OpenCV之LBP算法学习

电玩女神 2022-06-03 05:57 211阅读 0赞

# 目录 #

*  目录
 *  前言
 *  LBP算法概述
 *  LBP算法原理
    
     *  原始LBP特征描述及计算方法
     *  LBP特征的改进版本
        
         *  1 圆形LBP特征Circular LBP or Extended LBP
         *  2 旋转不变LBP特征
         *  3 Uniform Pattern LBP特征
         *  4 MB-LBP特征
     *  LBPH图像的LBP特征向量
     *  LBP特征的匹配与使用
        
         *  1 LBP特征用在目标检测中
         *  2 LBP用在人脸识别中
 *  参考链接

# 前言 #

# LBP算法概述 #

`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。`LBP`常应用于人脸识别和目标检测中，在`OpenCV`中有使用`LBP`特征进行人脸识别的接口，也有用`LBP`特征训练目标检测分类器的方法，`OpenCV`实现了`LBP`特征的计算，但没有提供一个单独的计算`LBP`特征的接口。也就是说`OpenCV`中使用了`LBP`算法，但是没有提供函数接口喽！

`LBP`是一种图像纹理特征提取算法，是一种局部特征，是**照片分类**和**人脸检索**研究中采用较多的特征提取算法之一。在图像物体识别领域，常用的特征描述子包括：HOG、SIFT、SURT、Wavelet、Gabor、DCT等，**具体选择哪种算子**需要根据目标对象决定。人脸识别中，`LBP`和`Gabor`是效果较好的两组特征。`gabor`效果比`LBP`效果鲁棒，但是`LBP`运算速度快，编译在嵌入式等平台运行。一般如果条件允许，二者会进行结合，包括定义结合特征（比如LGBP,LGXP等），特征级融合和决策级融合。

特征提取是希望将资料中重要的资讯提取出来，去除杂讯的影响，以提升分类的准确率。不同的特征提取方法有不同的效果，LBP的特性是较能排除光照变化且运算速度快。LBP的核心观念是计算每个像素和周围像素间”相对”的关系。通常光照对图中的物件带来的影响是全局的，也就是说照片中的物体的明暗程度，都往同一个方向改变，可能是变亮或变暗，只是改变的幅度会因为距离光源的远近而有所不同。所以基本上局部相邻(Local)的像素间，受光照影响后数值也许会改变，但是相对大小不会改变。  
**图像识别**在输入图像之后，先提取特征，然后进行分类。在特征提取的设计会直接影响图像辨识的好坏，不同数据所需要的特征也不尽相同，故此步骤通常是算法的瓶颈。  
**深度学习**在训练过程中让深度神经**自动**从训练数据中学习最适合的特征获取方法，让算法应用更加广泛，准确率也获得大幅提升。但是深度学习模型训练时间较长，对训练资料的品质好坏即数量多寡非常敏感，以及预测计算时间较长等。

注意：一点不懂图像算法，都是大神们的解释，这里摘录下来，作为自己**回顾**的部分。

# LBP算法原理 #

## 1.原始LBP特征描述及计算方法 ##

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为二进制数，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28中可能，因此LBP值有256种可能。中心像素的LBP值反映了该像素周围区域的纹理信息。  
**注意**：**计算LBP特征的图像必须是灰度图**，如果是彩色图，需要先转换成灰度图  
![1][]  
![2][]  
![3][]  
\- 原始LBP特征计算代码：

//原始LBP特征计算
    template <typename _tp>
    void getOriginLBPFeature(InputArray _src,OutputArray _dst)
    {
        Mat src = _src.getMat();
        _dst.create(src.rows-2,src.cols-2,CV_8UC1);
        Mat dst = _dst.getMat();
        dst.setTo(0);
        for(int i=1;i<src.rows-1;i++)
        {
            for(int j=1;j<src.cols-1;j++)
            {
                _tp center = src.at<_tp>(i,j);
                unsigned char lbpCode = 0;
                lbpCode |= (src.at<_tp>(i-1,j-1) > center) << 7;
                lbpCode |= (src.at<_tp>(i-1,j  ) > center) << 6;
                lbpCode |= (src.at<_tp>(i-1,j+1) > center) << 5;
                lbpCode |= (src.at<_tp>(i  ,j+1) > center) << 4;
                lbpCode |= (src.at<_tp>(i+1,j+1) > center) << 3;
                lbpCode |= (src.at<_tp>(i+1,j  ) > center) << 2;
                lbpCode |= (src.at<_tp>(i+1,j-1) > center) << 1;
                lbpCode |= (src.at<_tp>(i  ,j-1) > center) << 0;
                dst.at<uchar>(i-1,j-1) = lbpCode;
            }
        }
    }

在这份代码中，`dst`的数组大小是`(src.rows-2,src.cols-2)`，这是因为`src`的外边缘像素无法计算8位的LBP值，也就是说出去外边缘像素的才能计算8位LBP值，而8位LBP值实际就是28中表示，也就是256，转化为灰度值图像的话，就是一幅大小为`(src.rows-2,src.cols-2)`的灰度图。  
![4][]

## 2.LBP特征的改进版本 ##

在原始的LBP特征提出后，研究人员对LBP特征进行了很多改进，因此产生了许多LBP的改进版本。

### 2.1 圆形LBP特征(Circular LBP or Extended LBP) ###

由于原始LBP特征使用的是固定邻域内的灰度值，因此当图像的**尺度**(尺度是什么？)发生变化时，LBP特征的编码将会发生错误，LBP特征将不能正确返回像素点周围的纹理信息，因此研究人员对其进行了改进。基本的LBP算子的最大缺陷在于它只覆盖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(比较笨，知道的概念太少，不理解。。。)。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：  
![5][]  
这副图像中，第一幅图像的圆半径认为1，采样的点为8个；第二幅图像的圆半径为2，采样的点为16个；第三副图像的圆半径为2，采样的点为8个。  
这种LBP特征叫做Extended LBP，也叫Circular LBP。使用**可变半径的圆**对近邻像素进行编码，可以得到如下的近邻：  
![6][]  
对于给定中心点(xc,yc),其邻域像素位置为(xp,yp)，p∈P，其采样点(xp,yp)用如下公式计算：  
![7][]  
R是采样半径，p是第p个采样点，P是采样数目。由于计算的值可能不是整数，即计算的点不再图像上，我们使用计算出来的点的插值点。OpenCV使用的是**双线性插值**(讲真，数学太差)，双线性插值如下：  
![8][]

参考[计算机视觉学习初识LBP算法][LBP]

通过LBP特征的定义，LBP特征对光照变化是鲁棒的，效果如图：  
![9][]

//圆形LBP特征计算，这种方法适于理解，但在效率上存在问题，声明时默认neighbors=8
    template <typename _tp>
    void getCircularLBPFeature(InputArray _src,OutputArray _dst,int radius,int neighbors)
    {
        Mat src = _src.getMat();
        //LBP特征图像的行数和列数的计算要准确
        _dst.create(src.rows-2*radius,src.cols-2*radius,CV_8UC1);
        Mat dst = _dst.getMat();
        dst.setTo(0);
        //循环处理每个像素
        for(int i=radius;i<src.rows-radius;i++)
        {
            for(int j=radius;j<src.cols-radius;j++)
            {
                //获得中心像素点的灰度值
                _tp center = src.at<_tp>(i,j);
                unsigned char lbpCode = 0;
                for(int k=0;k<neighbors;k++)
                {
                    //根据公式计算第k个采样点的坐标，这个地方可以优化，不必每次都进行计算radius*cos，radius*sin
                    float x = i + static_cast<float>(radius * \
                        cos(2.0 * CV_PI * k / neighbors));
                    float y = j - static_cast<float>(radius * \
                        sin(2.0 * CV_PI * k / neighbors));
                    //根据取整结果进行双线性插值，得到第k个采样点的灰度值
    
                    //1.分别对x，y进行上下取整
                    int x1 = static_cast<int>(floor(x));
                    int x2 = static_cast<int>(ceil(x));
                    int y1 = static_cast<int>(floor(y));
                    int y2 = static_cast<int>(ceil(y));
    
                    //2.计算四个点(x1,y1),(x1,y2),(x2,y1),(x2,y2)的权重
                    //下面的权重计算方式有个问题，如果四个点都相等，则权重全为0，计算出来的插值为0
                    //float w1 = (x2-x)*(y2-y); //(x1,y1)
                    //float w2 = (x2-x)*(y-y1); //(x1,y2)
                    //float w3 = (x-x1)*(y2-y); //(x2,y1)
                    //float w4 = (x-x1)*(y-y1); //(x2,y2)
    
                    //将坐标映射到0-1之间
                    float tx = x - x1;
                    float ty = y - y1;
                    //根据0-1之间的x，y的权重计算公式计算权重
                    float w1 = (1-tx) * (1-ty);
                    float w2 =    tx  * (1-ty);
                    float w3 = (1-tx) *    ty;
                    float w4 =    tx  *    ty;
                    //3.根据双线性插值公式计算第k个采样点的灰度值
                    float neighbor = src.at<_tp>(x1,y1) * w1 + src.at<_tp>(x1,y2) *w2 \
                        + src.at<_tp>(x2,y1) * w3 +src.at<_tp>(x2,y2) *w4;
                    //通过比较获得LBP值，并按顺序排列起来
                    lbpCode |= (neighbor>center) <<(neighbors-k-1);
                }
                dst.at<uchar>(i-radius,j-radius) = lbpCode;
            }
        }
    }

//圆形LBP特征计算，效率优化版本，声明时默认neighbors=8
    template <typename _tp>
    void getCircularLBPFeatureOptimization(InputArray _src,OutputArray _dst,int radius,int neighbors)
    {
        Mat src = _src.getMat();
        //LBP特征图像的行数和列数的计算要准确
        _dst.create(src.rows-2*radius,src.cols-2*radius,CV_8UC1);
        Mat dst = _dst.getMat();
        dst.setTo(0);
        for(int k=0;k<neighbors;k++)
        {
            //计算采样点对于中心点坐标的偏移量rx，ry
            float rx = static_cast<float>(radius * cos(2.0 * CV_PI * k / neighbors));
            float ry = -static_cast<float>(radius * sin(2.0 * CV_PI * k / neighbors));
            //为双线性插值做准备
            //对采样点偏移量分别进行上下取整
            int x1 = static_cast<int>(floor(rx));
            int x2 = static_cast<int>(ceil(rx));
            int y1 = static_cast<int>(floor(ry));
            int y2 = static_cast<int>(ceil(ry));
            //将坐标偏移量映射到0-1之间
            float tx = rx - x1;
            float ty = ry - y1;
            //根据0-1之间的x，y的权重计算公式计算权重，权重与坐标具体位置无关，与坐标间的差值有关
            float w1 = (1-tx) * (1-ty);
            float w2 =    tx  * (1-ty);
            float w3 = (1-tx) *    ty;
            float w4 =    tx  *    ty;
            //循环处理每个像素
            for(int i=radius;i<src.rows-radius;i++)
            {
                for(int j=radius;j<src.cols-radius;j++)
                {
                    //获得中心像素点的灰度值
                    _tp center = src.at<_tp>(i,j);
                    //根据双线性插值公式计算第k个采样点的灰度值
                    float neighbor = src.at<_tp>(i+x1,j+y1) * w1 + src.at<_tp>(i+x1,j+y2) *w2 \
                        + src.at<_tp>(i+x2,j+y1) * w3 +src.at<_tp>(i+x2,j+y2) *w4;
                    //LBP特征图像的每个邻居的LBP值累加，累加通过与操作完成，对应的LBP值通过移位取得
                    dst.at<uchar>(i-radius,j-radius) |= (neighbor>center) <<(neighbors-k-1);
                }
            }
        }
    }

因为不太理解C++的模板这些东西，对[LBP特征原理及代码实现][LBP 1]的博主所使用的高级技术表示佩服，果然还有许多许多需要学习的东西。但是大概过程：  
1. 根据半径的大小，设置LBP特征图像的行数和列数  
2. 根据`neighbors`和`radius`计算采样点，因为采样点的坐标可能不是整数，需要使用双线性插值来**确定**采样点  
3. 中心点和采样点进行比较，得到对应中心点的LBP值，然后记录到目标数组中，最后得到的就是LBP值的灰度图了。

测试结果：  
![9][9 1]  
第一幅图是原图；  
第二幅图是原始的LBP算法得到的LBP特征图；  
第三幅图是`radius = 3，neighbors = 8`的`CircularLBP`特征图；  
第四幅图是`radius = 1，neighbors = 8`的`CircularLBP`特征图。  
实验结果：半径越小，图像纹理越精细。  
![10][]  
第一幅图是原图；  
第二幅图是原始的LBP算法得到的LBP特征图；  
第三幅图是`radius = 3，neighbors = 8`的`CircularLBP`特征图；  
第四幅图是`radius = 3，neighbors = 4`的`CircularLBP`特征图。  
实验结果：刚开始以为第四幅图是黑的，但是仔细看还有有轮廓的，也就是相同半径下，领域数目越小，图像亮度越低，想想24之后16种灰度值，当然会显得很暗，区分度也会很差。

### 2.2 旋转不变LBP特征 ###

上面的LBP特征具有灰度不变性，但是还不具备旋转不变性，因此研究人员又在上面的基础上进行了扩展，提出了具有旋转不变性的LBP。  
首先，**不断的旋转**圆形邻域内的LBP特征，根据选择得到一系列的LBP特征值，从这些LBP特征值**选择LBP特征值最小**的作为**中心像素点的LBP特征**![11][]。  
如图，通过对得到的LBP特征进行旋转得到一系列的LBP特征值，最终将特征值最小的一个特征模式作为中心像素点的LBP特征。

//旋转不变圆形LBP特征计算，声明时默认neighbors=8
    template <typename _tp>
    void getRotationInvariantLBPFeature(InputArray _src,OutputArray _dst,int radius,int neighbors)
    {
        Mat src = _src.getMat();
        //LBP特征图像的行数和列数的计算要准确
        _dst.create(src.rows-2*radius,src.cols-2*radius,CV_8UC1);
        Mat dst = _dst.getMat();
        dst.setTo(0);
        for(int k=0;k<neighbors;k++)
        {
            //计算采样点对于中心点坐标的偏移量rx，ry
            float rx = static_cast<float>(radius * cos(2.0 * CV_PI * k / neighbors));
            float ry = -static_cast<float>(radius * sin(2.0 * CV_PI * k / neighbors));
            //为双线性插值做准备
            //对采样点偏移量分别进行上下取整
            int x1 = static_cast<int>(floor(rx));
            int x2 = static_cast<int>(ceil(rx));
            int y1 = static_cast<int>(floor(ry));
            int y2 = static_cast<int>(ceil(ry));
            //将坐标偏移量映射到0-1之间
            float tx = rx - x1;
            float ty = ry - y1;
            //根据0-1之间的x，y的权重计算公式计算权重，权重与坐标具体位置无关，与坐标间的差值有关
            float w1 = (1-tx) * (1-ty);
            float w2 =    tx  * (1-ty);
            float w3 = (1-tx) *    ty;
            float w4 =    tx  *    ty;
            //循环处理每个像素
            for(int i=radius;i<src.rows-radius;i++)
            {
                for(int j=radius;j<src.cols-radius;j++)
                {
                    //获得中心像素点的灰度值
                    _tp center = src.at<_tp>(i,j);
                    //根据双线性插值公式计算第k个采样点的灰度值
                    float neighbor = src.at<_tp>(i+x1,j+y1) * w1 + src.at<_tp>(i+x1,j+y2) *w2 \
                        + src.at<_tp>(i+x2,j+y1) * w3 +src.at<_tp>(i+x2,j+y2) *w4;
                    //LBP特征图像的每个邻居的LBP值累加，累加通过与操作完成，对应的LBP值通过移位取得
                    dst.at<uchar>(i-radius,j-radius) |= (neighbor>center) <<(neighbors-k-1);
                }
            }
        }
        //进行旋转不变处理
        for(int i=0;i<dst.rows;i++)
        {
            for(int j=0;j<dst.cols;j++)
            {
                unsigned char currentValue = dst.at<uchar>(i,j);
                unsigned char minValue = currentValue;
                for(int k=1;k<neighbors;k++)
                {
        //循环左移
                    unsigned char temp = (currentValue>>(neighbors-k)) | (currentValue<<k);
                    if(temp < minValue)
                    {
                        minValue = temp;
                    }
                }
                dst.at<uchar>(i,j) = minValue;
            }
        }
    }

测试结果：  
![12][]  
第一幅图是原图；  
第二幅图是原始的LBP算法得到的LBP特征图；  
第三幅图是`radius = 3，neighbors = 8`的`CircularLBP`特征图；  
第四幅图是`radius = 3，neighbors = 8`的具有旋转不变性`CircularLBP`特征图。  
过程就是：  
1. 根据半径的大小，设置LBP特征图像的行数和列数  
2. 根据`neighbors`和`radius`计算采样点，因为采样点的坐标可能不是整数，需要使用双线性插值来**确定**采样点  
3. 中心点和采样点进行比较，得到对应中心点的LBP值。  
4. 中心点对应的邻域进行旋转，可以获得相对于中心点的最小的LBP值，这样作为图像的LBP特征。不管如何旋转，LBP值都是恒定的，也就是具有了旋转不变性。  
总结来说，旋转不变性的LBP特征图亮度应该比较低，因为选取的是**最小的LBP值**。

### 2.3 Uniform Pattern LBP特征 ###

### 2.4 MB-LBP特征 ###

## 3. LBPH——图像的LBP特征向量 ##

## 4. LBP特征的匹配与使用 ##

### 4.1 LBP特征用在目标检测中 ###

人脸检测比较出名的是`Haar+Adaboost`方法，目前Opencv中也支持`LBP+Adaboost`和`HOG+Adaboost`方法进行目标检测，据[SnailTyan][LBP 1]大神说，`LBP+Adaboost`方法用在目标检测中的效果比Haar特征、HOG特征都要好，而且LBP特征的训练速度比Haar和HOG都要快很多。(虽然并不知道Haar、HOG、Adaboost是什么。。。)

### 4.2 LBP用在人脸识别中 ###

据大神说，人脸识别中LBPH的使用主要是用来进行直方图的比较，通过直方图的比较来判断目标的类别。在OpenCV中基于LBP的人脸识别的实现中使用的LBP特征是`Extendes LBP`，即圆形LBP特征。

# 参考链接 #

[LBP特征原理及代码实现][LBP 1]  
[LBP (Local Binary Pattern) 是目前流行的模式识别、人脸识别算法吗？][LBP _Local Binary Pattern_]  
[计算机视觉学习初识LBP算法][LBP]

[1]: /images/20220603/fcb3ffd6a855429c824938e265043594.png
[2]: /images/20220603/3acf4e5dfb464dddaa22d6ba7187b990.png
[3]: /images/20220603/ee8aaa28b5d34b658ccb79ed3b489ffe.png
[4]: /images/20220603/03f4871bf1c74353b92656889b9698f9.png
[5]: /images/20220603/bed8f2a44edc45869dee0e9323c9a020.png
[6]: /images/20220603/c58d73521f87406f94219ccc603d7324.png
[7]: /images/20220603/93cb2e35c93944e78e2d08d32b618a39.png
[8]: /images/20220603/aa0ffb5aeb88433388e0ba8cfe1f6a00.png
[LBP]: https://wenku.baidu.com/view/d03494a687c24028905fc34b.html
[9]: /images/20220603/ac017fbbb77441808e9572dacc381c17.png
[LBP 1]: http://blog.csdn.net/quincuntial/article/details/50541815
[9 1]: /images/20220603/cd2586390a954f5ca9933560e12168db.png
[10]: /images/20220603/36e505f290f647819f5046902608d5c2.png
[11]: /images/20220603/d21fa821c9eb4f3d866df09bec5ce89c.png
[12]: /images/20220603/d2dc610effd44a5ba64ce58e4d60c2b7.png
[LBP _Local Binary Pattern_]: https://www.zhihu.com/question/19662551?utm_campaign=rss&utm_medium=rss&utm_source=rss&utm_content=title