LBP特征Word文档下载推荐.docx
《LBP特征Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《LBP特征Word文档下载推荐.docx(5页珍藏版)》请在冰豆网上搜索。
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
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
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
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
值。
图
2.5
给出了求取旋转不变的
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
模式对应的旋转不变的
LBP模式都是00001111。
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。
Reference:
黄非非,基于
的人脸识别研究,重庆大学硕士学位论文,2009.5