LBP特征

整理以下地址的文章和论文：

http://blog.csdn.net/zouxy09/article/details/7929531

http://www.cnblogs.com/tiandsp/archive/2013/03/19/2969877.html

http://blog.csdn.net/pi9nc/article/details/18623971

http://blog.csdn.net/u012507022/article/details/51602916

代码下载官网：http://www.cse.oulu.fi/CMV/Downloads/LBPMatlab

论文：http://www.ee.oulu.fi/research/mvmp/mvg/files/pdf/pdf_94.pdf

有点疑惑，为什么从word黏贴到CSDN来，图片要一张一张额外弄？写起来好麻烦...

有什么简单的方法，能够一键复制吗？

LBP特征

  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：

这样中间点的像素值就用241来代替。注意这里的计算LBP的顺序并没有硬性要求，只是一个量化公式，在同一处理中保持相同的顺序即可。

 

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。

中心点对应的领域值。

1

2

4

128

中心点

8

64

32

16

这样计算出来的LBP共有36种，分布情况如下面两幅图：

（3）均匀LBP（Uniform Patterm）

       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P²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2²⁰＝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。这里考虑跳变的时候是考虑环状的，具体可以见（4）中的公式

计算对应位置P=0到P=7的跳变+P=1到P=7之间的跳变

       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。均匀模式中要求变化次数<=2，所有的8位二进制数中共有58(变化次数为0的有2种，变化次数为1的有0种，变化次数为2的有P(P-1),即56种)个uniform pattern。（考虑一个圆环只有一个黑点的时候有8种变化，两个黑点也有8种，三个..8种，一直到7个黑点...8种，一共是8*7种，额外再全白，全黑2种，共58种）

模式数量由原来的2^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。

（4） 旋转不变均匀LBP

在均匀的基础上，加入之前的旋转不变特性，旋转不变均匀模式仅p+1类,所有非均匀模式归为1类， 按照这种方式,最后用于表示整幅纹理图像的旋转不变LBP描述子的直方图矢量特征仅 p + 2 维， 显著低于之前讨论的 3 种 LBP 描述子。Ojala 等人通过大量旋转不变和光照不变纹理分类实验， 得出旋转不变均匀LBP描述子不仅具有最低的特征维数，在保持满意的特征鉴别力的同时具有较好的旋转不变性能和灰度尺度不变性能， 因此该描述子得到后续研究者的青睐。在标准的 LBP 描述子应用中， 通常采用旋转不变均匀LBP描述子。

（5）机器学习中使用LBP作为特征

一幅图像具体的计算LBPH的过程（以Opencv中的人脸识别为例）： 
1. 计算图像的LBP特征图像，在上面已经讲过了。 
2. 将LBP特征图像进行分块，Opencv中默认将LBP特征图像分成8行8列64块区域 
3. 计算每块区域特征图像的直方图cell_LBPH，将直方图进行归一化，直方图大小为1*numPatterns 
4. 将上面计算的每块区域特征图像的直方图按分块的空间顺序依次排列成一行，形成LBP特征向量，大小为1*（numPatterns*64） 
5. 用机器学习的方法对LBP特征向量进行训练，用来检测和识别目标 
举例说明LBPH的维度： 
采样点为8个，如果用的是原始的LBP或Extended LBP特征，其LBP特征值的模式为256种，则一幅图像的LBP特征向量维度为：64*256=16384维， 
而如果使用的UniformPatternLBP特征，其LBP值的模式为59种，其特征向量维度为：64*59=3776维，可以看出，使用等价模式特征，其特征向量的维度大大减少， 

这意味着使用机器学习方法进行学习的时间将大大减少，而性能上没有受到很大影响。