LBP等价模式
考察LBP算子的定义可知,一个LBP算子可以产生多种二进制模式(p个采样点)如:3x3邻域有p=8个采样点,则可得到2^8=256种二进制模式;5x5邻域有p=24个采样点,则可得到2^24=16777216种二进制模式,以此类推......。显然,过多的二进制模式无论对于纹理的提取还是纹理的识别、分类及信息存取都是不利的,在实际应用中不仅要求采用的算子尽量简单,同时也要考虑到计算速度、存储量大小等问题。因此需要对原始的LBP模式进行降维。
Ojala提出一种“等价模式”(Uniform Pattern)来对LBP算子进行降维,Ojala等认为图像中,某个局部二进制模式所对应的循环二进制数从0—>1或从1—>0,最多有两次跳变,该局部二进制模式所对应的二进制就成为一个等价模式。
如00000000,00111000,10001111,11111111等都是等价模式类。判断一个二进制模式是否为等价模式最简单的办法就是将LBP值与其循环移动一位后的值进行按位相与,计算得到的二进制数中1的个数,若个数小于或等于2,则是等价模式;否则,不是。除了等价模式以外的模式都归一一类,称为混合模式类,例如10010111(共四次跳变)。
跳变的计算方法:如10010111,首先第一二位10,由1—>0跳变一次;第二、三位00,没有跳变;第三、四位01,由0—>1跳变一次,第四、五位10,由1—>0跳变一次;第五六位01,由0—>1跳变一次;第六七位11,没有跳变;第七八位11,没有跳变;第八位和第一位11,没有跳变;故总共跳变4次。
通过这种改进,二进制模式的种类大大减少,而不会丢失任何信息,模式种类由原来的2^p减少为p*(p-1)+2种。
但等价模式代表了图像的边缘、斑点、角点等关键模式,等价模式占了总模式中的绝大多数,所以极大的降低了特征维度。利用这些等价模式和混合模式类直方图,能够更好地提取图像的本质特征。
1、LBPFeature.h
#include <iostream> #include <opencv2/opencv.hpp> using namespace std; using namespace cv;class LBPFeature { public://LBP uchar table[256];//查找表Mat LbpImg;//Lbp图像Mat Lbp59Mat; //返回的mat是一个59维的矩阵 32FC1;public:int getHopCount(int i);// 获取i中0,1的跳变次数void lbp59table(uchar *table);// 降维数组 由256->59 void uniformLBP(Mat &image, Mat &LbpImg, Mat &Lbp59Mat, uchar *table);//得到等价模式lbp值LBPFeature(void);~LBPFeature(void); };
2、LBPFeature.cpp
#include <iostream> #include <opencv2/opencv.hpp> #include "LBPFeature.h"using namespace std; using namespace cv;//*******获取图像的lbp值 等价模式****** LBPFeature::LBPFeature(void) { }LBPFeature::~LBPFeature(void) { }// 获取i中0,1的跳变次数 int LBPFeature::getHopCount(int i) {int a[8] = { 0 };int cnt = 0;int k = 7;// 转换为二进制while (i){// 除2取余 a[k] = i % 2;a[k] = i & 1;// 除2取整 i/=2;i = i >> 1;--k;}// 计算跳变次数for (k = 0; k < 7; k++){if (a[k] != a[k + 1]){++cnt;}}// 注意,是循环二进制,所以需要判断是否为8if (a[0] != a[7]){++cnt;}return cnt; }// 建立等价模式表 void LBPFeature::lbp59table(uchar *table) {//将已开辟内存空间 为256的table的值赋值为0。memset(table, 0, 256);uchar temp = 1;for (int i = 0; i < 256; i++){// 跳变次数<=2 的为非0值 if (getHopCount(i) <= 2) {table[i] = temp;temp++;}} }//降维数组 由256->59 void LBPFeature::uniformLBP(Mat &image, Mat &LbpImg, Mat &Lbp59Mat, uchar *table) {Lbp59Mat = Mat::zeros(1, 59, CV_32FC1);float saveResult[59] = { 0.0 };LbpImg.create(Size(image.cols, image.rows), image.type());for (int y = 1; y < image.rows - 1; y++){for (int x = 1; x < image.cols - 1; x++){//得到邻域像素值uchar neighbor[8] = { 0 };neighbor[0] = image.at<uchar>(y - 1, x - 1);neighbor[1] = image.at<uchar>(y - 1, x);neighbor[2] = image.at<uchar>(y - 1, x + 1);neighbor[3] = image.at<uchar>(y, x + 1);neighbor[4] = image.at<uchar>(y + 1, x + 1);neighbor[5] = image.at<uchar>(y + 1, x);neighbor[6] = image.at<uchar>(y + 1, x - 1);neighbor[7] = image.at<uchar>(y, x - 1);//得到中心像素值uchar center = image.at<uchar>(y, x);uchar temp = 0;for (int k = 0; k < 8; k++){// 计算LBP的值 temp += (neighbor[k] >= center)* (1 << k); }// 降为59维空间 LbpImg.at<uchar>(y, x) = table[temp]; int value = LbpImg.at<uchar>(y, x);for (int k = 0;k<59;k++){if (value == k){saveResult[k]++;}}}}for (int i = 0;i<59;i++){float v59 = saveResult[i];Lbp59Mat.at<float>(0, i) = v59;} }