LBP特征及其一些变种
说明：本文部分内容转载：http://blog.sina.com.cn/s/blog_631a4cc401013pkn.html
图像纹理是一种重要的视觉手段，是图像中普遍存在而又难以描述的特征。纹理分析技术一直是计算机视觉、图像处理、图像检索等的活跃研究领域。纹理特征提取的目标是：提取的纹理特征维数不大、鉴别能力强、稳健性好，提取过程计算量小，能够指导实际运用。
纹理的定义一直为人们所关注，但是图像纹理定义问题至今没有得到圆满的解决，仍然不存在为众人所公认的定义。其中的共识是一：纹理不同于灰度和颜色等图像特征，它通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息；二：局部纹理信息不同程度的重复性，即全局纹理信息。
LBP纹理特征因其维度低，计算速度快，能很好的刻画图像的纹理信息而被广泛应用，并且也产生了很多变种。
1 传统LBP
以R为半径的P点邻域，gc为中心，gp为邻域点 ;区分邻域比中心亮度大还是小。其计算公式以及计算示意图如下：
（计算公式）
可以通过改变改变P,R 形成多尺度LBP。
2. uniform LBP P*(P-1)+2个
二值编码中0-1或1-0之间转换次数小于或等于2的编码即为uniform LBP； 计算转换次数的公式如下:
P=8，7*8+2=58个编码值，其余的U>2的归为一个bin
3. 旋转不变的LBP ： 36个
由于编码的起始点是一定的，每一种二值编码模式经旋转（循环位移）后会产生不同的编码结果。为了形成旋转不变的编码模式，我们让有同一编码模式经旋转后产生的编码结果编码为同一值，即这些旋转结果中的最小值。
36个旋转不变的LBP编码模式：
4. 旋转不变的uniform LBP P+1个
即在uniform LBP中，开始7行的每一行为旋转不变，被编为一个编码值，对应上图中第一行的1-7个模式。再加上 全1和全0 共9个
-------------------------------------------以上是经典的LBP，下面是对其一些变种----------------------------------------
变种1、思想：增加幅值信息，增加对噪声鲁棒性
1. LTP
对二值化设定阈值
三值编码：使相对中心值变化在t范围内的邻域量化为0；比ic大于t的量化为1；比ic小于t的量化为-1
最后把三值编码转化为正的和负的两部分，2个8bit编码作为特征向量；
2. CLBP
像素值差分为符号和幅值两项考虑 ，对符号的编码CLBP_S和LBP一样 （ 8位）
对差的幅值Mp编码（8位）： C为全图像的所有mp的均值
对中心象数值gc编码（2位）：Ci为全图像象数均值
最后构建3D联合直方图CLBP_S/M/C ，列化作为特征向量。
3.Robust local binary pattern RLBP
参考文献：Completed robust local binary pattern for texture classification，2012
求取区域内像素的均值，替代中心像素点的值。
由于ALG对中心像素值的影响考虑不够，有些时候中心像素包含一些重要信息，因此提出带权值Weighted Local Gray Level (WLG)，
，
二． 加入局部方差信息（局部对比度）
1. VAR
将每个点的方差作为编码值的权重，进行直方图累加（类比sitf中按方向累计梯度幅值）。原理：方差大，对应区域变化大，为高频区域，对区分性贡献大，所以对应该处编码权重大
三． 增加局部梯度信息（类比SIFT）
1. CS-LBP
对中心对称点的亮度差编码，即编码四方向的梯度符号，缩短编码长度
以下是CS-LBP的两种图示
2. TP-LBP
编码某中心像数点的相邻patch的相似度 提取patch-based的信息，是对pixels-based的信息的补充中心patch和邻域patch大小为w*w；邻域半径r，邻域patch个数S，提取相似度信息的邻域间隔a，d(a,b)为a，b patch的相似度，编码局部patch的变化程度
3. POEM
首次提出文献： Face recognition using the POEM descriptor，2012
编码局部区域个方向patch内的梯度变化信息
（1） 计算梯度：方向和大小，对方向离散化m个
（2） 对每点，按离散方向，累积半径为r邻域内的梯度幅值（高斯加权），形成m个累积梯度幅值图像
（3） 对每个图像，计算半径R，邻域P的LBP，形成m个LBP
4. LDP
编码每点的各方向边缘响应强度的变化
（1） 计算8方向边缘响应
（2） 取第K主方向值Mk（即第k大的边缘响应幅值）作为阈值，进行二值化形成编码。有C_8_k种编码值
四． 对U-LBP的改进
1. H-LBP
层叠的多多尺度LBP
五． 减少特征冗余，增加对前景与背景颜色变化鲁棒性
参考文献：OBJECT DETECTION USING NON-REDUNDANT LOCAL BINARY PATTERNS，2010
A novel shape-based non-redundant local binary pattern descriptor for object detection,2013
传统的LBP特征之间存在冗余，而且当前景颜色和背景颜色之间是一对相反颜色时候，其描述的纹理信息应该是一样的，然而传统的LBP得到的LBP特征却是不同的。如下图
其计算公式如下：
与传统的LBP相比较，NRLBP具有以下优点：
1、维度少，计算速度快。
2、增加了对前景与背景颜色之间差异的鲁棒性
六． 增加时空信息
PBP
参考文献： Pyramid binary pattern features for real-time pedestrian detection from infrared videos，2011
PBP在CS-LBP基础上对齐划分多个层次，然后分别求出各个层次的CS-LBP，利用权值将各层的CS-LBP相加即得到2D的PBP。(类似PHOG)如图：
如果在对图像求取2D的PBP特征的时候，考虑多帧图像之间的关联，则就形成了3D的PBP，它不仅包含了平面的纹理信息，也包含了时空信息。
当然对于LBP的研究任然比较热，也还有许多关于LBP的变种