局部二值模式（Local Binary Pattern, LBP）是一种有效的纹理描述算子，它具有旋转不变性和灰度不变性的显著的有点。已经广泛的应用于纹理分类、纹理分割、人脸图像分析等领域。本文就LBP算法做简单的讲解，并在opencv中加以实现。
局部二值模式是一种灰度范围内的纹理描述方式。算法的思想是利用结构化思想提取窗口特征，再利用统计化做最终整体特征的提取。
最初的LBP描述子算法步骤如下：
1、对图像中的所有点，以该点为中心，取3x3的邻域窗口；
2、将8-邻域像素值与中心点像素值进行比较，大于或等于中心像素标记为1，否则标记为0；
3、将周围0-1序列，以一定的顺序排列，成一个8位的无符号的二进制数，转化成整数；
4、这个整数就是表征这个窗口的LBP值。
以上，便是最基本的LBP算子。由于直接利用的灰度比较，所以其具有灰度不变性；但是，有两个很明显的缺点：1、产生的二进制模式多2、不具有旋转不变性。为解决这两个问题，后人对LBP算法做了改进。
当然，上面的8-邻域并不是最好的，但是最基本的，在后面出现了诸如下图所示的邻域，1,2指的是半径，8,16指的是采样点数。
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到1或从1到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。出了等价模式以外的模式都归一一类，称为混合模式类。
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。
由于LBP的二进制模式是以一定的方向、顺序进行编码的，所以当图像发生旋转时，按这种编码的话，LBP值会发生改变，因此是不具有旋转不变性的。Maenpaa等人提出了具有旋转不变性的LBP算子。
解决办法是：不断旋转邻域得到一系列的LBP值，取其中最小值作为该邻域的LBP值。旋转过程实质上就是对二进制模式进行循环移位的过程。
通过引入旋转不变的定义，使LBP算子更具鲁棒性。但这也是LBP算子丢失了方向信息。在很多场合，方向信息非常重要；然而，在纹理图像分析中，LBP依然被证明是有效的。
通过定义model_rotation与model_equivalent来进行等价模式和旋转不变性的实现。
#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include "intrins.h"
using namespace cv;
using namespace std;
#define model_rotation
#define model_equivalent
int main()
{
Mat img = imread("face.png", IMREAD_GRAYSCALE);//灰度
Mat pic = Mat::zeros(img.rows, img.cols, img.type());
imshow("src", img);
//p1 p2 p3
//p8 p0 p4
//p7 p6 p5
for (int i = 1; i < img.rows - 1; i++)
{
for (int j = 1; j < img.cols - 1; j++)
{
uchar p[9];
p[0] = img.at<uchar>(i, j);//中心
p[1] = img.at<uchar>(i - 1, j - 1);
p[2] = img.at<uchar>(i - 1, j);
p[3] = img.at<uchar>(i - 1, j + 1);
p[4] = img.at<uchar>(i, j + 1);
p[5] = img.at<uchar>(i + 1, j + 1);
p[6] = img.at<uchar>(i + 1, j);
p[7] = img.at<uchar>(i + 1, j - 1);
p[8] = img.at<uchar>(i, j - 1);
uchar value = 0;//LBP值
for (int k = 1; k <= 8; k++)
{
value += (p[k] >= p[0]) << (8 - k);
}
//等价模式
#ifdef model_equivalent
uchar temp = _cror(value, 1);
if(_mm_popcnt_u32(temp & value) > 2)//_mm_popcnt_u32计算二进制数1的个数
{
pic.at<uchar>(i, j) = value;
}
#else
pic.at<uchar>(i, j) = value;
#endif
//旋转不变
#ifdef model_rotation
uchar rot[8];
_rota(value, rot);
pic.at<uchar>(i, j) = _min(rot);
#endif
}
}
imshow("LBP", pic);
waitKey();
return 0;
}其中intrins.h与intrins.cpp是循环移位及查找最小值的源代码。
intrins.h
#ifndef __INTRINS_H__ #define __INTRINS_H__ #include <cv.h> using namespace std; uchar _crol(uchar tmp, uchar n); uchar _crol_bit(uchar tmp); uchar _cror(uchar tmp, uchar n); uchar _cror_bit(uchar tmp); void _rota(uchar tmp, uchar *temp); uchar _min(uchar *tmp); #endifintrins.cpp
#include "intrins.h"
//循环左移n位
uchar _crol(uchar tmp, uchar n)
{
while(n--)
{
tmp = _crol_bit(tmp);
}
return tmp;
}
//循环左移1位
uchar _crol_bit(uchar tmp)
{
return (tmp << 1) | (tmp >> 7);
}
//循环右移n位
uchar _cror(uchar tmp, uchar n)
{
while(n--)
{
tmp = _cror_bit(tmp);
}
return tmp;
}
//循环右移1位
uchar _cror_bit(uchar tmp)
{
return (tmp >> 1) | (tmp << 7);
}
//循环移位（旋转）
void _rota(uchar tmp, uchar *temp)
{
for (int i = 0; i < 8; i++)
{
*temp = _cror(tmp, i);
temp++;
}
}
//找到最小值
uchar _min(uchar *tmp)
{
uchar min = *tmp;
for (int i = 0; i < 8; i++)
{
tmp++;
if (min > *tmp)
{
min = *tmp;
}
}
return min;
}
依次是：原图、等价模式、旋转不变、等价+旋转不变（注：此处等价模式未进行任何的等价处理）
1、黄菲菲,基于LBP的人脸识别研究[M],2009.
2、程雪峰,基于LBP特征的人脸识别算法研究[M],2014.
版权声明：本文为博主原创文章，未经博主允许不得转载。
原文地址：http://blog.csdn.net/hujingshuang/article/details/47292721
