图像处理之图像特征提取之（二）LBP特征

LBP（Local Binary Pattern，局部二值模式）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等显著的优点。它是首先由T.
Ojala, M.Pietik?inen, 和D. Harwood 在1994年提出，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征；

1、LBP特征的描述

原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，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（通常转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。如下图所示：

LBP的改进版本：

原始的LBP提出后，研究人员不断对其提出了各种改进和优化。

（1）圆形LBP算子：

基本的 LBP算子的最大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；

（2）LBP旋转不变模式

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 LBP 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。

图 2.5 给出了求取旋转不变的 LBP 的过程示意图，图中算子下方的数字表示该算子对应的 LBP值，图中所示的 8 种 LBP模式，经过旋转不变的处理，最终得到的具有旋转不变性的 LBP值为 15。也就是说，图中的 8种 LBP 模式对应的旋转不变的 LBP模式都是00001111。

（3）LBP等价模式

一个LBP算子可以产生不同的二进制模式，对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生P2种模式。很显然，随着邻域集内采样点数的增加，二进制模式的种类是急剧增加的。例如：5×5邻域内20个采样点，有220＝1,048,576种二进制模式。如此多的二值模式无论对于纹理的提取还是对于纹理的识别、分类及信息的存取都是不利的。同时，过多的模式种类对于纹理的表达是不利的。例如，将LBP算子用于纹理分类或人脸识别时，常采用LBP模式的统计直方图来表达图像的信息，而较多的模式种类将使得数据量过大，且直方图过于稀疏。因此，需要对原始的LBP模式进行降维，使得数据量减少的情况下能最好的代表图像的信息。

为了解决二进制模式过多的问题，提高统计性，Ojala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。Ojala等认为，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。因此，Ojala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。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）（这是我的个人理解，不知道对不对）。

通过这样的改进，二进制模式的种类大大减少，而不会丢失任何信息。模式数量由原来的2P种减少为 P ( P-1)+2种，其中P表示邻域集内的采样点数。对于3×3邻域内8个采样点来说，二进制模式由原始的256种减少为58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。

2、LBP特征用于检测的原理

显而易见的是，上述提取的LBP算子在每个像素点都可以得到一个LBP“编码”，那么，对一幅图像（记录的是每个像素点的灰度值）提取其原始的LBP算子之后，得到的原始LBP特征依然是“一幅图片”（记录的是每个像素点的LBP值）。

LBP的应用中，如纹理分类、人脸分析等，一般都不将LBP图谱作为特征向量用于分类识别，而是采用LBP特征谱的统计直方图作为特征向量用于分类识别。

因为，从上面的分析我们可以看出，这个“特征”跟位置信息是紧密相关的。直接对两幅图片提取这种“特征”，并进行判别分析的话，会因为“位置没有对准”而产生很大的误差。后来，研究人员发现，可以将一幅图片划分为若干的子区域，对每个子区域内的每个像素点都提取LBP特征，然后，在每个子区域内建立LBP特征的统计直方图。如此一来，每个子区域，就可以用一个统计直方图来进行描述；整个图片就由若干个统计直方图组成；

例如：一幅100*100像素大小的图片，划分为10*10=100个子区域（可以通过多种方式来划分区域），每个子区域的大小为10*10像素；在每个子区域内的每个像素点，提取其LBP特征，然后，建立统计直方图；这样，这幅图片就有10*10个子区域，也就有了10*10个统计直方图，利用这10*10个统计直方图，就可以描述这幅图片了。之后，我们利用各种相似性度量函数，就可以判断两幅图像之间的相似性了；

3、对LBP特征向量进行提取的步骤

（1）首先将检测窗口划分为16×16的小区域（cell）；

（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，即每个数字（假定是十进制数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；

然后便可利用SVM或者其他机器学习算法进行分类了。

4、opencv LBP特征提取

一）一般的LBP，256维

[cpp] view
plain copy

  1. //====================================================================
  2. // 作者   : quarryman
  3. // 邮箱   : quarrying{at}qq.com
  4. // 主页   : http://blog.csdn.net/quarryman
  5. // 日期   : 2013年08月11日
  6. // 描述   : 实现一般的LBP
  7. //====================================================================
  8. #include <cv.h>
  9. #include <highgui.h>
  10. void LBP(IplImage* src, IplImage* dst)
  11. {
  12. int width=src->width;
  13. int height=src->height;
  14. for(int j=1;j<width-1;j++)
  15. {
  16. for(int i=1;i<height-1;i++)
  17. {
  18. uchar neighborhood[8]={0};
  19. neighborhood[7] = CV_IMAGE_ELEM( src, uchar, i-1, j-1);
  20. neighborhood[6] = CV_IMAGE_ELEM( src, uchar, i-1, j);
  21. neighborhood[5] = CV_IMAGE_ELEM( src, uchar, i-1, j+1);
  22. neighborhood[4] = CV_IMAGE_ELEM( src, uchar, i, j-1);
  23. neighborhood[3] = CV_IMAGE_ELEM( src, uchar, i, j+1);
  24. neighborhood[2] = CV_IMAGE_ELEM( src, uchar, i+1, j-1);
  25. neighborhood[1] = CV_IMAGE_ELEM( src, uchar, i+1, j);
  26. neighborhood[0] = CV_IMAGE_ELEM( src, uchar, i+1, j+1);
  27. uchar center = CV_IMAGE_ELEM( src, uchar, i, j);
  28. uchar temp=0;
  29. for(int k=0;k<8;k++)
  30. {
  31. temp+=(neighborhood[k]>=center)<<k;
  32. }
  33. CV_IMAGE_ELEM( dst, uchar, i, j)=temp;
  34. }
  35. }
  36. }
  37. int main()
  38. {
  39. IplImage* img=cvLoadImage("lena.jpg", 0);
  40. IplImage* dst=cvCreateImage(cvGetSize(img),8,1);
  41. LBP(img,dst);
  42. cvNamedWindow("图像", 1);
  43. cvShowImage("图像", dst);
  44. cvWaitKey(0);
  45. cvDestroyAllWindows();
  46. cvReleaseImage(&img);
  47. cvReleaseImage(&dst);
  48. return 0;
  49. }

结果图像为：

二）Uniform Pattern的LBP，将256维降为59维。

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。因此，Ojala将Uniform Pattern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。

代码一：

[cpp] view
plain copy

  1. #include <stdio.h>
  2. typedef unsigned char uchar;
  3. int getHopCount(uchar i)
  4. {
  5. int a[8]={0};
  6. int k=7;
  7. int cnt=0;
  8. while(i)
  9. {
  10. a[k]=i&1;
  11. i>>=1;
  12. --k;
  13. }
  14. for(int k=0;k<8;++k)
  15. {
  16. if(a[k]!=a[k+1==8?0:k+1])
  17. {
  18. ++cnt;
  19. }
  20. }
  21. return cnt;
  22. }
  23. int main()
  24. {
  25. int cnt[9]={0};
  26. for(int i=0;i<256;++i)
  27. {
  28. cnt[getHopCount(i)]++;
  29. }
  30. for(int i=0;i<9;++i)
  31. {
  32. printf("跳变%d次的数目：%d\n",i,cnt[i]);
  33. }
  34. return 0;
  35. }

输出结果为：

跳变0次的数目：2

跳变1次的数目：0

跳变2次的数目：56

跳变3次的数目：0

跳变4次的数目：140

跳变5次的数目：0

跳变6次的数目：56

跳变7次的数目：0

跳变8次的数目：2

可见：56+2+1==59，所以有59维。

代码二：

[cpp] view
plain copy

  1. //====================================================================
  2. // 作者   : quarryman
  3. // 邮箱   : quarrying{at}qq.com
  4. // 主页   : http://blog.csdn.net/quarryman
  5. // 日期   : 2013年08月11日
  6. // 描述   : Uniform Pattern的LBP
  7. //====================================================================
  8. #include <cv.h>
  9. #include <highgui.h>
  10. int getHopCount(uchar i)
  11. {
  12. int a[8]={0};
  13. int k=7;
  14. int cnt=0;
  15. while(i)
  16. {
  17. a[k]=i&1;
  18. i>>=1;
  19. --k;
  20. }
  21. for(int k=0;k<8;++k)
  22. {
  23. if(a[k]!=a[k+1==8?0:k+1])
  24. {
  25. ++cnt;
  26. }
  27. }
  28. return cnt;
  29. }
  30. void lbp59table(uchar* table)
  31. {
  32. memset(table,0,256);
  33. uchar temp=1;
  34. for(int i=0;i<256;++i)
  35. {
  36. if(getHopCount(i)<=2)
  37. {
  38. table[i]=temp;
  39. temp++;
  40. }
  41. // printf("%d\n",table[i]);
  42. }
  43. }
  44. void LBP(IplImage* src, IplImage* dst)
  45. {
  46. int width=src->width;
  47. int height=src->height;
  48. uchar table[256];
  49. lbp59table(table);
  50. for(int j=1;j<width-1;j++)
  51. {
  52. for(int i=1;i<height-1;i++)
  53. {
  54. uchar neighborhood[8]={0};
  55. neighborhood[7] = CV_IMAGE_ELEM( src, uchar, i-1, j-1);
  56. neighborhood[6] = CV_IMAGE_ELEM( src, uchar, i-1, j);
  57. neighborhood[5] = CV_IMAGE_ELEM( src, uchar, i-1, j+1);
  58. neighborhood[4] = CV_IMAGE_ELEM( src, uchar, i, j+1);
  59. neighborhood[3] = CV_IMAGE_ELEM( src, uchar, i+1, j+1);
  60. neighborhood[2] = CV_IMAGE_ELEM( src, uchar, i+1, j);
  61. neighborhood[1] = CV_IMAGE_ELEM( src, uchar, i+1, j-1);
  62. neighborhood[0] = CV_IMAGE_ELEM( src, uchar, i, j-1);
  63. uchar center = CV_IMAGE_ELEM( src, uchar, i, j);
  64. uchar temp=0;
  65. for(int k=0;k<8;k++)
  66. {
  67. temp+=(neighborhood[k]>=center)<<k;
  68. }
  69. //CV_IMAGE_ELEM( dst, uchar, i, j)=temp;
  70. CV_IMAGE_ELEM( dst, uchar, i, j)=table[temp];
  71. }
  72. }
  73. }
  74. int main()
  75. {
  76. IplImage* img=cvLoadImage("lena.jpg", 0);
  77. IplImage* dst=cvCreateImage(cvGetSize(img),8,1);
  78. LBP(img,dst);
  79. cvNamedWindow("图像", 1);
  80. cvShowImage("图像", dst);
  81. cvWaitKey(0);
  82. cvDestroyAllWindows();
  83. cvReleaseImage(&img);
  84. cvReleaseImage(&dst);
  85. return 0;
  86. }

输出图像为：

时间： 2025-01-04 14:38:07

图像处理之图像特征提取之（二）LBP特征的相关文章

（5）图像特征提取算法：haar特征

该特征常和AdaBoost结合用于识别人脸.Haar特征很简单,分为三类:边缘特征.线性特征.中心特征和对角线特征,组合成特征模板.特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和.Haar特征值反映了图像的灰度变化情况.例如:脸部的一些特征能由矩形特征简单的描述,如:眼睛要比脸颊颜色要深,鼻梁两侧比鼻梁颜色要深,嘴巴比周围颜色要深等.但矩形特征只对一些简单的图形结构,如边缘.线段较敏感,所以只能描述特定走向(水平.垂直.对角)的结构. Haar的4种特征提

京东金融大数据竞赛猪脸识别（3）- 图像特征提取之二

深度网络既然在图像识别方面有很高的准确率,那将某一层网络输出数据作为图像特征也应该是可行的.该程序给出了使用Alexnet第七层作为激活层提取图像特征的示例.代码如下: clear; trainPath = fullfile(pwd,'image'); trainData = imageDatastore(trainPath,... 'IncludeSubfolders',true,'LabelSource','foldernames'); [trainingImages,testImages]

图像物体检测识别中的LBP特征

1        引言 之前讲了人脸识别中的Haar特征,本文则关注人脸检测中的LBP特征,说是对于人脸检测的,其实对于其他物体也能检测,只需修改训练数据集即可.所以本文的题目是物体检测识别,比如可以检测是否汽车是否有车牌号等. 在opencv实现的haar特征的人脸识别算法中,LBP特征也被支持. haar特征的博文链接:http://blog.csdn.net/stdcoutzyx/article/details/34842233. 2        LBP的历史 1996年,Ojala老大

EasyPR源码剖析（6）：车牌判断之LBP特征

一.LBP特征 LBP指局部二值模式,英文全称:Local Binary Pattern,是一种用来描述图像局部特征的算子,LBP特征具有灰度不变性和旋转不变性等显著优点. 原始的LBP算子定义在像素3*3的邻域内,以邻域中心像素为阈值,相邻的8个像素的灰度值与邻域中心的像素值进行比较,若周围像素大于中心像素值,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个点经过比较可产生8位二进制数,将这8位二进制数依次排列形成一个二进制数字,这个二进制数字就是中心像素的LBP值,LBP值共有

目标检测的图像特征提取之（二）LBP特征

LBP(Local Binary Pattern,局部二值模式)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等显著的优点.它是首先由T. Ojala, M.Pietikäinen, 和D. Harwood 在1994年提出,用于纹理特征提取.而且,提取的特征是图像的局部的纹理特征: 1.LBP特征的描述 原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,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,

图像特征提取三大法宝：HOG特征，LBP特征，Haar特征

(一)HOG特征 1.HOG特征: 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子.它通过计算和统计图像局部区域的梯度方向直方图来构成特征.Hog特征结合 SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功.需要提醒的是,HOG+SVM进行行人检测的方法是法国研究人员Dalal 在2005的CVPR上提出的,而如今虽然有很多行人检测算法不断提出,但基本都是以HOG+SVM

【数字图像处理】目标检测的图像特征提取之HOG特征

1.HOG特征 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子.它通过计算和统计图像局部区域的梯度方向直方图来构成特征.Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功.需要提醒的是,HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的,而如今虽然有很多行人检测算法不断提出,但基本都是以HOG+SVM的思路为主. (1)主要

目标检测的图像特征提取之（一）HOG特征（转载）

目标检测的图像特征提取之(一)HOG特征 [email protected] http://blog.csdn.net/zouxy09 1.HOG特征: 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子.它通过计算和统计图像局部区域的梯度方向直方图来构成特征.Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功.需要提醒的是,HOG+SVM进行行人检测的方法是法

paper ：80 目标检测的图像特征提取之（一）HOG特征

1.HOG特征: 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子.它通过计算和统计图像局部区域的梯度方向直方图来构成特征.Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功.需要提醒的是,HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的,而如今虽然有很多行人检测算法不断提出,但基本都是以HOG+SVM的思路为主. (1)主