图像特征— —LBP特征

概念

LBP（Local Binary Pattern, 局部二值模式）是一种用于表征图像局部纹理特性的运算符，在旋转变换和平移操作下均保持其不变性。它通常被应用于纹理特征提取过程，并能有效地反映图像中各区域的空间细节信息。

LBP特征

基于经典图像处理理论中的一种纹理特征提取方法中的一种关键算子定义而言，在3×3尺寸的小邻域窗口内以中心像素灰度值作为基准对周边8个相邻像素进行比较分析。具体而言，在计算其与邻域内各像素灰度值的关系时，若邻域内某像素点的灰度值高于中心像素，则对应位置标记为1；反之则标记为0。经过对这8个比较结果进行综合分析后会得到一个8位二进制序列（通常转换为十进制编码即LBP码共计256种可能性），从而确定该区域对应的纹理特征描述符，并将其赋予权重进而用于后续特征识别任务中。

改进LBP特征

（1）圆形LBP算子：

基本LBP算法的主要局限性在于其仅能覆盖一个固定大小的空间区域这一事实明显制约了其应用效果

（2）旋转不变LBP模式

持续转动圆形邻域以生成一系列基于初始定义的 LBP 值，并选取这些值中的最小者作为该邻域的 LBP 值。

该流程图详细展示了实现旋转不变LBP的方法。其中，在流程图中标注了各运算子对应的LBP特征数值。具体而言，在流程图中展示了8种不同的LBP特征模式。这些LBP特征经过旋转变换后的对应关系被优化处理后得到了具有旋转变换特性的结果数值为15的结果。以上所述的所有8种原始LBP模式，在经过旋转变换后的对应特征均被转换为了00001111的形式。

（3）LBP等价模式

单一LBP算子能够生成多样化的二进制模式。对于半径为R圆形区域中包含P个采样点的情况，则会产生具有P²种二进制模式。可以看出，在采样点数量增加时，二进制模式的数量急剧上升。例如，在5×5邻域内有20个采样点时会生成2²⁰=1,048,576种二进制模式。如此之多的二值表示不仅在提取纹理时，在识别、分类以及信息存取方面也会造成困难。同时，在减少数据量的同时最好能充分反映图像的信息

为了解决二进制模式数量过多导致的问题，并提升统计效果，在LBP算子模式种类上进行了降维处理。研究发现，在实际应用中大多数LBP模式仅包含不超过两次的状态变化（即从1到0或从0到1的变化）。为此我们提出了"等价模式"概念：当且仅当某个LBP对应的循环二进制表示中最多仅有两次相邻位之间的状态变化时，则称该LBP对应的二进制数据属于"等价模式类别"。例如：

• 无变化情况：0^{8}（零次状态变化）
• 单一状态变化情况：5^{8}（仅一次从零变为一的状态转换）
• 两次状态变化情况：9^{8}（先由一变为零再由零变为一）

经过这样的优化措施后，在3×3邻域内的8个采样点上应用该算法时

LBP特征用于检测的原理

显然地，在提取出该区域的所有小方块中都存在多个候选区域的情况下

在应用领域中，并非将LBP图谱直接作为特征向量进行分类识别。相反地，则是基于其统计直方图来构建特征向量进行分类识别。

鉴于上述分析可知

举个例子：一张分辨率是每边有2^4 \times 2^4像素的高分辨率图片会被均分为若干个小块（可以通过不同的算法实现）。每个小块内部都是均匀分布的小块，并且它们各自的像元点数量都是相等的。在每一个小块内部的所有像元点上分别计算它们各自的LBP特征向量，并生成各自的LBP直方图。这样这幅图片就会有多少个小块就有多少个小直方图。之后我们可以使用各种相似性指标来比较两个图像之间的相似程度。

LBP特征向量提取

（1）首先将检测窗口划分为16×16的小区域（cell）；

（2）对于每个cell内部的一个pixels而言，在其周围选取八个相邻的pixels，并获取这些相邻pixels与该center pixels各自的亮度值。随后，在对这些adjacent pixels进行亮度对比分析的基础上确定：如果周围八个pixels的亮度均高于当前center pixels亮度，则将其标记为1；反之则标记为0。这样，在这个 3×3 的邻域区域内总共会有8个这样的对比结果；将这8个对比结果组合起来就能得到该 center pixels点对应的 LBP 值

（3）接下来统计每个cell的直方图分布情况，并采用10-bit LBP特征来表示每个区域的描述信息；随后对该特征向量进行归一化处理以消除光照变化的影响。

在处理完所有cell之后，将每个cell的统计直方图进行融合构建为一个特征向量；这个特征向量即为整幅图的LBP纹理特征向量；

参考

<>