图像处理（2）——图像特征提取LBP

其实现在大家都说图像处理，其实计算机是不认识图片的，之所以可以处理图像，其实图像就是一个个矩阵，其实是数字，转而其实都是在处理数字。深度学习在图像上的建树已经不足为奇了，之前大家常听到的图像特征提取方法包括HOG,Haar,LBP,SIFT等，现在逐渐淡出大家的视野，取而代之的就是深度学习，可视化深度学习存在一个很棘手的问题——类似于一个黑盒，大家不知道过程，只知道输入和输出，这对于研究者来说很不友好，今天中午师兄发了一个新得开源工具可以可视化网络的中间部分，我后续继续更新下。今天主要说下LBP

一、Background

LBP(Local Binary Pattern):是一种 描述图像局部特征的算子

二、基础版LBP

• 每张图像中的每个像素点都可以用周围的像素点进行描述。每个像素点都可以有一个与之对应的LBP值
• 现在取一个3*3的矩阵，矩阵中间像素点的LBP值由其周围八个像素点计算得到
• 如果大于中间像素点取值为1，否则为0，之后顺时针依次读入就是一个8位的二进制数，将其转化为10进制后就是该点的LBP值，其他点类似计算
• 例：以下矩阵中心点的LBP值最终为37

---

以上为最简单最基础的LBP过程，后来人们对其进行改进，又出现了以下：

三、圆形LBP

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

• 可以指定领域的半径和相邻像素点个数
• 对光照变化具有鲁棒性
• 领域像素点数目越小，图像亮度越低
• 领域半径越小，图像的纹理越清晰（相当于逐像素点处理）
• 例：

四、旋转不变性

圆形LBP具有灰度不变性，但是不具备旋转不变性，起始位置确定后，解决方案：通过对得到的LBP特征进行旋转，得到一系列的LBP特征值，最终将最小的一个特征模式作为中心像素点的LBP特征

还有MB-LBP特征——平均灰度值，SEMB-LBP等，自行了解