图像局部纹理特征——LBP（Local Binary Pattern）

原文参考自 目标检测的图像特征提取之（二）LBP特征，做了少量修改并添加自己的理解

LBP是由T. Ojala, M.Pietikäinen, 和 D. Harwood 在1994年提出，具有旋转不变性和灰度不变性。

1. 基本的（正方形邻域）LBP

在3*3的窗口内，将相邻的8个像素的灰度值与窗口中心像素进行比较，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。显然3*3邻域内可产生8位二进制数（共256种），转换为十进制即得到该窗口中心像素点的LBP值。如下图所示：

但其缺点也很明显——它只覆盖了一个固定半径范围内的小区域，无法满足不同尺寸和频率纹理的需要。

2.尺度不变的（圆形邻域）LBP

为了适应不同尺度的纹理特征，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。从而得到半径为R的圆形区域内含有P个采样点的LBP算子，如图

3. 旋转不变的 LBP（取模式中的最小值）

从1中的定义可以看出，LBP 算子是灰度不变的，但却不是旋转不变的。旋转的图像会得到不同的 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。

如下图所示

经过旋转不变的处理，最终得到的具有旋转不变性的 LBP值（图中算子下方的数字表示该算子对应的 LBP值）为 15（8种模式中的最小值）。即图中的 8种 LBP 模式对应的旋转不变的 LBP模式都是 00001111

4. 等价模式的 LBP（降维，跳变<=2）

提出等价模式的原因：以圆形 LBP 为例，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2^P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。如此多的二进制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。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）。

通过这样的改进，二进制模式的种类大大减少。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（0-255中只有58个数跳变数<= 2），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。

实际开发中可以事先建立等价模式查找表，例如0-255中跳变数小于等于2的个数，以加速计算。

5. 实际应用的 LBP（统计直方图）

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特征的统计直方图作为特征向量用于分类识别。

因为，从上面介绍的原理我们可以看出，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；

具体步骤

（1）首先假设小区域（cell）的大小为16×16，据此将图像分为若干小区域（一幅512x512的图像可分出32x32个小区域）；

（2）对于每个cell中的一个像素，将其与相邻的8个像素的灰度值进行比较，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（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）然后将得到的每个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；

（5）最后便可利用机器学习算法进行训练分类了。