LBP特征提取

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u010874292/article/details/53097773

参考资料：

http://www.cnblogs.com/sdxk/p/4056223.html

http://www.cnblogs.com/mikewolf2002/p/3438698.html

基本原理：

    LBP的基本思想是以图像中某个像素为中心，对相邻像素进行阈值比较。如果中心像素的亮度大于等于它的相邻像素，把相邻像素标记为1，否则标记为0。我们可以用二进制数字来表示LBP图中的每个像素的LBP编码，比如下图中的中心像素，它的LBP编码为:00010011，其十进制值为19。

用公式表示即是：

其中(x_c,y_c)是中心像素，i_c是灰度值，i_n是相邻像素的灰度值，s是一个符号函数：

在OpenCV的LBP算法中，使用圆形的LBP算子：

对于一个点， 它的近邻点 用以下公式计算：

其中R是半径，p是样本点的个数。

如果就算的结果不在像素坐标上，我们则使用双线性插值进行近似处理。

 

双线性插值：

假设一个图像的大小是485x647，放大分别放大1.3倍和1.7倍，即485x1.3=630.5,647x1.7=1099.9，根据四舍五入的原则确定放大后的图像为631x1100，接下来就是计算放大后图像各个位置的像素值，例如计算放大后图像位于（136，345）位置的像素值，则136/1.3=104.615,345/1.7=202.941,这里由于示例的原因取小数点后三位，则原图像中相邻的四个位置分别是（104,202），（104,203），（105,202），（105,203）这四个点，

如图我画出了这个点对应的周围的四个点，203.941-203=0.941

所以f(R1)=(1-0.941)xf(104,203)+0.941xf(104,204),

f(R2)=(1-0.941)xf(105,203)+0.941xf(105,204),

104.615-104=0.615

所以f(P)=(1-0.615)xf(R1)+0.615xf(R2),

其中f表示的那一点的像素值，这样就计算出了f(P),实际上就是放大后图像(136,345)处对应的像素值。