LBP算子

LBP是简单地模式识别特征提取方法，原理简单易懂，程序网上也有，只要稍微改改，就能在自己的库上面运行。

LBP有几个升级的变种，如CLBP，分块LBP等，是一个图像纹理识别入门级的算法，简单做下总结与归纳。

1.LBP基本原理：

LBP，局部二值模式，按照字面上的意思，就是能够提取出图像的局部特征，这个特征又是二进制的。如下图：

在黑白图像中，取3*3的窗口，得到每个像素灰度值，周围8个像素减去中间像素，取符号，得到最后的0,1值，最后从左上角顺时针拉直，得到8位的二进制数（01111100），再转化为十进制数（124），那么124就是这个中心像素对应的LBP特征值。

同样的方法，遍历整幅图像，如果图像是60*60像素的，则最后可以得到除边界外的59*59=3481个（0-255）的十进制数（因为只取周围8个像素，八位的二进制数范围是0-255）。接着，用统计直方图统计这3481个十进制特征值，得到256维的特征向量。

如上图就是某幅图的统计直方图，大概45的位置为70，表明3481个像素点中，LBP特征为45的像素有70个。

这样，无论是多大的图像，最后都变为256维的LBP特征向量。

我们基于这些向量，可以做进一步的分类，具体的分类器不定。

2.旋转不变的LBP

如上图，同样的纹理，开始得出的LBP值为225，旋转一下就变为7个完全不同的值，为了让图像旋转后，LBP值不变，提出了旋转不变的LBP.其实也就是把3*3的局部范围旋转7次，得到8个不同值，取其中最小的作为唯一的LBP。如上图，最后得到的LBP值是15.

3.均匀LBP

256维的LBP特征向量中也有过多的冗余信息，我们再次降维。

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），我们只要统计其跳变的次数就行。

4.分块LBP

上面的三种方法都是基于局部的LBP算子，反映的仅仅是局部纹理特征，识别效果不是很好。为了引入全局的分布特征，引入分块的概念。

所谓的分块，其实就是很简单地把图像切成小块，每个小块分别LBP后叠加在一起得到最后的LBP。如下图：

图像被切成2*2=4副小图，如果用基本的LBP，生成4个256维的向量，直接加在一起，得到4*256=1024维的最终向量。由于这里的维度过高，可以考虑用均匀LPB降维，或为了旋转不变，再加入旋转不变量。

5.CLBP

CLBP是LBP的升级版，CLBP计算三个变量S_LBP，M_LBP，C_LBP，其中的S_LBP=基本的LBP；M_LBP把中心像素中替换为全局的像素均值；C_LBP为各个像素与全局均值的差矩阵。

我们可以直接把S_LBP特征向量和M_LBP特征向量加在一起，或者用其他方法，这里不深入论述。

关于CLBP的效果，研究证明S_LBP包含了图像的大部分特征，即基础的LBP已经是效果较好，M_LBP包含的较少。所以最后的效果是S_LBP+M_LBP>S_LBP>M_LBP.

总结：上面简单介绍了LBP，旋转不变LBP，均匀LBP，分块，CLBP等。个人觉得LBP的算法没有直观或者理论的依据，并不是很好的特征提取方法，提取的特征冗余信息太多，如果不降维，计算量也太大，不能算是很好的特征提取方法。

这里有上述所有LBP的matlab程序打包下载：http://download.csdn.net/detail/ice110956/5750525