图像算法之七:特征提取算法之LBP
2016-09-29 19:57
357 查看
【2016/9/29】今天重点学习了纹理特征提取算法LBP,这个算法可以用于纹理特征提取和人脸识别,应用比较广泛。首先介绍LBP算法的原理,然后是LBP特征的提取步骤,最后使用OpenCV实现了这个算法。
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。
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:
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。
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。
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P 2 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2 20 =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)
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2 P 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。
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个子区域,也就有了10个统计直方图,利用这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;
(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、LBP算法实现
Language: C++(OpenCV)
从实验效果图中可以看出,circle LBP的纹理特征提取的更加明显。
基本LBP算法实现:比较简单
5、LBP算法在人脸识别中的应用
今天先学习到这里,下次继续更新LBP局部二值模式在纹理提取和人脸识别中的具体应用。
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,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P 2 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2 20 =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)
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2 P 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个子区域,也就有了10个统计直方图,利用这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、LBP算法实现
Language: C++(OpenCV)
#include "opencv2/core/core.hpp" #include "opencv2/contrib/contrib.hpp" #include "opencv2/highgui/highgui.hpp" #include <iostream> #include <fstream> #include <sstream> using namespace cv; using namespace std; void elbp(Mat& src, Mat &dst, int radius, int neighbors) { for(int n=0; n<neighbors; n++) { // 采样点的计算 float x = static_cast<float>(-radius * sin(2.0*CV_PI*n/static_cast<float>(neighbors))); float y = static_cast<float>(radius * cos(2.0*CV_PI*n/static_cast<float>(neighbors))); // 上取整和下取整的值 int fx = static_cast<int>(floor(x)); int fy = static_cast<int>(floor(y)); int cx = static_cast<int>(ceil(x)); int cy = static_cast<int>(ceil(y)); // 小数部分 float ty = y - fy; float tx = x - fx; // 设置插值权重 float w1 = (1 - tx) * (1 - ty); float w2 = tx * (1 - ty); float w3 = (1 - tx) * ty; float w4 = tx * ty; // 循环处理图像数据 for(int i=radius; i < src.rows-radius;i++) { for(int j=radius;j < src.cols-radius;j++) { // 计算插值 float t = static_cast<float>(w1*src.at<uchar>(i+fy,j+fx) + w2*src.at<uchar>(i+fy,j+cx) + w3*src.at<uchar>(i+cy,j+fx) + w4*src.at<uchar>(i+cy,j+cx)); // 进行编码 dst.at<uchar>(i-radius,j-radius) += ((t > src.at<uchar>(i,j)) || (std::abs(t-src.at<uchar>(i,j)) < std::numeric_limits<float>::epsilon())) << n; } } } } void elbp1(Mat& src, Mat &dst) { // 循环处理图像数据 for(int i=1; i < src.rows-1;i++) { for(int j=1;j < src.cols-1;j++) { uchar tt = 0; int tt1 = 0; uchar u = src.at<uchar>(i,j); if(src.at<uchar>(i-1,j-1)>u) { tt += 1 <<tt1; } tt1++; if(src.at<uchar>(i-1,j)>u) { tt += 1 <<tt1; } tt1++; if(src.at<uchar>(i-1,j+1)>u) { tt += 1 <<tt1; } tt1++; if(src.at<uchar>(i,j+1)>u) { tt += 1 <<tt1; } tt1++; if(src.at<uchar>(i+1,j+1)>u) { tt += 1 <<tt1; } tt1++; if(src.at<uchar>(i+1,j)>u) { tt += 1 <<tt1; } tt1++; if(src.at<uchar>(i+1,j-1)>u) { tt += 1 <<tt1; } tt1++; if(src.at<uchar>(i-1,j)>u) { tt += 1 <<tt1; } tt1++; dst.at<uchar>(i-1,j-1) = tt;// 更正,之前是dst.at<uchar>(i,j)=tt; } } } int main() { Mat img = cv::imread("bear.jpg", 0); namedWindow("image"); imshow("image", img); int radius, neighbors; radius = 1; neighbors = 8; //创建一个LBP图谱 Mat dst = Mat(img.rows-2*radius, img.cols-2*radius,CV_8UC1, Scalar(0)); elbp1(img,dst); namedWindow("normal"); imshow("normal", dst); Mat dst1 = Mat(img.rows-2*radius, img.cols-2*radius,CV_8UC1, Scalar(0)); elbp(img,dst1,1,8); namedWindow("circle"); imshow("circle", dst1); cv::waitKey(0); }实验效果:
从实验效果图中可以看出,circle LBP的纹理特征提取的更加明显。
基本LBP算法实现:比较简单
void LBP(Mat& src, Mat& dst) { int width = src.cols; int height = src.rows; for (int i = 1; i <= height - 1; ++i) { for (int j = 1; j <= width - 1; ++j) { uchar neighbor[8] = { 0 }; neighbor[7] = src.at<uchar>(i-1, j-1); neighbor[6] = src.at<uchar>(i-1,j); neighbor[5] = src.at<uchar>(i - 1, j + 1); neighbor[4] = src.at<uchar>(i, j + 1); neighbor[3] = src.at<uchar>(i + 1, j + 1); neighbor[2] = src.at<uchar>(i + 1, j); neighbor[1] = src.at<uchar>(i + 1, j - 1); neighbor[0] = src.at<uchar>(i, j - 1); uchar curr = src.at<uchar>(i, j); uchar temp = 0; for (int k = 0; k < 8; k++) { temp += (neighbor[k] >= curr)<< k; } dst.at<uchar>(i-1, j-1) = temp; } } }
5、LBP算法在人脸识别中的应用
今天先学习到这里,下次继续更新LBP局部二值模式在纹理提取和人脸识别中的具体应用。
相关文章推荐
- 图像特征提取三大算法:HOG特征,LBP特征,Haar特征
- python实现LBP方法提取图像纹理特征实现分类
- 目标检测的图像特征提取之(二)LBP特征
- sift图像特征提取与匹配算法代码
- 目标检测的图像特征提取之LBP特征
- 图像特征提取三大法宝:HOG特征,LBP特征,Haar特征(转载)
- 图像处理之特征提取(二)之LBP特征简单梳理
- 图像算法之三:特征提取算子之SIFT
- 目标检测的图像特征提取之(二)LBP特征
- 目标检测的图像特征提取之(二)LBP特征
- 目标检测的图像特征提取之(二)LBP特征
- 图像特征提取之HOG+LBP+HAAR
- HOG特征,LBP特征,Haar特征(图像特征提取)
- 图像特征提取之LBP特征
- 经典算法研究系列:图像特征提取与匹配之SIFT算法
- 目标检测的图像特征提取之(二)LBP特征
- 图像处理之图像特征提取之(二)LBP特征
- 图像特征提取三大法宝:HOG特征,LBP特征,Haar特征
- 目标检测的图像特征提取之(二)LBP特征
- 特征提取初步学习之LBP算法