原文地址：http://blog.csdn.net/xpplearnc/article/details/40658211

　　没有看LBP之前觉得它很神秘，看完了之后也就那么回事，不过提出LBP的人确实很伟大！！

　　LBP（Local 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, 和D. Harwood 在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；

1、LBP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；

（2）LBP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 种 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 种 LBP 模式对应的旋转不变的 LBP 模式都是00001111。

（3）LBP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2P2P2^P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2202202^{20}＝1,048,576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1到0或从0到1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0到1或从1到0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。如00000000（0次跳变），00000111（只含一次从0到1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2P2P2^P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。

2、LBP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）。

　　从上图可以看出LBP对光照具有很强的鲁棒性
　　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

4 opencv中如何提取LBP特征

（1） opencv1.0中LBP的实现-原始LBP特征

　　从下面的实现过程可以看出，忽略了边缘的影响，而且dst必须是提前分配好的，与src尺寸一致的图像

//基于旧版本的opencv的LBP算法opencv1.0
void LBP (IplImage *src,IplImage *dst)
{  int tmp[8]={0};  CvScalar s;  IplImage * temp = cvCreateImage(cvGetSize(src), IPL_DEPTH_8U,1);  uchar *data=(uchar*)src->imageData;  int step=src->widthStep;  // 图像位宽cout<<"step"<<step<<endl;  for (int i=1;i<src->height-1;i++)  for(int j=1;j<src->width-1;j++)  {  int sum=0;  if(data[(i-1)*step+j-1]>data[i*step+j])  // 左上角tmp[0]=1;  if(data[i*step+(j-1)]>data[i*step+j])   // 上方tmp[1]=1;  if(data[(i+1)*step+(j-1)]>data[i*step+j])  // 右上角tmp[2]=1;  if (data[(i+1)*step+j]>data[i*step+j])  // 右侧tmp[3]=1;  if (data[(i+1)*step+(j+1)]>data[i*step+j])  // 右下角tmp[4]=1;  if(data[i*step+(j+1)]>data[i*step+j])  // 下方tmp[5]=1;  if(data[(i-1)*step+(j+1)]>data[i*step+j])  // 左下角tmp[6]=1;  if(data[(i-1)*step+j]>data[i*step+j])  // 左侧tmp[7]=1;  //计算LBP编码  s.val[0]=(tmp[0]*1+tmp[1]*2+tmp[2]*4+tmp[3]*8+tmp[4]*16+tmp[5]*32+tmp[6]*64+tmp[7]*128);  cvSet2D(dst,i,j,s);写入LBP图像  }
}

（2）后期版本的LBP

a 圆形LBP算子

// src为输入图像，dst为输出图像，radius为半径，neighbor为计算当前点LBP所需的邻域像素点数，也就是样本点个数
template <typename _Tp> static // 模板函数，根据不同的原始数据类型得到不同的结果
inline void elbp_(InputArray _src, OutputArray _dst, int radius, int neighbors)
{//get matricesMat src = _src.getMat();// allocate memory for result因此不用在外部给_dst分配内存空间，输出数据类型都是int_dst.create(src.rows-2*radius, src.cols-2*radius, CV_32SC1);Mat dst = _dst.getMat();// zerodst.setTo(0);for(int n=0; n<neighbors; n++) {// sample points 获取当前采样点float x = static_cast<float>(-radius) * sin(2.0*CV_PI*n/static_cast<float>(neighbors));float y = static_cast<float>(radius) * cos(2.0*CV_PI*n/static_cast<float>(neighbors));// relative indices 下取整和上取整int fx = static_cast<int>(floor(x)); // 向下取整int fy = static_cast<int>(floor(y));int cx = static_cast<int>(ceil(x));  // 向上取整int cy = static_cast<int>(ceil(y));// fractional part 小数部分float tx = x - fx;float ty = y - fy;// set interpolation weights 设置四个点的插值权重float w1 = (1 - tx) * (1 - ty);float w2 =      tx  * (1 - ty);float w3 = (1 - tx) *      ty;float w4 =      tx  *      ty;// iterate through your data 循环处理图像数据for(int i=radius; i < src.rows-radius;i++) {for(int j=radius;j < src.cols-radius;j++) {// calculate interpolated value 计算插值，t表示四个点的权重和float t = w1*src.at<_Tp>(i+fy,j+fx) +
w2*src.at<_Tp>(i+fy,j+cx) +
w3*src.at<_Tp>(i+cy,j+fx) +
w4*src.at<_Tp>(i+cy,j+cx);// floating point precision, so check some machine-dependent epsilon// std::numeric_limits<float>::epsilon()=1.192092896e-07F// 当t>=src(i,j)的时候取1，并进行相应的移位dst.at<int>(i-radius,j-radius) += ((t > src.at<_Tp>(i,j)) || (std::abs(t-src.at<_Tp>(i,j)) < std::numeric_limits<float>::epsilon())) << n;}}}
}// 外部接口，根据不同的数据类型调用模板函数
static void elbp(InputArray src, OutputArray dst, int radius, int neighbors)
{int type = src.type();switch (type) {case CV_8SC1:   elbp_<char>(src,dst, radius, neighbors); break;case CV_8UC1:   elbp_<unsigned char>(src, dst, radius, neighbors); break;case CV_16SC1:  elbp_<short>(src,dst, radius, neighbors); break;case CV_16UC1:  elbp_<unsigned short>(src,dst, radius, neighbors); break;case CV_32SC1:  elbp_<int>(src,dst, radius, neighbors); break;case CV_32FC1:  elbp_<float>(src,dst, radius, neighbors); break;case CV_64FC1:  elbp_<double>(src,dst, radius, neighbors); break;default:string error_msg = format("Using Circle Local Binary Patterns for feature extraction only works                                     on single-channel images (given %d). Please pass the image data as a grayscale image!", type);CV_Error(CV_StsNotImplemented, error_msg);break;}
}
Mat cv::elbp(InputArray src, int radius, int neighbors) {Mat dst;elbp(src, dst, radius, neighbors);return dst;
}

b 原始LBP算子

// 原始LBP算子只是计算8邻域内的局部二值模式
template <typename _Tp> static
void olbp_(InputArray _src, OutputArray _dst) {// get matricesMat src = _src.getMat();// allocate memory for result_dst.create(src.rows-2, src.cols-2, CV_8UC1);Mat dst = _dst.getMat();// zero the result matrixdst.setTo(0);// calculate patternsfor(int i=1;i<src.rows-1;i++) {for(int j=1;j<src.cols-1;j++){_Tp center = src.at<_Tp>(i,j);unsigned char code = 0;code |= (src.at<_Tp>(i-1,j-1) >= center) << 7;code |= (src.at<_Tp>(i-1,j) >= center) << 6;code |= (src.at<_Tp>(i-1,j+1) >= center) << 5;code |= (src.at<_Tp>(i,j+1) >= center) << 4;code |= (src.at<_Tp>(i+1,j+1) >= center) << 3;code |= (src.at<_Tp>(i+1,j) >= center) << 2;code |= (src.at<_Tp>(i+1,j-1) >= center) << 1;code |= (src.at<_Tp>(i,j-1) >= center) << 0;dst.at<unsigned char>(i-1,j-1) = code;}}
}
// 外部接口，根据不同的数据类型调用模板函数
void cv::olbp(InputArray src, OutputArray dst) {switch (src.getMat().type()) {case CV_8SC1:   olbp_<char>(src,dst); break;case CV_8UC1:   olbp_<unsigned char>(src,dst); break;case CV_16SC1:  olbp_<short>(src,dst); break;case CV_16UC1:  olbp_<unsigned short>(src,dst); break;case CV_32SC1:  olbp_<int>(src,dst); break;case CV_32FC1:  olbp_<float>(src,dst); break;case CV_64FC1:  olbp_<double>(src,dst); break;default: string error_msg = format("Using Original Local Binary Patterns for feature extraction only works                                     on single-channel images (given %d). Please pass the image data as a grayscale image!", type);CV_Error(CV_StsNotImplemented, error_msg);break;}
}
Mat cv::olbp(InputArray src) {Mat dst;olbp(src, dst);return dst;
}

　　注意：
　　1 Opencv1.0中原始LBP在处理相等的时候按照0进行处理，而在Opencv以后的版本中是按照1进行处理的
　　2 opencv1.0中输出LBP Map与源图像同等尺寸，而opencv以后的版本中原始LBP算子输出的结果比原始图像长宽上各小2个像素
　　3 对于elbp中当radius=1,neighbor=8的时候和olbp得到的结果不是一样的，实验结果如下：

　　第三张图像为radius=2,neighbor=16的elbp图像
　　第四张图像为radius=2,neighbor=8的elbp图像
　　从上面的结果可以看出，选择不同的radius和neighbor有很大的差别

(3) 计算整幅图像的LBPH

// 计算LBPM的空间直方图分布，得到一个一维向量
// src为LBPM是通过olbp或者elbp计算得到的
// numPatterns为计算LBP的模式数目，一般为2的幂
// grid_x和grid_y分别为每行或每列的block个数
// normed为是否进行归一化处理
static Mat spatial_histogram(InputArray _src, int numPatterns,int grid_x, int grid_y, bool normed)
{Mat src = _src.getMat();// allocate memory for the spatial histogram为LBPH分配内存空间Mat result = Mat::zeros(grid_x * grid_y, numPatterns, CV_32FC1);// return matrix with zeros if no data was given，如果没有输入数据，返回的是0if(src.empty())return result.reshape(1,1);// calculate LBP patch size block的尺寸int width = src.cols/grid_x;int height = src.rows/grid_y;// initial result_row 初始化结果行int resultRowIdx = 0;// iterate through gridfor(int i = 0; i < grid_y; i++) {for(int j = 0; j < grid_x; j++){// 获取指定区域Mat src_cell = Mat(src, Range(i*height,(i+1)*height), Range(j*width,(j+1)*width));// 计算指定区域的直方图Mat cell_hist = histc(src_cell, 0, (numPatterns-1), true);// copy to the result matrix 将计算得到的结果拷贝到每一行Mat result_row = result.row(resultRowIdx);cell_hist.reshape(1,1).convertTo(result_row, CV_32FC1);// increase row count in result matrixresultRowIdx++;}}// return result as reshaped feature vectorreturn result.reshape(1,1);
}

（4）从image到LBPH

int radius = 1;
int neighbor = 8;
Mat lbp_image = elbp(cv::cvarrToMat(m_refFaceImg), radius, neighbor); //robust performance
Mat query = spatial_histogram(
lbp_image, /* lbp_image */
m_numPatterns, /* number of possible patterns可为static_cast<int>(std::pow(2.0, static_cast<double>(_neighbors)))*/
m_grid_x, /* grid size x */
m_grid_y, /* grid size y */
true /* normed histograms */
);

LBP原理介绍以及算法实现相关推荐

均匀不变lbp算法c语言代码,LBP原理介绍以及算法实现
有些读者可能会觉得奇怪,上次推送怎么就突然说起了双线性插值而不是继续介绍经典人脸识别的算法,其实是因为在学习圆形LBP算子的时候发现需要用到双线性插值于是顺带介绍了一下.(因为个人原因没经常看公众号的 ...
GAT 算法原理介绍与源码分析
GAT 算法原理介绍与源码分析文章目录 GAT 算法原理介绍与源码分析零. 前言 (与正文无关, 请忽略) 广而告之一. 文章信息二. 核心观点三. 核心观点解读四. 源码分析 4.1 G ...
目标检测—SSD系列算法原理介绍
一.SSD系列算法原理介绍 1.1 SSD算法介绍: ➢Single Shot MultiBox Detector (one-stage方法) ●Wei Liu在EC ...
常见的推荐算法原理介绍
常见的推荐算法原理介绍,随着互联网的发展短视频运营越来越精准化,我们身边常见的抖音.火山小视频等软件让你刷的停不下来,这些软件会根据你的浏览行为推荐你感兴趣的相关内容,这就用到了很多推荐算法在里面. ...
最差性能最优波束形成算法原理介绍及MATLAB实现
原理介绍标准的Capon波束形成是最小化阵列输出功率,并且对期望信号无失真接收来达到最大化输出信干噪比的目的.但是当真实导向矢量未知且存在一个不确定集中时,为了对真实导向矢量设置无失真响应约束,最差 ...
【机器学习】5：谱聚类算法原理介绍
前言:学习谱聚类,最好有一些图论.矩阵分解(SVD)方面的知识,这样会更加有利于谱聚类的学习.当然,谱聚类理解起来并不困难,实际操作也大多是谱聚类+K-means聚类联合使用的. –--------- ...
heartbeat原理介绍
heartbeat原理介绍 HeartBeat运行于备用主机上的Heartbeat可以通过以太网连接检测主服务器的运行状态,一旦其无法检测到主服务器的"心跳"则自动接管主服务器的资 ...
kafka集群原理介绍
kafka集群原理介绍 @(KAFKA)[kafka, 大数据] kafka集群原理介绍一基础理论二配置文件一java调优二参数说明三错误处理四zookeeper中的内容 1brokers ...
spark之2：原理介绍
spark之2:原理介绍 @(SPARK)[spark, 大数据] 1.spark是一个基于内存计算的开源的集群计算系统,目的是让数据分析更加快速.因此运行spark的机器应该尽量的大内存,如96G以 ...
ResourceManager中的Resource Estimator框架介绍与算法剖析
欢迎大家前往腾讯云+社区,获取更多腾讯海量技术实践干货哦~ 本文由宋超发表于云+社区专栏本文首先介绍了Hadoop中的ResourceManager中的estimator service的框架与运行 ...

LBP原理介绍以及算法实现

1、LBP特征的描述

LBP的改进版本：

（1）圆形LBP算子：

（2）LBP旋转不变模式

（3）LBP等价模式

2、LBP特征用于检测的原理

3、对LBP特征向量进行提取的步骤

4 opencv中如何提取LBP特征

（1） opencv1.0中LBP的实现-原始LBP特征

（2）后期版本的LBP

a 圆形LBP算子

b 原始LBP算子

(3) 计算整幅图像的LBPH

（4）从image到LBPH

LBP原理介绍以及算法实现相关推荐

最新文章

热门文章

LBP原理介绍以及算法实现

1、LBP特征的描述

LBP的改进版本：

（1）圆形LBP算子：

（2）LBP旋转不变模式

（3）LBP等价模式

2、LBP特征用于检测的原理

3、对LBP特征向量进行提取的步骤

4 opencv中如何提取LBP特征

（1） opencv1.0中LBP的实现-原始LBP特征

（2）后期版本的LBP

a 圆形LBP算子

b 原始LBP算子

(3) 计算整幅图像的LBPH

（4） 从image到LBPH

LBP原理介绍以及算法实现相关推荐

最新文章

热门文章

（4）从image到LBPH