LBP特征Word文档下载推荐.docx

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