机器学习——LBP特征
生活随笔
收集整理的這篇文章主要介紹了
机器学习——LBP特征
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
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。
- 上一篇: MIKE水动力笔记10_潮汐调和分析与绘
- 下一篇: 豆丁网免费下载软件(冰点非常好用)