算法分析(草稿)LBP算法分析(草稿)LBP是一种简单，有效的纹理分类的特征提取算法。主要的论文是"Multiresolutiongray-scaleandrotationinvarianttextureclassificationwithlocalbinarypatterns",pami,vol24,no.7,July2002。LBP就是"localbinarypattern"的缩写。从纹理分类的角度看，图像上某个像素点的纹理特征，大多数情况下，是指这个点和它周围点的关系。也就是说，这个点和它的邻域内的点的关系。从哪个角度对这种关系提取特征，就形成了不同种类的特征。有了特征，就能根据特征对纹理进行分类。LBP构造了一种衡量一个像素点和它周围像素点的关系。从原来上来说，它的步骤是这样的：公式（1）T=t(g_c,g_0,...,g_(P-1))这个是latex的写法，跟论文上的公式（1）是一样的，用过latex的都知道:)假设图像是灰度图，那么，图像上的像素值在[0,255]的区间内。假设我们要计算某个点(x_0,y_0)的LBP特征，就是像素(x_0,y_0)的灰度值，g_cg_0,g_1,...,g_(P-1)就是(x_0,y_0)周围的若干个像素的灰度值。这些点是符合分布的呢？按照论文的图1，是分布成圆形，以P等分这个圆。如果图像亮度发生变化，比如说，在很亮的情况拍照的纹理，和很暗的情况拍照的纹理，尽管纹理相似，亮度不同。我们需要灰度不变的特征，也就说，要让计算出的特征值，在亮或暗拍照的情况下是一样的。那么，公式（1）可以改造成公式（2）：T=t(g_c,g_0-g_c,g_1-g_c,...,g_(P-1)-g_c)这个公式和公式（1）是等价的，毫无疑问。进一步的，g_c其实仅表示拍照时候的亮度，我们也可以把它简化掉，这样公式（2）可以改造成公式（3）：T=t(g_0-g_c,g_1-g_c,...,g_(P-1)-g_c)考虑到实际性能，公式（3）还可以进一步改写成只有0和1的特征，公式（5）：T=t(s(g_0-g_c),s(g_1-g_c),...,s(g_(P-1)-g_c))如果x>=0,s(x)=1,其他情况，s(x)=0。这样，T就只剩下0和1了，这也就是lbp的binary的由来。如果T是一串0和1组成的特征，那么它就可以表示成一个整数，这个0和1组成的串，就是整数的二进制码。于是，我们得到了公式（7）：LBP_(P,R)=sum_(P=0)^(P-1)s(g_p-g_c)*2^p也就是说，不同的P和不同的R，根据T的二进制串，就能算出一个整数值。如果图像旋转了，那么，纹理特征就旋转了，此时，得到的二进制串也就是是旋转了，得到的LBP的值就变化了。为了让LBP特征是旋转不变的，算法需要进一步改造。假设，我们在公式（5）中得到的二进制特征是：10010000，那么，将这个二进制特征，按照顺时针方向旋转，可以把它转成00001001的形式，这样得到的LBP的值是最小的。无论图像怎么旋转，对点提取的二进制特征点的最小值是不变的。按照这种思路，就得到了公式（8）：LBP_(P,R)^(ri)=min{ROR(LBP_(P,R),i)|i=0,1,...,P-1}这样，LBP特征是旋转不变的了。当P=8的时候，能产生的不同的二进制特征数量是2^8个，经过上述处理之后，只有36个旋转不变特征。作者认为经过上述步骤得到的LBP特征的区分性不够好。为了，将上述的36个最小二进制特征，在进一步分类，在这36个特征里，9个uniform特征出现的频率特别高，有时候会到90%。因此，将上述的特征再改造成公式（9）：LBP_(P,R)^(riu2)=sum_(P=0)^(P-1)s(g_P-g_c)ifU(LBP_(P,R))<=2LBP_(P,R)^(riu2)=P+1ifU(LBP_(P,R))>2函数U(x)的含义是:如果位置i和位置i-1是不同的，那么就是U值就是1，如果相同，就是0，U对于所有的i，都这么处理，就得到了U(x)。比如说，x=000000，那么U(x)=0;x=10000000，那么U(x)=1；x=01000000，那么U(x)=1。一次类推。只有U(x)<=2的pattern才是uniformpattern。最终的纹理特征，就是LBP数的直方图。举例来说，假设有一副图a.jpg，不考虑边缘，有效的分辨率100*200。那么，要计算它的lbp特征，选定参数，就是对它上面的R=1,P=8，那么，对它上面的每个点，就计算LBP_(P,R)^(riu2)，它是一个整数。也就是说，每个点，在给定的R和P下，只有这个一个整数。那么这20,00