LBP简介（附opencv代码）

拼搏现实的明天。 2022-06-05 11:30 391阅读 0赞

LBP(local binary pattern)是一种用来描述图像局部纹理特征的算子。原始的LBP于1994年提出，它反映内容是每个像素与周围像素的关系。后被不断的改进和优化，分别提出了LBP旋转不变模式、LBP均匀模式等。

一：原始的LBP

给出一个简单的案例计算LBP：如下图，周围8个像素点比中间点像素值大(或者相等)的记为1，小的记为0，这样就得到二值图，然后按顺时针方向得到二进制串10001111

![SouthEast][]

这样中间点的像素值就用241来代替。注意这里的计算LBP的顺序并没有硬性要求，只是一个量化公式，在同一处理中保持相同的顺序即可。

下面给出LBP的计算公式：

![SouthEast 1][]

![SouthEast 2][]

二、旋转不变的LBP模式<LBPROT>

原始的LBP不具有旋转不变性，这样我们就提出了旋转不变的LBP模式。旋转不变的LBP计算公式如下：

![SouthEast 3][]

这样计算出来的LBP共有36种，分布情况如下面两幅图：

![SouthEast 4][]

其中白点代表1，黑点代表0。

![SouthEast 5][]

三：均匀LBP模式

旋转LBP模式同样存在缺陷，大量的实验证明LBP模式的36种情况在一幅图像中分布出现的频率差异较大，得到的效果并不是很好。因此人们提出了均匀LBP模式即uniform LBP。

均匀模式就是一个二进制序列从0到1或是从1到0的变过不超过2次（这个二进制序列首尾相连）。比如：10100000的变化次数为3次所以不是一个uniform pattern。所有的8位二进制数中共有58(变化次数为0的有2种，变化次数为1的有0种，变化次数为2的有56种)个uniform pattern.为什么要提出这么个uniform LBP呢，因为研究者发现他们计算出来的大部分值都在这58种之中，可达到90%以上，所以他们把值分为59类，58个uniform pattern为一类，其它的所有值为第59类。59=(2+0+56)+1,这样直方图从原来的256维变成59维。起到了降维的作用。

计算公式：

![SouthEast 6][]

应用：

在模式识别如判断两幅图片的相似性时，我们可以统计这两幅图像的LBP特征的直方图。这样，在原始的LBP模式中，统计的直方图可以当做一个256维的向量。直接这样判断，很多时候会因为“位置没有对准”而产生很大的误差。大量研究表明，此时我们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。比如将一幅图像划分为10\*10个区域，这样得到向量的维数就是256\*10\*10。而针对uniform LBP，此时向量的维数就是59\*10\*10, 从而达到降维的目的。

目前，LBP局部纹理提取算子，已经成功应用在指纹识别、字符识别、人脸识别、车牌识别等领域。

Code：

原始的LBP：

\[cpp\]  [view plain][] [copy][view plain] [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  **void** LBP(Mat &image, Mat &result)  
2.  \{  
3.      **for**(**int** y = 1; y < image.rows-1; y ++)  
4.      \{  
5.          **for**(**int** x = 1; x < image.cols-1; x++)  
6.          \{  
7.              uchar neighbor\[8\] = \{0\};  
8.              neighbor\[0\] = image.at<uchar>(y-1, x-1);  
9.              neighbor\[1\] = image.at<uchar>(y-1, x);  
10.             neighbor\[2\] = image.at<uchar>(y-1, x+1);  
11.             neighbor\[3\] = image.at<uchar>(y, x+1);  
12.             neighbor\[4\] = image.at<uchar>(y+1, x+1);  
13.             neighbor\[5\] = image.at<uchar>(y+1, x);  
14.             neighbor\[6\] = image.at<uchar>(y+1, x-1);  
15.             neighbor\[7\] = image.at<uchar>(y, x-1);  
16.             uchar center = image.at<uchar>(y, x);  
17.             uchar temp = 0;  
18.             **for**(**int** k = 0; k < 8; k++)  
19.             \{  
20.                 temp += (neighbor\[k\] >= center)\* (1<<k);  // 计算LBP的值  
21.             \}  
22.             result.at<uchar>(y,x) = temp;   
23.         \}  
24.     \}  
25. \}  
26.   
27. **int** main()  
28. \{  
29.     Mat image = imread("F:\\\\lena.png", 0);  
30.     **if**(!image.data)  
31.     \{  
32.         cout << "Fail to load image" << endl;  
33.         **return** 0;  
34.     \}  
35.     Mat result;  
36.     result.create(Size(image.cols, image.rows), image.type());  
37.     LBP(image, result);  
38.     namedWindow("result", 0);  
39.     imshow("result", result);  
40.     waitKey(0);  
41.     **return** 0;  
42. \}

uniform LBP：

\[cpp\]  [view plain][] [copy][view plain] [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  // 计算跳变次数  
2.  **int** getHopCount(**int** i)  
3.  \{  
4.      **int** a\[8\] = \{0\};  
5.      **int** cnt = 0;  
6.      **int** k = 7;  
7.      **while**(i)  
8.      \{  
9.          a\[k\] = i&1;  
10.         i = i >> 1;  
11.         --k;  
12.     \}  
13.     **for**(k = 0; k < 7; k++)  
14.     \{  
15.         **if**(a\[k\] != a\[k+1\])  
16.         \{  
17.             ++cnt;  
18.         \}  
19.     \}  
20.     **if**(a\[0\] != a\[7\])  
21.     \{  
22.         ++cnt;  
23.     \}  
24.     **return** cnt;  
25. \}  
26.   
27. // 降维数组 由256->59  
28. **void** lbp59table(uchar \*table)  
29. \{  
30.     memset(table, 0, 256);  
31.     uchar temp = 1;  
32.     **for**(**int** i = 0; i < 256; i++)  
33.     \{  
34.         **if**(getHopCount(i) <= 2)    // 跳变次数<=2 的为非0值  
35.         \{  
36.             table\[i\] = temp;  
37.             temp ++;  
38.         \}  
39.     \}  
40. \}  
41.   
42. **void** uniformLBP(Mat &image, Mat &result, uchar \*table)  
43. \{  
44.     **for**(**int** y = 1; y < image.rows-1; y ++)  
45.     \{  
46.         **for**(**int** x = 1; x < image.cols-1; x++)  
47.         \{  
48.             uchar neighbor\[8\] = \{0\};  
49.             neighbor\[0\] = image.at<uchar>(y-1, x-1);  
50.             neighbor\[1\] = image.at<uchar>(y-1, x);  
51.             neighbor\[2\] = image.at<uchar>(y-1, x+1);  
52.             neighbor\[3\] = image.at<uchar>(y, x+1);  
53.             neighbor\[4\] = image.at<uchar>(y+1, x+1);  
54.             neighbor\[5\] = image.at<uchar>(y+1, x);  
55.             neighbor\[6\] = image.at<uchar>(y+1, x-1);  
56.             neighbor\[7\] = image.at<uchar>(y, x-1);  
57.             uchar center = image.at<uchar>(y, x);  
58.             uchar temp = 0;  
59.             **for**(**int** k = 0; k < 8; k++)  
60.             \{  
61.                 temp += (neighbor\[k\] >= center)\* (1<<k);  // 计算LBP的值  
62.             \}  
63.             result.at<uchar>(y,x) = table\[temp\];   //  降为59维空间  
64.         \}  
65.     \}  
66. \}  
67.   
68. **int** main()  
69. \{  
70.     uchar table\[256\];  
71.     lbp59table(table);  
72.     Mat image = imread("F:\\\\lena.png", 0);  
73.     **if**(!image.data)  
74.     \{  
75.         cout << "Fail to load image" << endl;  
76.         **return** 0;  
77.     \}  
78.     Mat result;  
79.     result.create(Size(image.cols, image.rows), image.type());  
80.     uniformLBP(image, result, table);  
81.   
82.     namedWindow("uniformResult", 0);  
83.     imshow("uniformResult", result);  
84.   
85.     waitKey(0);  
86.     **return** 0;  
87.       
88. \}

Result：

原图：

![SouthEast 7][]

原始LBP：

![SouthEast 8][]

uniform LBP：

![SouthEast 9][]

参考文献：文章：Multiresolution Gray-Scale and Rotation Invariant Texture Classificationwith Local Binary Patterns

作者：小村长  出处：http://blog.csdn.net/lu597203933 欢迎转载或分享，但请务必声明文章出处。 （新浪微博：小村长zack, 欢迎交流！）

[SouthEast]: /images/20220605/df1887613e1843f5b3bf3fa9e6b54770.png
[SouthEast 1]: /images/20220605/fab322e8df4145e897e4ecc2b6692eec.png
[SouthEast 2]: /images/20220605/edc30ff341574194a2798bf96f5deb41.png
[SouthEast 3]: /images/20220605/e1b6444294de4ef9b985b686ae0b3d0b.png
[SouthEast 4]: /images/20220605/fda3bf0de654466b8a9c077a7166712b.png
[SouthEast 5]: /images/20220605/00051830b5f04e14a614f33a640e69e5.png
[SouthEast 6]: /images/20220605/8aa5968593e743c7bc508300ad4ab81a.png
[view plain]: http://blog.csdn.net/lu597203933/article/details/17184503#
[CODE]: https://code.csdn.net/assets/CODE_ico.png
[CODE_CODE]: https://code.csdn.net/snippets/101200
[ico_fork.svg]: https://code.csdn.net/assets/ico_fork.svg
[ico_fork.svg 1]: https://code.csdn.net/snippets/101200/fork
[SouthEast 7]: /images/20220605/7476d407d40d427fb0642562e722f49e.png
[SouthEast 8]: /images/20220605/f3df054fb11b4c8589bb0a7f83f568ec.png
[SouthEast 9]: /images/20220605/696cfec423b34c428baf1cfd0ca0999f.png