第五十一篇：LBP 解釋_opencv

轉自：LBP (local binary mode)局部二值模式_月下看日出_新浪部落格
http://blog.sina.com.cn/s/blog_6e93dc1901010r15.html
LBP (local binary mode)局部二值模式   (2012-03-15 10:38:17) 轉載▼ 標籤：  it 分類： 學習

LBP(Local Binary Pattern, 局部二值模式)是一種用來描述映像局部紋理特徵的運算元；顯然，它的作用是進行特徵提取，而且，提取的特徵是映像的紋理特徵，並且，是局部的紋理特徵；

    原始的LBP運算元定義為在3*3的視窗內，以視窗中心像素為閾值，將相鄰的8個像素的灰階值與其進行比較，若周圍像素值大於中心像素值，則該像素點的位置被標記為1，否則為0。這樣，3*3領域內的8個點可產生8bit的無符號數，即得到該視窗的LBP值，並用這個值來反映該地區的紋理資訊。

    原始的LBP提出後，研究人員不斷對其提出了各種改進和最佳化，從而得到了諸如半徑為R的圓形地區內含有P個採樣點的LBP運算元；LBP均勻模式；LBP旋轉不變模式；LBP等價模式等等，具體請參考T. Ojala在IEEE TPAMI上2002年發表的那篇文章“Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns”。

    顯而易見的是，上述提取的LBP運算元在每個像素點都可以得到一個LBP“編碼”，那麼，對一幅映像提取其原始的LBP運算元之後，得到的原始LBP特徵依然是“一幅圖片”。不過，這裡我們已經將物體從圖片（圖片可以理解為物體在原始測量空間得到的測量特徵）轉換為二次特徵，也就是得到了我們通常說的“特徵”。不過，這個所謂的“特徵”並不能直接用於判別分析。因為，從上面的分析我們可以看出，這個“特徵”跟位置資訊是緊密相關的。直接對兩幅圖片提取這種“特徵”，並進行判別分析的話，會因為“位置沒有對準”而產生很大的誤差。後來，研究人員發現，可以將一幅圖片劃分為若干的子領域，對每個子領域內的每個像素點都提取LBP特徵，然後，在每個子領域內建立LBP特徵的統計長條圖。如此一來，每個子領域，就可以用一個統計長條圖來進行描述；整個圖片就由若干個統計長條圖組成；例如：一幅100*100像素大小的圖片，劃分為10*10=100個子領域，每個子領域的大小為10*10像素；在每個子領域內的每個像素點，提取其LBP特徵，然後，建立統計長條圖；這樣，這幅圖片就有10*10個子領域，也就有了10*10個統計長條圖，利用這10*10個統計長條圖，就可以描述這幅圖片了。之後，我們利用各種相似性度量函數，就可以判斷兩幅映像之間的相似性了；

    目前，LBP局部紋理提取運算元，已經成功應用在指紋識別、字元識別、Face Service、車牌識別等領域。