matlab lbp直方图特征多少维,LBP局部二值特征

最近一直在看LBP的东西，就说说LBP吧。先从最基本的LBP说起，LBP的全称是Local Binary

Pattern即局部二值模式，是局部信息提取中的一种方法。目前LBP有很多应用，如人脸识别，表情识别等。局部信息有很多，比如HOG，SIFT等等。那么我们为什么要提取局部特征呢？原因很简单，因为一幅图像的信息比较多，如灰度，边缘等等，计算机很难处理这种复杂的信息，所以就需要对这些信息进行处理。

LBP就是一种局部信息，它反应的内容是每个像素与周围像素的关系。举最基本的LBP为例，它反应了像素与周围8个点灰度值的关系，如下图所示：

如上图所示，中间像素的灰度值为54，我们如下定义：当周围像素的灰度值大于等于中间像素值时，则LBP的一位值为1，否则为零。由这个九宫格，我们就得到了8位二进制数，顺时针取值，就得到了一个像素的LBP值，即11010011。那么我们如何表示这个二进值数呢，很简单，我们将它转化为十进制数即可，也就是211，即这一点的LBP值为211。就这样对整个图像进行LBP运算，就可以得到这幅图像的LBP特征。但是得到这些特征有什么作用呢？提取图像特征的目标无非就是为了进行分类，我们把一幅灰度图像转化为了LBP特征图像，从理论上讲并没有实现降维，也无法进行分类。

这时就引入了直方图统计，我们将LBP特征进行直方图统计，也就是统计LBP特征0~255各占的比例，这样就进行了数据的降维。之后就可以将一个向量输入分类器中进行分类。可是由于只有256维特征，所以分类的效果并不好。这时我们就引入了图像分块处理的方法，也就是说将图像分成若干的图像块，如，在人脸识别中，把脸分为77，55的区域，并对这49，25个小区域进行LBP处理，将每个小区域的直方图进行串联，就可以得到整个图像的LBP直方图。并对这个直方图进行分类处理，这样可以大大的增强分类的效果。但是分类数据维度也大大增加了，如果是77区域，数据维度为77*256＝12544维。

可以看出数据的维度还是比较大，所以需要进一步进行降维，这里就涉及了另外一个概念：Uniform

LBP，即均匀模式LBP。这种降维感觉是用了电路中的方法，也就是将原来的256维灰度数据重新分类，统计其位移后的跳变次数，当跳变次数小于2次时就定义为一个Uniform

LBP，比如00000000左移一位还是00000000，没有跳变，即跳变次数为0；00001111左移一位为00011110，跳变次数为2；10100000左移一位为01000001跳变次数为3，它不是Uniform

LBP。经过统计，Uniform LBP在整个的LBP特征中占85~90%，而Uniform

LBP只有58个特征。所以我们将分类特征向量由256维降为58维。在实际应用中，其实是59维，因为加一维表示那些不是Uniform

LBP的量。那么77的人脸区域在进行降维之后，有77*59＝2891维。由此对LBP特征进行了降维。

为了更好的进行分类，还可在分类时在人脸区域中加相应的权值，比如眼睛和嘴的权值大，其它部分的权值小。之后再介绍下直方图相似性检测的内容。常用的方法有直方图相交法和Chi-Square距离检测。在这里介绍下较为简单的直方图相交法，原理很简单，就是统计出直方图每个Bin内相同的数目，一般还除以直方图像素总数进行归一化。在这里Bin就是指一个区间，比如LBP有256维向量，则有256个Bin，统计其每个Bin内像素个数进行对比，Uniform

LBP有59维，也就是有59个Bin，相似性检测时则统计59个Bin中的像素个数。一般有多维特征向量，就有多少个Bin。

LBP的Mablab工具箱http://www.cse.oulu.fi/CMV/Downloads/LBPMatlab 在这里可以下载。观察它的实现方法是十分巧妙的，它并没有针对每个像素计算出其LBP值，而是首先将图像进行移动，之后进行对比，取得每一位的LBP值后乘以2的相应次方加上原来的值，即得到其对应LBP值，可以说是一种很巧妙的方法。

参考：Timo

Ahonen, Abdenour Hadid, Matti Pietikainen. Face Description with

Local Binary Patterns: Application to Face Recognition. IEEE

Transactions on Pattern Analysis and Machine Intellgence. Vol.28

No.12 December 2006