计算机视觉学习初识LBP算法

计算机视觉学习初识LBP算法LBP（LocalBinaryPattern）LBP特征是根据相邻的像素点与中间相邻点相比的大小确定置为1或0，然后对每个像素点的领域信息进行整合，变为领域个位的数的编码。然后对一个块中所有像素的编码进行直方图的统计，得到LBP特征。一个LBP操作可以被定义为：S是符号函数，定义为：总结：这种方法可以很好的捕捉到图像中的细节，但是固定的近邻区域对于尺度变化的编码失效。为了适应不同尺度的纹理特征，Ojala对于LPB算子进行了改进，将3*3邻域扩展到任意邻域，并且用圆形代替正方形。函数表示均匀模式的LBP算子近邻点计算双线性插值算法的引入——如果近邻点不在图像的坐标上，如何确定该点的像素值？其中R是圆的半径，P是样本点的个数双线性插值线性插值：假设A点的值为5，C点的值为3，AC间插值，则B点的值为4A（0，0）B（1，0）C（2，0）如果B不在AC连线之间，就采用双线性插值，双线性插值的思想就是在两个方向上分别进行一次线性插值。如右图所示：已知Q11，Q12，Q22，Q21四个点，要插值的点为P，则采用双线性插值。双线性插值化简：双线性插值如果选择一个坐标系统使得如果选择一个坐标系统使得四个已知点的坐标分别为（0，0），（0，1），（1，1），（1，0），那么插值公式就可以简化为：用矩阵的形式表示：再一次简化：注意：虽然是双线性插值，但最后的结构是非线性的。LPB—如何实现旋转不变性？LPB特征是灰度不变，但不是旋转不变的，同一幅图像，进行旋转以后，其特征将会有很大的差别，影响匹配的精度。Ojala在LBP算法上，进行改进，实现了具有旋转不变性的LPB的特征。实现方法：不断旋转圆形邻域得到一系列初始定义的LPB值，取最小值作为该邻域的值。LPB—如何实现旋转不变性？求取旋转不变的LPB特征示意图对于邻域像素顺序的规定并没有明确的规定，上图默认为水平方向左侧为起始点，逆时针旋转。图中8种模式所对应的LPB模式都是：00001111。LPB等价模式问题的引出：等价模式—对LPB算子的模式种类进行降维。解决方法：LPB等价模式Ojala等认为，在实际图像中，绝大多数LPB模式最多只包含两次从1到0或从0到1的跳变。等价模式：当某个局部二进制模式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，该局部二进制模式所对应的二进制就称为一个等价模式。比如：00000000，11111111，11110010，10111111都是等价模式。检查某种模式是否是等价模式：LPB等价模式混合模式：除了等价模式之外的称为混合模式。可以通过低通滤波的方法来增强等价模式所占的比例。图c经过高斯滤波后，其等价模式所占比可以增加到90%。旋转不变的等价模式LBP非参数统计测定图像f（x，y）直方图的定义为：可以用卡方来计算两个直方图的差异：