lbp提特徵python（lbp的優點）

本文目錄一覽：

• 1、lbp是什麼意思?
• 2、怎樣把lbp直方圖連接成特徵向量
• 3、圖像的特徵提取都有哪些演算法
• 4、紋理特徵提取方法：LBP, 灰度共生矩陣
• 5、python opencv怎麼創建一個cascadeobjectdetector對象
• 6、怎麼根據直方圖得到特徵向量

lbp是什麼意思?

lbp是Local Binary Patterns的縮寫，中文名字叫做「線性反投影演算法」，指局部二值模式，最初功能為輔助圖像局部對比度，並不是一個完整的特徵描述子。

lbp線性反投影演算法又稱累加法，是最早使用的一種簡單成像演算法。它將通過某點的所有投影射線進行累加，再反向估算出該點的密度值，從成像觀點分析，它是不完全的雷登逆變換。

lbp演算法計算步驟：

1、基於均質靈敏度信息，利用線性反投影演算法獲得初始圖像。

2、利用已獲得的介電常數分布，求解正問題，得到一組模擬電容值，將該值與測量電容值進行比較，若誤差已達到滿意值，演算法結束，否則進行下步。

3、修正靈敏度信息。

4、根據上步已經修正後的靈敏度信息，利用測量電壓重新進行線性反投影；返回第二步，並進行循環迭代，直到獲得滿意的結果為止，迭代結束。

怎樣把lbp直方圖連接成特徵向量

對LBP特徵向量進行提取的步驟

（1）首先將檢測窗口劃分為16×16的小區域（cell）；

（2）對於每個cell中的一個像素，將相鄰的8個像素的灰度值與其進行比較，若周圍像素值大於中心像素值，則該像素點的位置被標記為1，否則為0。這樣，3*3鄰域內的8個點經比較可產生8位二進位數，即得到該窗口中心像素點的LBP值；

（3）然後計算每個cell的直方圖，即每個數字（假定是十進位數LBP值）出現的頻率；然後對該直方圖進行歸一化處理。

（4）最後將得到的每個cell的統計直方圖進行連接成為一個特徵向量，也就是整幅圖的LBP紋理特徵向量；

然後便可利用SVM或者其他機器學習演算法進行分類了。

圖像的特徵提取都有哪些演算法

圖像的經典特徵提取方法：

1 HOG(histogram of Oriented Gradient,方向梯度直方圖）

2 SIFT(Scale-invariant features transform,尺度不變特徵變換）

3 SURF(Speeded Up Robust Features,加速穩健特徵，對sift的改進）

4 DOG(Difference of Gaussian，高斯函數差分)

5 LBP(Local Binary Pattern,局部二值模式）

6 HAAR(haar-like ,haar類特徵，注意haar是個人名，haar這個人提出了一個用作濾波器的小波，為這個濾波器命名為haar濾波器，後來有人把這個濾波器用到了圖像上，就是圖像的haar特徵）

圖像的一般提取特徵方法：

1 灰度直方圖，顏色直方圖

2 均值，方差

3 信號處理類的方法：灰度共生矩陣，Tamura紋理特徵，自回歸紋理特徵，小波變換。

4 傅里葉形狀描述符，小波描述符等，

紋理特徵提取方法：LBP, 灰度共生矩陣

搬運自本人 CSDN 博客： 《紋理特徵提取方法：LBP, 灰度共生矩陣》

註：本文中大量行內 Latex 公式在中不支持，如果想要仔細參閱，請移步上面的 CSDN 博客鏈接。

在前面的博文 《圖像紋理特徵總體簡述》 中，筆者總結了圖像紋理特徵及其分類。在這裡筆者對其中兩種演算法介紹並總結。

參考網址：

《紋理特徵提取》

《【紋理特徵】LBP 》

《灰度共生矩陣（GLCM）理解》

《灰度共生矩陣的理解》

《圖像的紋理特徵之灰度共生矩陣 》

參考論文：

《基於灰度共生矩陣提取紋理特徵圖像的研究》——馮建輝

《灰度共生矩陣紋理特徵提取的Matlab實現》——焦蓬蓬

LBP方法（Local binary patterns, 局部二值模式）是一種用來描述圖像局部紋理特徵的運算元；它的作用是進行特徵提取，提取圖像的局部紋理特徵。

LBP是一個計算機視覺中用於圖像特徵分類的一個方法，用於紋理特徵提取。後來LBP方法與HOG特徵分類器與其他機器學習演算法聯合使用。

LBP演算法的核心思想，是以某個像素點為中心，與其鄰域像素點共同計算。關於鄰域像素點的選擇方法，其實並不唯一：

這裡選擇環形鄰域的方法進行說明：

窗口中心的像素點作為中心，該像素點的像素值作為閾值。然後將周圍8個像素點的灰度值與該閾值進行比較，若周圍某像素值大於中心像素值，則該像素點位置被標記為1；反之，該像素點標記為0。

如此這樣，該窗口的8個點可以產生8位的無符號數，這樣就得到了該窗口的LBP值，該值反應了該窗口的紋理信息。如下圖所示：

圖中，中心像素點的像素值作為閾值，其值v = 3；周圍鄰域8個像素值中，有3個比閾值小的像素點置0，5個比閾值大的像素點置1。

LBP演算法的計算公式如下：

$$ LBP_{P, R}(x_{c},y_{c}) = \sum_{p=0}^{P-1}s(g_{p} – g_{c})2^p, s(x)=\left{\begin{matrix}1 : x \geq 0 \ 0 : x \leq 0 \end{matrix}\right. $$

LBP紋理特徵向量，一般以圖像分塊LBP直方圖表示。具體步驟如下：

得到了整幅圖像的LBP紋理特徵後，便可以利用SVM或者其他機器學習演算法進行分類了。

這兩天筆者將會對源碼進行測試封裝，以後會上傳到我的GitHub網站上。

灰度共生矩陣法(GLCM, Gray-level co-occurrence matrix)，就是通過計算灰度圖像得到它的共生矩陣，然後透過計算該共生矩陣得到矩陣的部分特徵值，來分別代表圖像的某些紋理特徵（紋理的定義仍是難點）。灰度共生矩陣能反映圖像灰度關於font color = red 方向、相鄰間隔、變化幅度等 /font綜合信息，它是分析圖像的局部模式和它們排列規則的基礎。

對於灰度共生矩陣的理解，需要明確幾個概念：方向，偏移量和灰度共生矩陣的階數。

計算紋理特徵第一步，就是將多通道的圖像（一般指RGB圖像）轉換為灰度圖像，分別提取出多個通道的灰度圖像。

紋理特徵是一種結構特徵，使用不同通道圖像得到的紋理特徵都是一樣的，所以可以任意選擇其一。

一般在一幅圖像中的灰度級有256級，從0–255。但在計算灰度共生矩陣時我們並不需要256個灰度級，且計算量實在太大，所以一般分為8個灰度級或16個灰度級。

而且當分成8個灰度級時，如果直接將像素點的灰度值除以32取整，會引起影像清晰度降低，所以進行灰度級壓縮時，首先我們會將圖片進行直方圖均衡化處理，增加灰度值的動態範圍，這樣就增加了影像的整體對比效果。

註：筆者後文中的例子中，為了簡要說明，所以灰度等級簡單設置為4。

計算特徵值前，先選擇計算過程中的一些參數：

下面分部且適當的使用一些例子說明計算過程：

為了達到簡單說明計算紋理特徵值的目的，筆者此處做簡要的假設：灰度被分為4階，灰度階從0–3；窗口大小為6 × 6；

窗口A的灰度矩陣A如下：

窗口B的灰度矩陣B如下：

此處以左上角元素為坐標原點，原點記為(1, 1)；以此為基礎舉例，第四行第二列的點記為(4, 2)；

情景1：d = 1，求0°方向矩陣A的共生矩陣：

則按照0°方向（即水平方向 從左向右，從右向左兩個方向 ），統計矩陣值(1, 2)，則如下圖所示：

$$

P_{A}(d=1, \theta =0^o)=\begin{vmatrix}

0 8 0 7 \

8 0 8 0 \

0 8 0 7 \

7 0 7 0

\end{vmatrix}

$$

情景2：d = 1，求45°方向矩陣A的共生矩陣：

按照情景1，同理可得此時的統計矩陣結果如下：

$$

P_{A}(d=1, \theta =45^o)=\begin{vmatrix}

12 0 0 0 \

0 14 0 0 \

0 0 12 0 \

0 0 0 12

\end{vmatrix}

$$

情景3：d = 1，求0°與45°方向矩陣B的共生矩陣：

與前面同理，可以得到矩陣B的統計及矩陣結果如下：

$$

P_{B}(d=1, \theta =0^o)=\begin{vmatrix}

24 4 0 0 \

4 8 0 0 \

0 0 12 2 \

0 0 2 4

\end{vmatrix}

$$

$$

P_{B}(d=1, \theta =45^o)=\begin{vmatrix}

18 3 3 0 \

3 6 1 1 \

3 1 6 1 \

0 1 1 2

\end{vmatrix}

$$

矩陣A, B的其餘90°、135°矩陣與上面同理，所以筆者偷懶略去。

這樣，我們就已經計算得到了單個窗口的灰度共生矩陣的各個方向的矩陣，下面就要用剛才算出的矩陣計算灰度共生矩陣特徵值。

用P表示灰度共生矩陣的歸一化頻率矩陣，其中i, j表示按照某方向同時出現於兩個像素的某兩個級別的灰度值，所以P(i, j)表示滿足這種情況的兩個像素出現的概率。

以上述情景2中的矩陣為例：

原矩陣為：

$$

P(d=1, \theta =45^o)=\begin{vmatrix}

12 0 0 0 \

0 14 0 0 \

0 0 12 0 \

0 0 0 12

\end{vmatrix}

$$

歸一化後，矩陣形式變為：

$$

P(d=1, \theta =45^o)=\begin{vmatrix}

12/50 0 0 0 \

0 14/50 0 0 \

0 0 12/50 0 \

0 0 0 12/50

\end{vmatrix}

$$

灰度共生矩陣理論的前輩Haralick等人用灰度共生矩陣提出了14中特徵值，但由於灰度共生矩陣的計算量很大，所以為了簡便，我們一般採用四個最常用的特徵來提取圖像的紋理特徵：font color=red 能量、對比度、相關度、熵 /font。

$ ASM = \sum_{i} \sum_{j}P(i, j)^2 $

能量是灰度共生矩陣各元素的平方和，又被稱角二階距。它是圖像紋理灰度變化均一的度量，反映了圖像灰度分布均勻程度和紋理粗細程度。

$ CON = \sum_{i} \sum_{j} (i-j)^2 P(i,j) $

對比度是灰度共生矩陣主對角線附近的慣性矩，它體現矩陣的值如何分布，反映了圖像的清晰度和紋理溝紋的深淺。

$ CORRLN = [\sum_{i} \sum_{j}((ij)P(i,j)) – \mu_{x} \mu_{y}]/ \sigma_{x} \sigma_{y} $

相關度體現了空間灰度共生矩陣元素在行或列方向上的相似程度，反映了圖像局部灰度相關性。

$ ENT = – \sum_{i} \sum_{j} P(i,j) \log P(i,j) $

熵體現了圖像紋理的隨機性。若共生矩陣中所有值都相等，取得最大值；若共生矩陣中的值不均勻，則其值會變得很小。

求出該灰度共生矩陣各個方向的特徵值後，再對這些特徵值進行均值和方差的計算，這樣處理就消除了方向分量對紋理特徵的影響。

一個滑動窗口計算結束後，該窗口就可以移動一個像素點，形成另一個小窗口圖像，重複進行上一步的計算，生成新窗口圖像的共生矩陣和紋理特徵值；

以此類推，滑動窗口遍歷完所有的圖像像素點後，整個圖像就形成了一個由紋理特徵值構成的一個紋理特徵值矩陣。

之後，就可以將這個紋理特徵值矩陣轉換成紋理特徵圖像。

筆者已經對源碼進行測試了封裝，並上傳到了筆者的GitHub網站上。

GitHub：

python opencv怎麼創建一個cascadeobjectdetector對象

OpenCV中有兩個程序可以訓練級聯分類器： opencv_haartraining 和opencv_traincascade。opencv_traincascade 是一個新程序，使用OpenCV 2.x API 以C++ 編寫。這二者主要的區別是 opencv_traincascade 支持 Haar、Hog和 LBP(Local Binary Patterns) 三種特徵，並易於增加其他的特徵。與Haar特徵相比，LBP特徵是整數特徵，因此訓練和檢測過程都會比Haar特徵快幾倍。LBP和Haar特徵用於檢測的準確率，是依賴訓練過程中的訓練數據的質量和訓練參數。訓練一個與基於Haar特徵同樣準確度的LBP的分類器是可能的。

opencv_traincascade and opencv_haartraining 所輸出的分類器文件格式並不相同。注意，新的級聯檢測介面（參考 objdetect 模塊中的 CascadeClassifier 類）支持這兩種格式。 opencv_traincascade 可以舊格式導出訓練好的級聯分類器。但是在訓練過程被中斷後再重啟訓練過程， opencv_traincascade and opencv_haartraining 不能裝載與中斷前不同的文件格式。

opencv_traincascade 程序使用TBB來處理多線程。如果希望使用多核並行運算加速，請使用TBB來編譯OpenCV。還有一些與訓練相關的輔助程序。

怎麼根據直方圖得到特徵向量

對LBP特徵向量進行提取的步驟（1）首先將檢測窗口劃分為16×16的小區域（cell）；（2）對於每個cell中的一個像素，將相鄰的8個像素的灰度值與其進行比較，若周圍像素值大於中心像素值，則該像素點的位置被標記為1，否則為0。這樣，3*3鄰域內的8個點經比較可產生8位二進位數，即得到該窗口中心像素點的LBP值；（3）然後計算每個cell的直方圖，即每個數字（假定是十進位數LBP值）出現的頻率；然後對該直方圖進行歸一化處理。（4）最後將得到的每個cell的統計直方圖進行連接成為一個特徵向量，也就是整幅圖的LBP紋理特徵向量；然後便可利用SVM或者其他機器學習演算法進行分類了。