LBP特征.docxVIP

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。?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