鸿 网 互 联 www.68idc.cn

当前位置 : 主页 > 数据库 > mysql > >

图像处理之图像特征提取之(二)LBP特征

来源:互联网 作者:佚名 时间:2016-06-21 11:35
LBP ( Local Binary Pattern ,局部二模式)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.Pietik?inen, 和 D. Harwood 在 1994 年提出,用于纹理特征提

  LBPLocal 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.Pietik?inen, D. Harwood 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;

1LBP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;

2LBP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  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 LBP 模式对应的旋转不变的 LBP模式都是00001111

3LBP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2201,048,576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10或从01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01或从10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。000000000次跳变),00000111(只含一次从01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2P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。

 

2LBP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。


4、opencv LBP特征提取

一)一般的LBP,256维

[cpp] view plain copy  在CODE上查看代码片派生到我的代码片
  1. //====================================================================    
  2. // 作者   : quarryman    
  3. // 邮箱   : quarrying{at}qq.com    
  4. // 主页   : http://blog.csdn.net/quarryman    
  5. // 日期   : 2013年08月11日    
  6. // 描述   : 实现一般的LBP    
  7. //====================================================================    
  8. #include <cv.h>  
  9. #include <highgui.h>  
  10.   
  11. void LBP(IplImage* src, IplImage* dst)  
  12. {  
  13.     int width=src->width;  
  14.     int height=src->height;  
  15.     for(int j=1;j<width-1;j++)  
  16.     {  
  17.         for(int i=1;i<height-1;i++)  
  18.         {  
  19.             uchar neighborhood[8]={0};  
  20.             neighborhood[7] = CV_IMAGE_ELEM( src, uchar, i-1, j-1);  
  21.             neighborhood[6] = CV_IMAGE_ELEM( src, uchar, i-1, j);  
  22.             neighborhood[5] = CV_IMAGE_ELEM( src, uchar, i-1, j+1);  
  23.             neighborhood[4] = CV_IMAGE_ELEM( src, uchar, i, j-1);  
  24.             neighborhood[3] = CV_IMAGE_ELEM( src, uchar, i, j+1);  
  25.             neighborhood[2] = CV_IMAGE_ELEM( src, uchar, i+1, j-1);  
  26.             neighborhood[1] = CV_IMAGE_ELEM( src, uchar, i+1, j);  
  27.             neighborhood[0] = CV_IMAGE_ELEM( src, uchar, i+1, j+1);  
  28.             uchar center = CV_IMAGE_ELEM( src, uchar, i, j);  
  29.             uchar temp=0;  
  30.   
  31.             for(int k=0;k<8;k++)  
  32.             {  
  33.                 temp+=(neighborhood[k]>=center)<<k;  
  34.             }  
  35.             CV_IMAGE_ELEM( dst, uchar, i, j)=temp;  
  36.         }  
  37.     }  
  38. }  
  39.   
  40. int main()  
  41. {  
  42.     IplImage* img=cvLoadImage("lena.jpg", 0);  
  43.     IplImage* dst=cvCreateImage(cvGetSize(img),8,1);  
  44.     LBP(img,dst);  
  45.     cvNamedWindow("图像", 1);  
  46.     cvShowImage("图像", dst);  
  47.     cvWaitKey(0);  
  48.     cvDestroyAllWindows();  
  49.     cvReleaseImage(&img);  
  50.     cvReleaseImage(&dst);  
  51.   
  52.     return 0;  
  53. }  
结果图像为:


二)Uniform Pattern的LBP,将256维降为59维。
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Uniform Pattern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。

代码一:

[cpp] view plain copy  在CODE上查看代码片派生到我的代码片
  1. #include <stdio.h>  
  2. typedef unsigned char uchar;  
  3. int getHopCount(uchar i)  
  4. {  
  5.     int a[8]={0};  
  6.     int k=7;  
  7.     int cnt=0;  
  8.     while(i)  
  9.     {  
  10.         a[k]=i&1;  
  11.         i>>=1;  
  12.         --k;  
  13.     }  
  14.     for(int k=0;k<8;++k)  
  15.     {  
  16.         if(a[k]!=a[k+1==8?0:k+1])  
  17.         {  
  18.             ++cnt;  
  19.         }  
  20.     }  
  21.     return cnt;  
  22. }  
  23.   
  24. int main()    
  25. {  
  26.     int cnt[9]={0};  
  27.     for(int i=0;i<256;++i)  
  28.     {  
  29.         cnt[getHopCount(i)]++;  
  30.     }  
  31.     for(int i=0;i<9;++i)  
  32.     {  
  33.         printf("跳变%d次的数目:%d\n",i,cnt[i]);  
  34.     }  
  35.     return 0;   
  36. }  

输出结果为:
跳变0次的数目:2
跳变1次的数目:0
跳变2次的数目:56
跳变3次的数目:0
跳变4次的数目:140
跳变5次的数目:0
跳变6次的数目:56
跳变7次的数目:0
跳变8次的数目:2
可见:56+2+1==59,所以有59维。

代码二:

[cpp] view plain copy  在CODE上查看代码片派生到我的代码片
  1. //====================================================================    
  2. // 作者   : quarryman    
  3. // 邮箱   : quarrying{at}qq.com    
  4. // 主页   : http://blog.csdn.net/quarryman    
  5. // 日期   : 2013年08月11日    
  6. // 描述   : Uniform Pattern的LBP    
  7. //====================================================================   
  8. #include <cv.h>  
  9. #include <highgui.h>  
  10.   
  11. int getHopCount(uchar i)  
  12. {  
  13.     int a[8]={0};  
  14.     int k=7;  
  15.     int cnt=0;  
  16.     while(i)  
  17.     {  
  18.         a[k]=i&1;  
  19.         i>>=1;  
  20.         --k;  
  21.     }  
  22.     for(int k=0;k<8;++k)  
  23.     {  
  24.         if(a[k]!=a[k+1==8?0:k+1])  
  25.         {  
  26.             ++cnt;  
  27.         }  
  28.     }  
  29.     return cnt;  
  30. }  
  31.   
  32. void lbp59table(uchar* table)  
  33. {  
  34.     memset(table,0,256);  
  35.     uchar temp=1;  
  36.     for(int i=0;i<256;++i)  
  37.     {  
  38.         if(getHopCount(i)<=2)  
  39.         {  
  40.             table[i]=temp;  
  41.             temp++;  
  42.         }  
  43.         // printf("%d\n",table[i]);  
  44.     }  
  45. }  
  46.   
  47. void LBP(IplImage* src, IplImage* dst)  
  48. {  
  49.     int width=src->width;  
  50.     int height=src->height;  
  51.     uchar table[256];  
  52.     lbp59table(table);  
  53.     for(int j=1;j<width-1;j++)  
  54.     {  
  55.         for(int i=1;i<height-1;i++)  
  56.         {  
  57.             uchar neighborhood[8]={0};  
  58.             neighborhood[7] = CV_IMAGE_ELEM( src, uchar, i-1, j-1);  
  59.             neighborhood[6] = CV_IMAGE_ELEM( src, uchar, i-1, j);  
  60.             neighborhood[5] = CV_IMAGE_ELEM( src, uchar, i-1, j+1);  
  61.             neighborhood[4] = CV_IMAGE_ELEM( src, uchar, i, j+1);  
  62.             neighborhood[3] = CV_IMAGE_ELEM( src, uchar, i+1, j+1);  
  63.             neighborhood[2] = CV_IMAGE_ELEM( src, uchar, i+1, j);  
  64.             neighborhood[1] = CV_IMAGE_ELEM( src, uchar, i+1, j-1);  
  65.             neighborhood[0] = CV_IMAGE_ELEM( src, uchar, i, j-1);  
  66.             uchar center = CV_IMAGE_ELEM( src, uchar, i, j);  
  67.             uchar temp=0;  
  68.   
  69.             for(int k=0;k<8;k++)  
  70.             {  
  71.                 temp+=(neighborhood[k]>=center)<<k;  
  72.             }  
  73.             //CV_IMAGE_ELEM( dst, uchar, i, j)=temp;  
  74.             CV_IMAGE_ELEM( dst, uchar, i, j)=table[temp];  
  75.         }  
  76.     }  
  77. }  
  78.   
  79. int main()  
  80. {  
  81.     IplImage* img=cvLoadImage("lena.jpg", 0);  
  82.     IplImage* dst=cvCreateImage(cvGetSize(img),8,1);  
  83.     LBP(img,dst);  
  84.     cvNamedWindow("图像", 1);  
  85.     cvShowImage("图像", dst);  
  86.     cvWaitKey(0);  
  87.     cvDestroyAllWindows();  
  88.     cvReleaseImage(&img);  
  89.     cvReleaseImage(&dst);  
  90.   
  91.     return 0;  
  92. }  
输出图像为:



网友评论