP 的過(guò)程示意圖，圖中算子下方的數(shù)字表示該算子對(duì)應(yīng)的 LBP值，圖中所示的 8種 LBP模式，經(jīng)過(guò)旋轉(zhuǎn)不變的處理，最終得到的具有旋轉(zhuǎn)不變性的 LBP值為 15。也就是說(shuō)，圖中的 8種 LBP模式對(duì)應(yīng)的旋轉(zhuǎn)不變的 LBP模式都是 00001111。

（3）LBP等價(jià)模式

?????? 一個(gè)LBP算子可以產(chǎn)生不同的二進(jìn)制模式，對(duì)于半徑為R的圓形區(qū)域內(nèi)含有P個(gè)采樣點(diǎn)的LBP算子將會(huì)產(chǎn)生P²種模式。很顯然，隨著鄰域集內(nèi)采樣點(diǎn)數(shù)的增加，二進(jìn)制模式的種類(lèi)是急劇增加的。例如：5×5鄰域內(nèi)20個(gè)采樣點(diǎn)，有2²⁰＝1,048,576種二進(jìn)制模式。如此多的二值模式無(wú)論對(duì)于紋理的提取還是對(duì)于紋理的識(shí)別、分類(lèi)及信息的存取都是不利的。同時(shí)，過(guò)多的模式種類(lèi)對(duì)于紋理的表達(dá)是不利的。例如，將LBP算子用于紋理分類(lèi)或人臉識(shí)別時(shí)，常采用LBP模式的統(tǒng)計(jì)直方圖來(lái)表達(dá)圖像的信息，而較多的模式種類(lèi)將使得數(shù)據(jù)量過(guò)大，且直方圖過(guò)于稀疏。因此，需要對(duì)原始的LBP模式進(jìn)行降維，使得數(shù)據(jù)量減少的情況下能最好的代表圖像的信息。

????????為了解決二進(jìn)制模式過(guò)多的問(wèn)題，提高統(tǒng)計(jì)性，Ojala提出了采用一種“等價(jià)模式”（Uniform Pattern）來(lái)對(duì)LBP算子的模式種類(lèi)進(jìn)行降維。Ojala等認(rèn)為，在實(shí)際圖像中，絕大多數(shù)LBP模式最多只包含兩次從1到0或從0到1的跳變。因此，Ojala將“等價(jià)模式”定義為：當(dāng)某個(gè)LBP所對(duì)應(yīng)的循環(huán)二進(jìn)制數(shù)從0到1或從1到0最多有兩次跳變時(shí)，該LBP所對(duì)應(yīng)的二進(jìn)制就稱(chēng)為一個(gè)等價(jià)模式類(lèi)。如00000000（0次跳變），00000111（只含一次從0到1的跳變），10001111（先由1跳到0，再由0跳到1，共兩次跳變）都是等價(jià)模式類(lèi)。除等價(jià)模式類(lèi)以外的模式都?xì)w為另一類(lèi)，稱(chēng)為混合模式類(lèi)，例如10010111（共四次跳變）（這是我的個(gè)人理解，不知道對(duì)不對(duì)）。

?????? 通過(guò)這樣的改進(jìn)，二進(jìn)制模式的種類(lèi)大大減少，而不會(huì)丟失任何信息。模式數(shù)量由原來(lái)的2^P種減少為 P ( P-1)+2種，其中P表示鄰域集內(nèi)的采樣點(diǎn)數(shù)。對(duì)于3×3鄰域內(nèi)8個(gè)采樣點(diǎn)來(lái)說(shuō)，二進(jìn)制模式由原始的256種減少為58種，這使得特征向量的維數(shù)更少，并且可以減少高頻噪聲帶來(lái)的影響。

?

2、LBP特征用于檢測(cè)的原理

?????? 顯而易見(jiàn)的是，上述提取的LBP算子在每個(gè)像素點(diǎn)都可以得到一個(gè)LBP“編碼”，那么，對(duì)一幅圖像（記錄的是每個(gè)像素點(diǎn)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“一幅圖片”（記錄的是每個(gè)像素點(diǎn)的LBP值）。

??????? LBP的應(yīng)用中，如紋理分類(lèi)、人臉?lè)治龅?#xff0c;一般都不將LBP圖譜作為特征向量用于分類(lèi)識(shí)別，而是采用LBP特征譜的統(tǒng)計(jì)直方圖作為特征向量用于分類(lèi)識(shí)別。

???????因?yàn)?#xff0c;從上面的分析我們可以看出，這個(gè)“特征”跟位置信息是緊密相關(guān)的。直接對(duì)兩幅圖片提取這種“特征”，并進(jìn)行判別分析的話，會(huì)因?yàn)椤拔恢脹](méi)有對(duì)準(zhǔn)”而產(chǎn)生很大的誤差。后來(lái)，研究人員發(fā)現(xiàn)，可以將一幅圖片劃分為若干的子區(qū)域，對(duì)每個(gè)子區(qū)域內(nèi)的每個(gè)像素點(diǎn)都提取LBP特征，然后，在每個(gè)子區(qū)域內(nèi)建立LBP特征的統(tǒng)計(jì)直方圖。如此一來(lái)，每個(gè)子區(qū)域，就可以用一個(gè)統(tǒng)計(jì)直方圖來(lái)進(jìn)行描述；整個(gè)圖片就由若干個(gè)統(tǒng)計(jì)直方圖組成；

??????? 例如：一幅100*100像素大小的圖片，劃分為10*10=100個(gè)子區(qū)域（可以通過(guò)多種方式來(lái)劃分區(qū)域），每個(gè)子區(qū)域的大小為10*10像素；在每個(gè)子區(qū)域內(nèi)的每個(gè)像素點(diǎn)，提取其LBP特征，然后，建立統(tǒng)計(jì)直方圖；這樣，這幅圖片就有10*10個(gè)子區(qū)域，也就有了10*10個(gè)統(tǒng)計(jì)直方圖，利用這10*10個(gè)統(tǒng)計(jì)直方圖，就可以描述這幅圖片了。之后，我們利用各種相似性度量函數(shù)，就可以判斷兩幅圖像之間的相似性了；

?

3、對(duì)LBP特征向量進(jìn)行提取的步驟

（1）首先將檢測(cè)窗口劃分為16×16的小區(qū)域（cell）；

（2）對(duì)于每個(gè)cell中的一個(gè)像素，將相鄰的8個(gè)像素的灰度值與其進(jìn)行比較，若周?chē)袼刂荡笥谥行南袼刂?#xff0c;則該像素點(diǎn)的位置被標(biāo)記為1，否則為0。這樣，3*3鄰域內(nèi)的8個(gè)點(diǎn)經(jīng)比較可產(chǎn)生8位二進(jìn)制數(shù)，即得到該窗口中心像素點(diǎn)的LBP值；

（3）然后計(jì)算每個(gè)cell的直方圖，即每個(gè)數(shù)字（假定是十進(jìn)制數(shù)LBP值）出現(xiàn)的頻率；然后對(duì)該直方圖進(jìn)行歸一化處理。

（4）最后將得到的每個(gè)cell的統(tǒng)計(jì)直方圖進(jìn)行連接成為一個(gè)特征向量，也就是整幅圖的LBP紋理特征向量；

然后便可利用SVM或者其他機(jī)器學(xué)習(xí)算法進(jìn)行分類(lèi)了。

?

代碼示例（opencv）：

int main() { IplImage* img=cvLoadImage("lena.jpg", 0); IplImage* dst=cvCreateImage(cvGetSize(img),8,1); LBP(img,dst); cvNamedWindow("圖像", 1); cvShowImage("圖像", dst); cvWaitKey(0); cvDestroyAllWindows(); cvReleaseImage(&img); cvReleaseImage(&dst); return 0; }

Reference：

黃非非，基于 LBP 的人臉識(shí)別研究，重慶大學(xué)碩士學(xué)位論文，2009.5

總結(jié)

以上是生活随笔為你收集整理的图像的全局特征--LBP特征的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。