『youcans 的 OpenCV 例程200篇 - 总目录』

【youcans 的 OpenCV 例程200篇】229. 特征描述之 LBP 算子比较（skimage）

局部二值模式（LBP，Local binary patterns）是一种用来描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性的优点 。 LBP 特征计算简单、效果较好，在计算机视觉领域得到了广泛的应用。

4.2.2 改进的 LBP 纹理特征描述子

基本 LBP 算子

基本的 LBP 算子定义在 3×3 的窗口内，以窗口中心像素为阈值，与相邻的 8 个像素的灰度值比较，大于阈值则标记为 1，否则标记为 0。从右上角开始顺时针旋转，排列 8 个 0/1标记值，得到一个 8 位二进制数，就是窗口中心像素点的 LBP 值。
L B P P , R ( x c , y c ) = ∑ p = 0 P − 1 S ( g p − g c ) ∗ 2 p S ( g p − g c ) = { 1 , g p ≥ g c 0 , g p < g c LBP_{P,R} (x_c,y_c) = \sum_{p=0}^{P-1} S(g_p-g_c)*2^p\\ S(g_p-g_c) =

LBPP,R​(xc​,yc​)=p=0∑P−1​S(gp​−gc​)∗2pS(gp​−gc​)={1,gp​≥gc​0,gp​<gc​​

基本的 LBP 纹理特征描述子只覆盖了一个固定半径范围内的小区域。这种特征描述方法是随尺度变化的，当图像尺度变化时 LBP 特征编码也会发生变化，因此在大尺寸图像时就不能准确提取到所需的纹理特征，不能反映所描述的纹理信息。

圆形扩展模式（Circular LBP）

为了满足尺度、灰度和旋转不变性的要求，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方形邻域。改进算子允许在半径为 R 的圆形邻域内有 P 个采样点，称为扩展 LBP 算子（Extended LBP，Circular LBP）。

旋转不变模式（Rotation invariant）

LBP 算子是灰度不变的，但不是旋转不变的。图像旋转后的 LBP 值是不同的，从而影响识别精度。
Maenpaa等提出具有旋转不变性的 LBP 算子，不断旋转圆形邻域得到一系列 LBP 值，将最小的 LBP 值作为该邻域的 LBP 值，从而具有旋转不变性。

等价模式（Uniform Pattern）

Ojala提出了“等价模式（Uniform Pattern）”，把某个最多有两次 0/1 跳变的二进制组合所对应的 LBP 定义为一个等价模式类，其它所有的模式都定义为混合模式类。这种方法将模式数量由 $2^P$ 种减少为 $P(P-1)+2$ 种，显著减少了特征向量的维数，可以减少高频噪声的影响。

此外，还有各种改进的 LBP 方法，例如：

• TLBP，中心像素与周围所有像素比较，而不是选择 P 个采样点
• DLBP，考察四个方向的灰度变化，每个方向用 2bits 编码
• MLBP，用采样点像素的平均值代替中心像素进行比较处理
• MB-LBP，将图像级联分块，以小区域代替像素单位进行处理
• VLBP， 对于动态图像序列，考虑前 p 帧图像和后 p 帧图像的 LBP 特征
• RGB-LBP，对彩色图像的 RGB 颜色分量分别计算 LBP 后再进行连接

skimage.feature 函数 local_binary_pattern

skimage 的特征提取库 skimage.feature 提供了函数 local_binary_pattern，可以实现多种 LBP 特征描述算子。

函数说明：

local_binary_pattern(image, P, R, method='default')
1

参数说明：

• image：单通道图像
• P：整数，圆形邻域中采样点数量
• R：实数，圆形邻域的半径
• method：处理方法
  • ‘default’：基本 LBP，默认选项
  • ‘ror’：扩展 LBP，圆形 LBP
  • ‘uniform’：均匀模式，等价模式 LBP
  • ‘nri_uniform’：非旋转不变的均匀模式 LBP
  • ‘var’：方差度量局部图像纹理的对比度

这些方法的比较如例程 14.9 所示。

例程 14.9：特征描述之 LBP 算子比较（skimage）

    # 14.9 特征描述之 LBP 算子比较 (skimage)
    from skimage.feature import local_binary_pattern

    img = cv2.imread("../images/fabric2.png", flags=1)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 灰度图像

    # LBP算法中范围半径的取值
    r = 2  # 邻域半径
    p = 8 * r   # 邻域采样点数量

    # 基本 LBP，灰度不变
    basicLBP = local_binary_pattern(gray, 8, 1)
    # 圆形 LBP，扩展灰度和旋转不变
    circleLBP = local_binary_pattern(gray, p, r, method="ror")
    # 旋转不变 LBP
    invarLBP = local_binary_pattern(gray, p, r, method="var")
    # 等价 LBP，灰度和旋转不变
    uniformLBP = local_binary_pattern(gray, p, r, method="uniform")

    plt.figure(figsize=(9, 6))
    plt.subplot(231), plt.axis('off'), plt.title("origin")
    plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    plt.subplot(232), plt.axis('off'), plt.title("gray")
    plt.imshow(gray, 'gray')
    plt.subplot(233), plt.axis('off'), plt.title("basic LBP")
    plt.imshow(basicLBP, 'gray')
    plt.subplot(234), plt.title("extendLBP (r={},p={})".format(r,p))
    plt.imshow(circleLBP, 'gray'), plt.axis('off')
    plt.subplot(235), plt.title("invariantLBP (r={},p={})".format(r,p))
    plt.imshow(invarLBP, 'gray'), plt.axis('off')
    plt.subplot(236), plt.title("uniformLBP (r={},p={})".format(r,p))
    plt.imshow(uniformLBP, 'gray'), plt.axis('off')
    plt.tight_layout()
    plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

【本节完】

版权声明：
youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/125672432)
Copyright 2022 youcans, XUPT
Crated：2022-7-7

227. 特征描述之 LBP 纹理特征算子
228. 特征描述之 extendLBP 改进算子
229. 特征描述之 LBP 算子比较（skimage）