LBP 理论

LBP（Local Binary Patterns）：局部二进制模式，用来描述图像局部纹理特征的算子。

LBP提取特征的步骤：

step1.将图片划分成为很多个cell

step2.计算每一个cell中的每一个像素点的LBP值

step3.计算每一个cell的直方图，也就是cell中每个LBP值出现的频率，然后将直方图进行归一化处理

step4.将每一个cell的直方图连起来成为一个特征向量，也就该图片的LBP纹理特征向量。

1.原始LBP

一个元素的LBP值，与其周围的8个元素有关，大于等于中心元素的灰度，就置为1，小于置为0，然后将得到的这8位二进制数字按照图2的方向进行连接然后再将其转化为10进制进而得到了该元素的LBP值。

设表示像素点的灰度值

，其中下面简写为

2.圆形LBP

以该元素为中心，R为半径画一个圆，然后在圆形边界上等距离的取P个点，然后通过阈值的方式得到一串0\1二进制串，顺序按照图中给出的方向。

3.旋转不变LBP

取完等距的P个点之后，分别以为起点去得到该点不同的LBP值，然后从中取出值最小的那个最为该点的最终LBP值。

def Rot()
    # value_list用来存储着8个数字
    value_list = np.zeros((8), np.uint8)
    temp = int(num)
    value_list[0] = temp # 存储原始数字num
    for i in range(7):
        temp = ((temp << 1) | (temp / 128)) % 256 # 数字num左移一位末尾补上前面丢掉的那一位，然后取模最大值
        value_list[i+1] = temp
    return np.min(value_list) # 返回最小的

4.均匀模式LBP

定义：，记为一次跳变。

那么均匀模式LBP就是说对于LBP值的二进制模式中跳变次数小于等于2的分别作为一个单独的一类，大于2的所有LBP值作为一类。比如说一共有P类，那么跳变次数小于等于2的种类有，（将P长度的二进制串收尾相连，那么从中选出任意两个，都是两次跳跃，还有就是全0，全1，没有跳变），因此类别由原先的降低到了。

# 采用预处理的方式，提取出2^P以内的所有跳变次数小于等于2的数字
table = np.zeros((256), dtype=np.int8)
tmp = 1
for i in range(256):
    if getHopCut(i) <= 2:
        table[i] = tmp
        tmp += 1

5.均匀模式&旋转不变模式融合起来的LBP

先计算跳变次数得到分类

再进行旋转选出不同起点的LBP值中最小的那个LBP值作为该像素点的最终的LBP值