简介：

局部二值模式（Local
Binary Pattern, LBP）是一种有效的纹理描述算子，它具有旋转不变性和灰度不变性的显著的有点。已经广泛的应用于纹理分类、纹理分割、人脸图像分析等领域。本文就LBP算法做简单的讲解，并在opencv中加以实现。

基本的LBP算子

局部二值模式是一种灰度范围内的纹理描述方式。算法的思想是利用结构化思想提取窗口特征，再利用统计化做最终整体特征的提取。

最初的LBP描述子算法步骤如下：

1、对图像中的所有点，以该点为中心，取3x3的邻域窗口；

2、将8-邻域像素值与中心点像素值进行比较，大于或等于中心像素标记为1，否则标记为0；

3、将周围0-1序列，以一定的顺序排列，成一个8位的无符号的二进制数，转化成整数；

4、这个整数就是表征这个窗口的LBP值。

以上，便是最基本的LBP算子。由于直接利用的灰度比较，所以其具有灰度不变性；但是，有两个很明显的缺点：1、产生的二进制模式多2、不具有旋转不变性。为解决这两个问题，后人对LBP算法做了改进。

当然，上面的8-邻域并不是最好的，但是最基本的，在后面出现了诸如下图所示的邻域，1,2指的是半径，8,16指的是采样点数。

改进的LBP算子

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2^8=256种二进制模式；5x5邻域有24个采样点，则可得到2^24=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。

      Ojala提出一种“等价模式”（Uniform Pattern）来对LBP算子进行降维，Ojala等认为图像中，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，该局部二进制模式所对应的二进制就成为一个等价模式。如00000000,00111000,10001111,11111111等都是等价模式类。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。出了等价模式以外的模式都归一一类，称为混合模式类。

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^p减少为p*(p-1)+2种。

但等价模式代表了图像的边缘、斑点、角点等关键模式，等价模式占了总模式中的绝大多数，所以极大的降低了特征维度。利用这些等价模式和混合模式类直方图，能够更好地提取图像的本质特征。

旋转不变的LBP算子

由于LBP的二进制模式是以一定的方向、顺序进行编码的，所以当图像发生旋转时，按这种编码的话，LBP值会发生改变，因此是不具有旋转不变性的。Maenpaa等人提出了具有旋转不变性的LBP算子。

解决办法是：不断旋转邻域得到一系列的LBP值，取其中最小值作为该邻域的LBP值。旋转过程实质上就是对二进制模式进行循环移位的过程。

通过引入旋转不变的定义，使LBP算子更具鲁棒性。但这也是LBP算子丢失了方向信息。在很多场合，方向信息非常重要；然而，在纹理图像分析中，LBP依然被证明是有效的。

实验

opencv代码

通过定义model_rotation与model_equivalent来进行等价模式和旋转不变性的实现。

#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include "intrins.h"

using namespace cv;
using namespace std;

#define model_rotation
#define model_equivalent
int main()
{
	Mat img = imread("face.png", IMREAD_GRAYSCALE);//灰度
	Mat pic = Mat::zeros(img.rows, img.cols, img.type());
	imshow("src", img);
	//p1	p2	p3
	//p8	p0	p4
	//p7	p6	p5
	for (int i = 1; i < img.rows - 1; i++)
	{
		for (int j = 1; j < img.cols - 1; j++)
		{
			uchar p[9];

			p[0] = img.at<uchar>(i, j);//中心
			p[1] = img.at<uchar>(i - 1, j - 1);
			p[2] = img.at<uchar>(i - 1, j);
			p[3] = img.at<uchar>(i - 1, j + 1);
			p[4] = img.at<uchar>(i, j + 1);
			p[5] = img.at<uchar>(i + 1, j + 1);
			p[6] = img.at<uchar>(i + 1, j);
			p[7] = img.at<uchar>(i + 1, j - 1);
			p[8] = img.at<uchar>(i, j - 1);

			uchar value = 0;//LBP值
			for (int k = 1; k <= 8; k++)
			{
				value += (p[k] >= p[0]) << (8 - k);
			}
//等价模式
#ifdef model_equivalent
			uchar temp = _cror(value, 1);
			if(_mm_popcnt_u32(temp & value) > 2)//_mm_popcnt_u32计算二进制数1的个数
			{
				pic.at<uchar>(i, j) = value;
			}
#else
			pic.at<uchar>(i, j) = value;
#endif
//旋转不变
#ifdef model_rotation
			uchar rot[8];
			_rota(value, rot);
			pic.at<uchar>(i, j) = _min(rot);
#endif
		}
	}
	imshow("LBP", pic);
	waitKey();

	return 0;
}

其中intrins.h与intrins.cpp是循环移位及查找最小值的源代码。

intrins.h

#ifndef __INTRINS_H__
#define __INTRINS_H__

#include <cv.h>
using namespace std;

uchar _crol(uchar tmp, uchar n);
uchar _crol_bit(uchar tmp);
uchar _cror(uchar tmp, uchar n);
uchar _cror_bit(uchar tmp);
void _rota(uchar tmp, uchar *temp);
uchar _min(uchar *tmp);

#endif

intrins.cpp

#include "intrins.h"

//循环左移n位
uchar _crol(uchar tmp, uchar n)
{
	while(n--)
	{
		tmp = _crol_bit(tmp);
	}
	return tmp;
}
//循环左移1位
uchar _crol_bit(uchar tmp)
{
	return (tmp << 1) | (tmp >> 7);
}
//循环右移n位
uchar _cror(uchar tmp, uchar n)
{
	while(n--)
	{
		tmp = _cror_bit(tmp);
	}
	return tmp;
}
//循环右移1位
uchar _cror_bit(uchar tmp)
{
	return (tmp >> 1) | (tmp << 7);
}
//循环移位（旋转）
void _rota(uchar tmp, uchar *temp)
{
	for (int i = 0; i < 8; i++)
	{
		*temp = _cror(tmp, i);
		temp++;
	}
}
//找到最小值
uchar _min(uchar *tmp)
{
	uchar min = *tmp;
	for (int i = 0; i < 8; i++)
	{
		tmp++;
		if (min > *tmp)
		{
			min = *tmp;
		}
	}
	return min;
}

结果：

依次是：原图、等价模式、旋转不变、等价+旋转不变（注：此处等价模式未进行任何的等价处理）

参考文献：

1、黄菲菲,基于LBP的人脸识别研究[M],2009.

2、程雪峰,基于LBP特征的人脸识别算法研究[M],2014.

版权声明：本文为博主原创文章，未经博主允许不得转载。