具有Python＆OpenCV的本地二进制模式

1. 效果图
2. 原理
- 2.1 项目结构
- 2.2 数据集构建
- 2.3 什么是本地二进制模式？
3. 源码
参考

这篇博客将介绍如何使用本地二进制模式图像描述符（以及一点机器学习）来自动分类和识别图像中的纹理和模式（例如包装纸，蛋糕糖霜或蜡烛的纹理/模式）。

1. 效果图

效果图如下：能准确的识别出笔记本封面、桌布、地毯、键盘四种纹理不同的物品；

四种不同类型纹理的LBP图与识别图如下：
可以看到纹理还是有极大的不同的~

2. 原理

2.1 项目结构

2.2 数据集构建

随手拿起了相机，拍了触手可及的桌布、键盘、笔记本封面、地毯4种纹理不同的照片各5张；

2.3 什么是本地二进制模式？

本地二进制模式LBPS，是由Ojala等人的工作流行的纹理描述符。

与Haralick纹理功能不同，Haralick纹理功能：基于灰度级共发生矩阵计算纹理的全局表示。而LBPS只计算纹理的局部表示，通过将每个像素与其周围的像素邻域进行比较来构造该本地表示。

构建LBP纹理描述符的第一步是将图像转换为灰度。对于灰度图像中的每个像素，我们选择围绕中心像素的R个附近像素。然后计算该中心像素的LBP值，并存储在输出2D阵列中，其宽度和高度与输入图像相同。

将中心像素（以红色突出显示）并抵靠其邻近8像素的邻居。如果中心像素的强度大于或等于其邻居，则将值设置为1;否则，将其设置为0。周围像素8个，总共有2 ^ 8 = 256个可能的LBP代码组合。

从右上角开始，顺时针0~7，将二进制值转换为十进制值，并填在中心像素值上。

然后对输入图像中的每个像素重复该阈值，累积二进制字符串和存储LBP阵列中的输出十进制值的过程。

最后一步是在输出LBP数组上计算直方图。由于3×3邻域有2 ^ 8 = 256可能的模式，因此LBP 2D阵列具有0的最小值为0和最大值为255，允许将其作为最终特征向量构建LBP代码的256箱直方图：

这个原始LBP实施的主要好处是可以在图像中捕获极其细粒度的细节。但是，能够以这样的小规模捕获细节也是算法的最大缺点——无法以不同的尺度捕获细节，只有固定的3 x 3刻度！

为了处理这一点，Ojala等人提出了对原始LBP实施的扩展。处理变量邻域大小。要考虑可变邻域大小，介绍了两个参数：

循环对称邻域中的点P的数量（从而消除依赖于方形邻域）。
圆圈R的半径，这使我们能够考虑不同的尺度。

可变邻域大小示例：

那么为什么统一的LBP模式如此有趣？简单地说：它们增加了额外的旋转级别和灰度不变性，因此在从图像中提取LBP功能向量时通常使用它们。

本地二进制模式LBPS实现可以在Scikit-Image和Mahotas封装中找到。 OpenCV还实现了LBP，但未公布源码。通常建议使用Lbps的Scikit-Image实现，因为其提供了更多控制要生成的LBP直方图类型。此外，Scikit-Image实现还包括LBP的变体，可提高旋转和灰度不变性。

3. 源码

# USAGE
# python recognize.py --training images/training --testing images/testingimport argparse
import osimport cv2
import imutils
from imutils import paths
# 导入必要的包
from pyimagesearch.localbinarypatterns import LocalBinaryPatterns
from sklearn.svm import LinearSVC# 构建命令行参数及解析
# --training 用于训练模型的图像 4*4 =16
# --testing 用于测试模型的图像 4*1 =4
ap = argparse.ArgumentParser()
ap.add_argument("-t", "--training", required=True,help="path to the training images")
ap.add_argument("-e", "--testing", required=True,help="path to the tesitng images")
args = vars(ap.parse_args())# 初始化本地二进制描述符类，data和类标签list
desc = LocalBinaryPatterns(24, 8)
data = []
labels = []# 遍历训练集图片
for imagePath in paths.list_images(args["training"]):# 加载图像，转换灰度图，提取本地二进制模式image = cv2.imread(imagePath)image = imutils.resize(image, width=400)gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)hist = desc.describe(gray)# 从图像路径中提取类标签，更新data和图像类标签labels.append(imagePath.split(os.path.sep)[-2])data.append(hist)# 在数据上训练线性SVM分类器
model = LinearSVC(C=100.0, random_state=42)
model.fit(data, labels)# 测试分类器的性能和准确性
# 遍历测试数据集
for imagePath in paths.list_images(args["testing"]):# 加载图像，转换灰度图，提取分类本地二进制描述符即纹理image = cv2.imread(imagePath)image = imutils.resize(image, width=400)gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)hist = desc.describe(gray, imagePath)prediction = model.predict(hist.reshape(1, -1))# 展示图像和预测结果cv2.putText(image, prediction[0], (10, 30), cv2.FONT_HERSHEY_SIMPLEX,1.0, (0, 0, 255), 3)cv2.imshow("Image " + str(imagePath), image)cv2.waitKey(0)

参考

https://www.pyimagesearch.com/2015/12/07/local-binary-patterns-with-python-opencv/