LBP特征及其变体和python实现

一. LBP特征

LBP（Local Binary Pattern），局部二值模式，主要用于提取纹理特征，根据文献[1]我们可以了解到LBP及其变体。一般的使用方法是，先将图像转换为灰度图，接着计算LBP特征图，最后计算其 直方图作为特征向量。

0.如何描述纹理信息

不多说，看图。LBP特征可以表示平坦、边缘、角点等区域。

1.original LBP

最经典的LBP特征，对于某像素的8-邻域，大于该像素值的置1，小于该像素值的置0，最后组成八位二进制码。

2.采样方式及角空间

圆形邻域的像素采样方式会比8-邻域的方式要更灵活，可以通过改变圆形的半径R来调整邻域大小。但半径R越大，采样点的数目P也越多。对于没有落到像素格子中央的点的灰度值，一般采用插值法得到。
除此之外，通过对采样角度设置更高的量化等级，可以得到更精细的角度分辨率。

3.灰度不变性

由于各邻域像素的灰度值需要减去中心像素的灰度值，可以实现针对平均光源的灰度不变性。

4.旋转不变性

由于编码的起始点是一定的，每一种二值编码模式经旋转（循环位移）后会产生不同的编码结果。为了形成旋转不变的编码模式，我们让有同一编码模式经旋转后产生的编码结果编码为同一值，定义二值编码为这些旋转结果中的最小值。
在具体代码实现时，通过使用计算映射(mapping)的方式来将不同的旋转二值编码映射为旋转不变的二值编码。

5.uniform LBP

首先，我们将LBP的二值编码看作是头尾相接的，接着定义 计数U为二值编码中0-1变化的次数(即0变成1,或者1变成0,记做一次)，公式表达如下：

对于U值小于等于2的二值编码，我们定义其为uniform pattern，例如半径为1，采样点为8的LBP特征有如下8种uniform pattern:

而对于其它的非uniform编码，我们将其归为一类。之所以这样定义，是因为这类编码易受噪声影响，变化频率非常大。

最终的uniform LBP计算公式如下：

总结一下，对于8个采样点的LBP，灰度不变LBP有256种编码输出，旋转不变LBP有36种编码输出，而uniform旋转不变LBP只有9种编码输出(8种uniform编码和剩余的非uniform编码)，非旋转不变的uniform LBP有58种输出。

6.结合对比度的LBP

根据灰度不变LBP的定义，我们直接舍弃了像素点间的灰度幅值差异，进而丢失了对比度的信息（即灰度值的方差）。因此，我们考虑结合对比度Var和LBP作为联合特征. 对比度计算公式如下：

二. Python实现

在研究了网上LBP的代码实现后，我认为使用ski-image包的LBP特征提取函数比较好，因为它封装了多种LBP的方法，非常简单易用。官网上的参考文档如下：

Parameters:

Parameters:	image : (N, M) array Graylevel image. P : int Number of circularly symmetric neighbour set points (quantization ofthe angular space). R : float Radius of circle (spatial resolution of the operator). method : {‘default’, ‘ror’, ‘uniform’, ‘var’} Method to determine the pattern. ‘default’: original local binary pattern which is gray scale but not rotation invariant. ‘ror’: extension of default implementation which is gray scale and rotation invariant. ‘uniform’: improved rotation invariance with uniform patterns and finer quantization of the angular space which is gray scale androtation invariant. ‘nri_uniform’: non rotation-invariant uniform patterns variant which is only gray scale invariant. ‘var’: rotation invariant variance measures of the contrast of localimage texture which is rotation but not gray scale invariant.
Returns:	output : (N, M) array LBP image.

image : (N, M) array

Graylevel image.

P : int

Number of circularly symmetric neighbour set points (quantization ofthe angular space).

R : float

Radius of circle (spatial resolution of the operator).

method : {‘default’, ‘ror’, ‘uniform’, ‘var’}

Method to determine the pattern.

‘default’: original local binary pattern which is gray scale but not rotation invariant.

‘ror’: extension of default implementation which is gray scale and rotation invariant.

‘uniform’: improved rotation invariance with uniform patterns and finer quantization of the angular space which is gray scale androtation invariant.

‘nri_uniform’: non rotation-invariant uniform patterns variant which is only gray scale invariant.

‘var’: rotation invariant variance measures of the contrast of localimage texture which is rotation but not gray scale invariant.

Returns:

output : (N, M) array

LBP image.

代码例程：

# settings for LBP
radius = 2
n_points = 8 * radius


def kullback_leibler_divergence(p, q):
    p = np.asarray(p)
    q = np.asarray(q)
    filt = np.logical_and(p != 0, q != 0)
    return np.sum(p[filt] * np.log2(p[filt] / q[filt]))


def match(refs, img):
    best_score = 10
    best_name = None
    lbp = local_binary_pattern(img, n_points, radius, METHOD)
    n_bins = int(lbp.max() + 1)
    hist, _ = np.histogram(lbp, normed=True, bins=n_bins, range=(0, n_bins))
    for name, ref in refs.items():
        ref_hist, _ = np.histogram(ref, normed=True, bins=n_bins,
                                   range=(0, n_bins))
        score = kullback_leibler_divergence(hist, ref_hist)
        if score < best_score:
            best_score = score
            best_name = name
    return best_name


brick = data.load('brick.png')
grass = data.load('grass.png')
wall = data.load('rough-wall.png')

refs = {
    'brick': local_binary_pattern(brick, n_points, radius, METHOD),
    'grass': local_binary_pattern(grass, n_points, radius, METHOD),
    'wall': local_binary_pattern(wall, n_points, radius, METHOD)
}

# classify rotated textures
print('Rotated images matched against references using LBP:')
print('original: brick, rotated: 30deg, match result: ',
      match(refs, rotate(brick, angle=30, resize=False)))
print('original: brick, rotated: 70deg, match result: ',
      match(refs, rotate(brick, angle=70, resize=False)))
print('original: grass, rotated: 145deg, match result: ',
      match(refs, rotate(grass, angle=145, resize=False)))

# plot histograms of LBP of textures
fig, ((ax1, ax2, ax3), (ax4, ax5, ax6)) = plt.subplots(nrows=2, ncols=3,
                                                       figsize=(9, 6))
plt.gray()

ax1.imshow(brick)
ax1.axis('off')
hist(ax4, refs['brick'])
ax4.set_ylabel('Percentage')

ax2.imshow(grass)
ax2.axis('off')
hist(ax5, refs['grass'])
ax5.set_xlabel('Uniform LBP values')

ax3.imshow(wall)
ax3.axis('off')
hist(ax6, refs['wall'])

plt.show()

结果如下：

网站参考：

doc文档

官方例程

参考文献：
[1] Ojala T, Pietikäinen M, Mäenpää T. Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns[C]// European Conference on Computer Vision. Springer-Verlag, 2000:404-420.
[2] Walt S V D, Schönberger J L, Nuneziglesias J, et al. scikit-image: image processing in Python[J]. Peerj, 2014, 2(2):e453.