十一、LBP特征

原始：以中心為閾值，相鄰8個像素的灰度值與其進行比較

• 若周圍像素值大于等于中心，標記為1
• 若小于中心，標記為0
• 周圍八個點產生8位二進制數就為LBP值，(0,255)

圓形化改進：

• 為了能夠適應更多范圍，改為半徑位r的圓

• 由于這樣會導致坐標可能不是整數

  • 所以通過雙線性插值法得到該采樣點的坐標

• LBP等價模式

  • 對于P個采樣點的LBP算子會產生2的P次方種模式，為了解決二進制模式過多的問題，需要通過等價模式(0-2次轉跳)進行降維
  • 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）都是等價模式類， 除等價模式類以外的模式都歸為另一類，稱為混合模式類，例如10010111(共四次跳變)
  • 這樣由原來的2的P次方減少為P(P-1)+2種
  • 混合模式的編碼為0

• 檢測原理

  • 一般用LBP特征譜的統計直方圖作為特征向量用于分類識別
  • 如果對于100×100像素圖片，劃分為10×10的子區域，也就有10×10個統計直方圖
  • 通過相似性度量函數度量兩幅圖之間的相似性

• MB—LBP特征

  • 小區域的灰度平均值作為小區域的灰度值
  • 與周圍小區域灰度進行比較形成LBP特征

• LBPH——圖像的LBP特征向量

  • 計算圖像的LBP特征圖像
  • 計算每塊區域特征圖像的直方圖cell_LBPH，將直方圖進行歸一化
  • 將每塊區域的直方圖按空間順序依次排列成一行，形成LBP特征向量
  • 對LBP特征向量進行訓練從而檢測和表示目標

• 在獲取每一個小塊(cell)后，對其進行直方圖統計后，再進行歸一化處理，最后將所有小塊的直方圖拼接在一起作為本圖片的特征數據

總結

以上是生活随笔為你收集整理的机器学习——LBP特征的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。