lbp

LBP等价模式

      考察LBP算子的定义可知，一个LBP算子可以产生多种二进制模式（p个采样点）如：3x3邻域有p=8个采样点，则可得到2^8=256种二进制模式；5x5邻域有p=24个采样点，则可得到2^24=16777216种二进制模式，以此类推......。显然，过多的二进制模式无论对于纹理的提取还是纹理的识别、分类及信息存取都是不利的，在实际应用中不仅要求采用的算子尽量简单，同时也要考虑到计算速度、存储量大小等问题。因此需要对原始的LBP模式进行降维。

      Ojala提出一种“等价模式”（Uniform Pattern）来对LBP算子进行降维，Ojala等认为图像中，某个局部二进制模式所对应的循环二进制数从0—>1或从1—>0，最多有两次跳变，该局部二进制模式所对应的二进制就成为一个等价模式。

如00000000,00111000,10001111,11111111等都是等价模式类。判断一个二进制模式是否为等价模式最简单的办法就是将LBP值与其循环移动一位后的值进行按位相与，计算得到的二进制数中1的个数，若个数小于或等于2，则是等价模式；否则，不是。除了等价模式以外的模式都归一一类，称为混合模式类，例如10010111（共四次跳变）。

　　跳变的计算方法：如10010111，首先第一二位10，由1—>0跳变一次；第二、三位00，没有跳变；第三、四位01，由0—>1跳变一次，第四、五位10，由1—>0跳变一次；第五六位01，由0—>1跳变一次；第六七位11，没有跳变；第七八位11，没有跳变；第八位和第一位11，没有跳变；故总共跳变4次。

       通过这种改进，二进制模式的种类大大减少，而不会丢失任何信息，模式种类由原来的2^p减少为p*(p-1)+2种。

       但等价模式代表了图像的边缘、斑点、角点等关键模式，等价模式占了总模式中的绝大多数，所以极大的降低了特征维度。利用这些等价模式和混合模式类直方图，能够更好地提取图像的本质特征。

 1、LBPFeature.h

#include <iostream>#include <opencv2/opencv.hpp>using namespace std;using namespace cv;class LBPFeature{public:    //LBP     uchar table[256];//查找表    Mat LbpImg;//Lbp图像    Mat Lbp59Mat;    //返回的mat是一个59维的矩阵  32FC1;public:        int getHopCount(int i);// 获取i中0,1的跳变次数    void lbp59table(uchar *table);// 降维数组 由256->59      void uniformLBP(Mat &image, Mat &LbpImg, Mat &Lbp59Mat, uchar *table);//得到等价模式lbp值    LBPFeature(void);    ~LBPFeature(void);};

2、LBPFeature.cpp

#include <iostream>#include <opencv2/opencv.hpp>#include "LBPFeature.h"using namespace std;using namespace cv;//*******获取图像的lbp值 等价模式******LBPFeature::LBPFeature(void){}LBPFeature::~LBPFeature(void){}// 获取i中0,1的跳变次数int LBPFeature::getHopCount(int i){        int a[8] = { 0 };    int cnt = 0;    int k = 7;    // 转换为二进制    while (i)    {        // 除2取余  a[k] = i % 2;        a[k] = i & 1;        // 除2取整  i/=2;        i = i >> 1;        --k;    }    // 计算跳变次数    for (k = 0; k < 7; k++)    {        if (a[k] != a[k + 1])        {            ++cnt;        }    }    // 注意，是循环二进制,所以需要判断是否为8    if (a[0] != a[7])    {        ++cnt;    }    return cnt;}// 建立等价模式表 void LBPFeature::lbp59table(uchar *table){    //将已开辟内存空间 为256的table的值赋值为0。    memset(table, 0, 256);    uchar temp = 1;    for (int i = 0; i < 256; i++)    {        // 跳变次数<=2 的为非0值          if (getHopCount(i) <= 2)            {            table[i] = temp;            temp++;        }    }}//降维数组 由256->59void LBPFeature::uniformLBP(Mat &image, Mat &LbpImg, Mat &Lbp59Mat, uchar *table){    Lbp59Mat = Mat::zeros(1, 59, CV_32FC1);    float saveResult[59] = { 0.0 };    LbpImg.create(Size(image.cols, image.rows), image.type());    for (int y = 1; y < image.rows - 1; y++)    {        for (int x = 1; x < image.cols - 1; x++)        {            //得到邻域像素值            uchar neighbor[8] = { 0 };            neighbor[0] = image.at<uchar>(y - 1, x - 1);            neighbor[1] = image.at<uchar>(y - 1, x);            neighbor[2] = image.at<uchar>(y - 1, x + 1);            neighbor[3] = image.at<uchar>(y, x + 1);            neighbor[4] = image.at<uchar>(y + 1, x + 1);            neighbor[5] = image.at<uchar>(y + 1, x);            neighbor[6] = image.at<uchar>(y + 1, x - 1);            neighbor[7] = image.at<uchar>(y, x - 1);            //得到中心像素值            uchar center = image.at<uchar>(y, x);            uchar temp = 0;            for (int k = 0; k < 8; k++)            {                // 计算LBP的值                 temp += (neighbor[k] >= center)* (1 << k);               }            //  降为59维空间              LbpImg.at<uchar>(y, x) = table[temp];                           int value = LbpImg.at<uchar>(y, x);            for (int k = 0;k<59;k++)            {                if (value == k)                {                    saveResult[k                    ]++;                }            }        }    }    for (int i = 0;i<59;i++)    {        float v59 = saveResult[i];        Lbp59Mat.at<float>(0, i) = v59;    }}

（二）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：

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。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。

 

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）。

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。