长沙网站排名团队,网站的总体结构,余姚网站建设yyshj,88黄页网发帖效果好吗『youcans 的 OpenCV 例程200篇 - 总目录』 【youcans 的 OpenCV 例程200篇】230. 特征描述之 LBP 统计直方图 局部二值模式#xff08;LBP#xff0c;Local binary patterns#xff09;是一种用来描述图像局部纹理特征的算子#xff0c;它具有旋转不变性和灰度不变性的优点…『youcans 的 OpenCV 例程200篇 - 总目录』 【youcans 的 OpenCV 例程200篇】230. 特征描述之 LBP 统计直方图 局部二值模式LBPLocal binary patterns是一种用来描述图像局部纹理特征的算子它具有旋转不变性和灰度不变性的优点 。 LBP 特征计算简单、效果较好在计算机视觉领域得到了广泛的应用。 4.2.3 LBP 特征的统计直方图
描述纹理的常用方法是使用图像或目标区域的统计直方图。
基本 LBP 算子
基本的 LBP 算子定义在 3×3 的窗口内以窗口中心像素为阈值与相邻的 8 个像素的灰度值比较大于阈值则标记为 1否则标记为 0。从右上角开始顺时针旋转排列 8 个 0/1标记值得到一个 8 位二进制数就是窗口中心像素点的 LBP 值。 LBPP,R(xc,yc)∑p0P−1S(gp−gc)∗2pS(gp−gc){1,gp≥gc0,gpgcLBP_{P,R} (x_c,y_c) \sum_{p0}^{P-1} S(g_p-g_c)*2^p\\ S(g_p-g_c) \begin{cases} 1, \quad g_p \ge g_c\\ 0, \quad g_p \lt g_c \end{cases} LBPP,R(xc,yc)p0∑P−1S(gp−gc)∗2pS(gp−gc){1,gp≥gc0,gpgc
LBP 直方图
图像可以用 LBP 特征向量来表示但在应用中一般并不是直接使用 LBP 图谱进行分类识别而是使用 LBP 特征谱的统计直方图进行分类识别。因为 LBP 特征是与图像中的位置紧密相关的直接对两幅图片提取 LBP 特征进行判别分析会由于位置没有对准而带来很大的误差。
为了解决这个问题可以将图像划分为若干子区域对每个子区域内提取 LBP 特征后在子区域内建立 LBP 特征的统计直方图。图片的每个子区域可以用一个统计直方图来描述整个图片就由若干个统计直方图组成称为 LBP 特征的统计直方图LBPHLocal Binary Patterns Histograms。
LBPH 将 LBP 特征与图像的空间信息结合起来。将 LBP 特征图像分成 m 个子块提取每个子块的 LBP 特征并建立统计直方图将这些直方图依次连接在一起就形成 LBP 特征的统计直方图。
计算 LBP 统计直方图的步骤为
1计算 LBP 特征图像
2将 LBP 特征图像划分为若干块子区域cell默认划分 8*864 块子区域
3计算每个子区域 LBP 特征图像的直方图cell_LBPH并进行归一化处理
4将每个子区域的 LBP 直方图依次排列成一行形成 LBP 特征向量
5用机器学习方法对 LBP 特征向量进行训练检测和识别目标。
例程只给出 LBP 统计直方图的构造基于 LBP 直方图的特征检测和目标识别将在模式识别中介绍。 例程 14.10特征描述之 LBP 直方图 # 14.10 特征描述之 LBP 直方图def basicLBP(gray):height, width gray.shapedst np.zeros((height, width), np.uint8)kernelFlatten np.array([1, 2, 4, 128, 0, 8, 64, 32, 16]) # 从左上角开始顺时针旋转for h in range(1, height-1):for w in range(1, width-1):LBPFlatten (gray[h-1:h2, w-1:w2] gray[h, w]).flatten() # 展平为一维向量, (9,)dst[h, w] np.vdot(LBPFlatten, kernelFlatten) # 一维向量的内积return dstdef calLBPHistogram(imgLBP, nCellX, nCellY): # 计算 LBP 直方图height, width gray.shape# nCellX, nCellY 4, 4 # 将图像划分为 nCellX*nCellY 个子区域hCell, wCell height//nCellY, width//nCellX # 子区域的高度与宽度 (150,120)LBPHistogram np.zeros((nCellX*nCellY, 256), np.int)for j in range(nCellY):for i in range(nCellX):cell imgLBP[j * hCell:(j 1) * hCell, i * wCell:(i 1) * wCell].copy() # 子区域 cell LBPprint({}, Cell({}{}): [{}:{}, {}:{}].format(j*nCellXi1, j1, i1, j*hCell, (j1)*hCell, i*wCell, (i1)*wCell))histCell cv2.calcHist([cell], [0], None, [256], [0, 256]) # 子区域 LBP 直方图LBPHistogram[(i1)*(j1)-1, :] histCell.flatten()print(LBPHistogram.shape)return LBPHistogram# 特征描述之 LBP 直方图img cv2.imread(../images/fabric2.png, flags1)gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度图像height, width gray.shapenCellX, nCellY 4, 4 # 将图像划分为 nCellX*nCellY 个子区域hCell, wCell height//nCellY, width//nCellX # 子区域的高度与宽度 (150,120)print(img: h{},w{}, cell: h{},w{}.format(height, width, hCell, wCell))basicLBP basicLBP(gray) # 计算 basicLBP 特征算子# LBPHistogram calLBPHistogram(basicLBP, nCellX, nCellY) # 计算 LBP 直方图 (16, 256)fig1 plt.figure(figsize(9, 8))fig1.suptitle(basic LBP)fig2 plt.figure(figsize(9, 8))fig2.suptitle(LBP histogram)for j in range(nCellY):for i in range(nCellX):cell basicLBP[j*hCell:(j1)*hCell, i*wCell:(i1)*wCell].copy() # 子区域 cell LBPhistCV cv2.calcHist([cell], [0], None, [256], [0, 256]) # 子区域 cell LBP 直方图ax1 fig1.add_subplot(nCellY, nCellX, j * nCellX i 1)ax1.set_xticks([]), ax1.set_yticks([])ax1.imshow(cell, gray) # 绘制子区域 LBP ax2 fig2.add_subplot(nCellY,nCellX,j*nCellXi1)ax2.set_xticks([]), ax2.set_yticks([])ax2.bar(range(256), histCV[:, 0]) # 绘制子区域 LBP 直方图print({}, Cell({}{}): [{}:{}, {}:{}].format(j * nCellX i 1, j 1, i 1, j * hCell, (j 1) * hCell, i * wCell, (i 1) * wCell))plt.show()【本节完】 版权声明 youcansxupt 原创作品转载必须标注原文链接(https://blog.csdn.net/youcans/article/details/125681261) Copyright 2022 youcans, XUPT Crated2022-7-7 227. 特征描述之 LBP 纹理特征算子 228. 特征描述之 extendLBP 改进算子 229. 特征描述之 LBP 算子比较skimage 230. 特征描述之 LBP 统计直方图
