【图像处理】深入解析LBP算法

问题

LBP是一种常见的特征描述算法,用来提取局部的纹理特征,其原理其实很简单,下面我们就来看看它是怎么一回事吧。

LBP简介

LBP(Local Binary Patterns,局部二值模式)是一种很简单但很高效的局部纹理特征描述算子,于1994年由T. Ojala, M. Pietikäinen和D. Harwood提出,经过后续的改进,LBP特征具有旋转不变性灰度不变性,在机器视觉领域中得到了广泛的应用,如人脸识别、指纹识别、光学字符识别以及车牌识别等。

LBP算子的优缺点

参考: https://blog.csdn.net/lk3030/article/details/84034963

优点:

  • 一定程度上消除了光照变化的问题
  • 具有旋转不变性
  • 纹理特征维度低,计算速度快

缺点:

  • 当光照变化不均匀时,各像素间的大小关系被破坏,对应的LBP算子也就发生了变化。
  • 通过引入旋转不变的定义,使LBP算子更具鲁棒性。但这也使得LBP算子丢失了方向信息。

LBP特征描述原理

LBP是一种局部特征描述算子,最原始的LBP算子使用大小为3×3的窗口,将窗口中心邻域的8个像素分别与窗口中心像素其进行比较,邻域像素值大于中心像素值的位置标记为1,否则标记为0,从而得到一个8位的二进制值,将该值作为该窗口中心像素的LBP值(通常将8位的二进制值转换成十进制表示,即有256种可能的LBP值)。

如下图所示,可以更直观地理解LBP特征描述的思想(以窗口中心左上角的像素作为LBP值起始位):

【图像处理】深入解析LBP算法_第1张图片

LBP的原理的确很简单吧?简单归简单,这显然还不能完全满足我们实际应用的需求,比如窗口大小的调整、旋转不变性等等,于是就有了以下一些改进的版本。

圆形LBP算子

原始的LBP算子的一个缺陷在于它只覆盖了一个固定半径范围内的小区域,这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征,并达到灰度和旋转不变性的要求,Ojala等对LBP算子做了以下改进:

  1. 将3×3邻域扩展到任意邻域
  2. 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,从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子。下图给出三种不同半径大小的圆形LBP特征描述算子:

【图像处理】深入解析LBP算法_第2张图片

旋转不变LBP算子

从LBP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。图像的旋转就会得到不同的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局部二值模式算子,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,对于以下8种不同旋转角度的LBP值特征,它们的LBP值均为15(即最小值,其二进制表示为00001111),因此图像的LBP特征就具有了旋转不变性。

【图像处理】深入解析LBP算法_第3张图片

LBP等价模式

考察LBP算子的定义可知,一个LBP算子可以产生多种二进制模式(p个采样点)如:3x3邻域有p=8个采样点,则可得到28=256**种二进制模式;5x5邻域有p=24个采样点,则可得到**224=16777216种二进制模式,以此类推…。显然,过多的二进制模式无论对于纹理的提取还是纹理的识别、分类及信息存取都是不利的,在实际应用中不仅要求采用的算子尽量简单,同时也要考虑到计算速度、存储量大小等问题。因此需要对原始的LBP模式进行降维

为了解决上述二进制模式过多的问题,提高统计性,Ojala等人提出了采用一种**“等价模式”(Uniform Pattern)来对LBP算子的模式种类进行降维。其主要思想是:对于某些代表了图像的边缘、斑点、角点等信息的LBP模式,其具有较好的特征区分度,我们不做降维,这些LBP模式归为等价模式类**;而对于其他没什么代表性的LBP模式,我们不太关心,统一归为一种类型,叫做剩余模式(混合模式)

【图像处理】深入解析LBP算法_第4张图片

那么什么样的LBP模式具有较好的区分度,能够称为等价模式呢?Ojala等人认为,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。于是将等价模式定义为: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

例如如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)

判断一个二进制模式是否为等价模式最简单的办法就是将LBP值与其循环移动一位后的值进行按位相与,计算得到的二进制数中1的个数,若个数小于或等于2,则是等价模式;否则,不是。

通过这种改进,二进制模式的种类大大减少,而不会丢失任何信息,模式种类由原来的 2 n 2^{n} 2n减少为 n ∗ ( n − 1 ) + 2 + 1 n*(n-1)+2+1 n(n1)+2+1种,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。 其中,n表示邻域集内的采样点数,共有 n ∗ ( n − 1 ) + 2 n*(n-1)+2 n(n1)+2等价模式和1种剩余模式(混合模式)

等价模式种类的计算:由于等价模式中,所以为1的bit必须相邻,并且LBP模式是循环的(也就是收尾相连)。以n=8为例,

当有1个1时,有n种等价模式;(分别是10000000, 01000000, 00100000, … , 00000001)

当有2个1时,有n种等价模式;(注意LBP是循环的,两个相邻的1移动到末尾后还可以再移动一次变成10000001)

当有n-1个1时,有n种等价模式;

另外再加上全0和全1这两种特殊的等价模式,共有(n-1)*n+2种等价模式,再加上其他统一归为一类的混合模式,所以降维后一共有(n-1)*n+3种LBP模式。

LBP算子对均匀光照变化的鲁棒性

使用LBP算子提取特征,对于图像上的每个像素点都可以得到一个LBP值,这些LBP值也组成了一幅“图像”,如下图所示,上面为不同光照强度下的图像,下面为提取LBP特征后LBP值表示的图像,可以看出,LBP特征提取对均匀的光照变化具有很强的鲁棒性,因此这种算法在很多领域都得到了应用。

【图像处理】深入解析LBP算法_第5张图片

LBP特征检测步骤:

  1. 将检测图像切分为若干个区块(cell,例如每个区块16x16像素)。

  2. 对于每个cell中的一个像素,将相邻的8个像素的灰度值与其进行比较,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LBP值出现的频率,然后对该直方图进行归一化处理。

  4. 最后将得到的每个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。

然后就可以将该特征向量通过诸如SVM等机器学习算法来产生一个分类器进行分类任务了。

补充:

假设一幅图像为128×128大小,可以将图像划分为8×8=64个cell,每个cell包含16×16=256个像素,然后对每个cell中的每个像素计算一个LBP值,即每个cell得到16×16个LBP值,接着对每个cell分别统计直方图并归一化,将所有cell直方图的结果连接起来就组成了整幅图像的特征向量。

参考资料

LBP原理加源码解析 https://blog.csdn.net/xidianzhimeng/article/details/19634573

Local Binary Patterns http://www.scholarpedia.org/article/Local_Binary_Patterns

lbp特征提取(等价模式)

你可能感兴趣的:(图像处理,图像处理,人工智能)