使用Python實現(xiàn)圖像LBP特征提取的操作方法
一、LBP特征介紹
LBP特征叫做局部二值模式，常用于紋理特征提取，并在紋理分類中具有較強(qiáng)的區(qū)分能力。它主要是利用結(jié)構(gòu)法思想分析固定窗口特征，再利用統(tǒng)計法做整體的特征提取，是一種理論簡單但功能強(qiáng)大的紋理分析算法。
LBP的基本思想：它利用圖像中的每一個點和鄰域中點的灰度值的差異構(gòu)成圖像的細(xì)節(jié)紋理，用其中心像素的灰度值作為閾值，與它的鄰域中的像素灰度值相比較得到一個_8bit的二進(jìn)制碼_來表達(dá)局部紋理特征。
二、LBP特征描述
原始的LBP算子定義為在3×3的窗口內(nèi)，以窗口中心像素為閾值，將相鄰的8個像素的灰度值與其進(jìn)行比較，若周圍像素值大于中心像素值，則該像素點的位 置被標(biāo)記為1，否則為0。這樣，3×3鄰域內(nèi)的8個點經(jīng)比較可產(chǎn)生8位二進(jìn)制（通常轉(zhuǎn)換為十進(jìn)制數(shù)即LBP碼，共256種），即得到該窗口中心像素點的LBP 值，并用這個值來反映該區(qū)域的紋理信息。
對于一幅大小是W*H的圖像，因為邊緣像素?zé)o法計算8位的LBP值，所以將LBP值轉(zhuǎn)換為灰度圖像時，它的大小是(W-2)*(H-2).
三、一些改進(jìn)版本的LBP
1.圓形LBP算子
圓形LBP算子即采用以中心點為圓心的圓形鄰域代替上文中的正方形鄰域。鄰域尺寸可以由半徑R和采樣點P確定。
2.旋轉(zhuǎn)不變的LBP算子
上文中可以看出，LBP算子是灰度不變的，但卻_不是旋轉(zhuǎn)不變的，圖像的旋轉(zhuǎn)就會得到不同的LBP值。因此將LBP算子進(jìn)行了擴(kuò)展，提出了具有旋轉(zhuǎn)不變性的LBP算子，即不斷旋轉(zhuǎn)圓形鄰域得到一系列初始定義的LBP值，取其最小值作為該鄰域的LBP值_。
舉一個簡單的例子，對于11110000來說，其旋轉(zhuǎn)后能夠得到11100001、10000111等值。這一個算子的旋轉(zhuǎn)不變的LBP值就是其旋轉(zhuǎn)后能得到的最小值00001111。
3.LBP等價模式
為了解決LBP模式過多的問題，提出了“等價模式”這一個概念。當(dāng)某個LBP所對應(yīng)的循環(huán)二進(jìn)制數(shù)從0到1或從1到0最多有兩次跳變時，該LBP所對應(yīng)的二進(jìn)制就稱為一個等價模式類。如00000000（0次跳變），00000111（只含一次從0到1的跳變），10001111（先由1跳到0，再由0跳到1，共兩次跳變）都是等價模式類。
這里對“模式”進(jìn)行具體闡述：“模式”可以理解為LBP特征值的范圍、種類等等。比如常用的3*3大小的正方形LBP算子的LBP模式就是256。引入這個“等價模式”主要是想要減少模式的數(shù)量，方便運(yùn)算。
在統(tǒng)計時可以將這些等價模式對應(yīng)的LBP的值按照大小進(jìn)行映射；將其他不等價的模式歸為一類。
比如，一種常用的操作就是將256中LBP算子中58種等價模式按照大小映射到0-57中，將其余的不屬于等價模式的值規(guī)定為58。比如0被映射為0,255（也是一個等價模式，0次跳變）就被映射為57。具體操作可以再下面的代碼中進(jìn)一步查看。當(dāng)然，讀者也可以根據(jù)需要自己定義其他的映射法則。
經(jīng)過這種等價操作，模式數(shù)量從2P種減少為 P(P-1)+2種。
四、提取LBP算子的步驟
首先將檢測窗口劃分為16×16的小區(qū)域（cell）
對于每個cell中的一個像素，將相鄰的8個像素的灰度值與其進(jìn)行比較，若周圍像素值大于中心像素值，則該像素點的位置被標(biāo)記為1，否則為0。這樣，3×3鄰域內(nèi)的8個點經(jīng)比較可產(chǎn)生8位二進(jìn)制數(shù)，即得到該窗口中心像素點的LBP值；
然后計算每個cell的直方圖，即每個數(shù)字（假定是十進(jìn)制數(shù)LBP值）出現(xiàn)的頻率；然后對該直方圖進(jìn)行歸一化處理。
最后_將得到的每個cell的統(tǒng)計直方圖連接成為一個特征向量_，也就是整幅圖的LBP紋理特征向量；
最后便可利用SVM或者其他機(jī)器學(xué)習(xí)算法進(jìn)行分類了。
五、提取效果
下圖展示的效果依次為原圖、圓形LBP算子提取結(jié)果、旋轉(zhuǎn)不變LBP結(jié)果和等價模式的提取結(jié)果。
六、代碼實現(xiàn)
對于初學(xué)者來說，手寫代碼實現(xiàn)提取特征效果能夠鍛煉代碼能力和加強(qiáng)對特征的理解，讀者可以參照下面的代碼進(jìn)行學(xué)習(xí)。
import cv2
import numpy as np
import matplotlib.pyplot as plt
class LBP():
def __init__(self, img,cell_size):
self.img = img #灰度圖
self.height, self.width = img.shape[:2]
self.cell_size = cell_size
# 傳進(jìn)來一個int型8位整數(shù) 找到旋轉(zhuǎn)后最小的值
def find_min(self,code):
min = code
for i in range(8):
code = (code << 1) | (code >> 7)
if code < min:
min = code
return min
def lbp_circle(self):
# 圓形LBP算子 這里寫成了P=8,R=1 實際上這個與矩形3*3的LBP算子是一樣的
lbp = np.zeros((self.height, self.width), np.uint8) #統(tǒng)計的lbp是比原來少2行2列的，這里為了方便拆分成cell直接把四周的lbp的值置為0
for i in range(1, self.height - 1):
for j in range(1, self.width - 1):
center = self.img[i, j]
code = 0
code |= (self.img[i - 1, j - 1] >= center) << 7
code |= (self.img[i - 1, j] >= center) << 6
code |= (self.img[i - 1, j + 1] >= center) << 5
code |= (self.img[i, j + 1] >= center) << 4
code |= (self.img[i + 1, j + 1] >= center) << 3
code |= (self.img[i + 1, j] >= center) << 2
code |= (self.img[i + 1, j - 1] >= center) << 1
code |= (self.img[i, j - 1] >= center) << 0
lbp[i, j] = code
return lbp
# 旋轉(zhuǎn)不變模式
def lbp_uniform(self):
lbp = self.lbp_circle()
# 圓形LBP算子 這里寫成了P=8,R=1 實際上這個與矩形3*3的LBP算子是一樣的
lbp_uniform= np.zeros((self.height, self.width), np.uint8) #統(tǒng)計的lbp是比原來少2行2列的，這里為了方便拆分成cell直接把四周的lbp的值置為0
# 旋轉(zhuǎn)不變模式 找到旋轉(zhuǎn)中的最小值
for i in range(1, self.height - 1):
for j in range(1, self.width - 1):
lbp_uniform[i,j] = self.find_min(lbp[i, j])
return lbp_uniform
# 等價模式 這里將等價的模式按照大小映射到0-57中，然后將不等價模式標(biāo)記為58
def lbp_equivalent(self):
# 定義等價模式的字典
uniform_map = {0: 0, 1: 1, 2: 2, 3: 3, 4: 4, 6: 5, 7: 6, 8: 7, 12: 8,14: 9, 15: 10, 16: 11, 24: 12, 28: 13, 30: 14, 31: 15, 32: 16, 48: 17,
56: 18, 60: 19, 62: 20, 63: 21, 64: 22, 96: 23, 112: 24,120: 25, 124: 26, 126: 27, 127: 28, 128: 29, 129: 30, 131: 31, 135: 32,143: 33,
159: 34, 191: 35, 192: 36, 193: 37, 195: 38, 199: 39, 207: 40,223: 41, 224: 42, 225: 43, 227: 44, 231: 45, 239: 46, 240: 47, 241: 48,
243: 49, 247: 50, 248: 51, 249: 52, 251: 53, 252: 54, 253: 55, 254: 56,255: 57}
lbp_equivalent = np.zeros((self.height, self.width), np.uint8) #統(tǒng)計的lbp是比原來少2行2列的，這里為了方便拆分成cell直接把四周的lbp的值置為0
lbp = self.lbp_circle()
for i in range(1, self.height - 1):
for j in range(1, self.width - 1):
if lbp[i, j] in uniform_map:
# 按照字典序賦值
lbp_equivalent[i, j] = uniform_map[lbp[i, j]]
else:
lbp_equivalent[i, j] = 58
return lbp_equivalent
# 統(tǒng)計每個cell的直方圖 并對其進(jìn)行歸一化 這里使用的是L2范數(shù)歸一化
def lbp_histogram(self,lbp):
bin_size = lbp.max() + 1 # 獲取直方圖的維數(shù)
# 統(tǒng)計每個cell的直方圖
cell_histogram = np.zeros((self.height // self.cell_size, self.width // self.cell_size, bin_size), np.float32)
for i in range(self.height // self.cell_size):
for j in range(self.width // self.cell_size):
cell = lbp[i * self.cell_size:(i + 1) * self.cell_size, j * self.cell_size:(j + 1) * self.cell_size]
cell_histogram[i, j] = np.bincount(cell.flatten(), minlength=bin_size)
# 對每個cell的直方圖進(jìn)行歸一化 這里使用的是L2范數(shù)歸一化
for i in range(self.height // self.cell_size):
for j in range(self.width // self.cell_size):
cell_histogram[i, j] = cell_histogram[i, j] / np.linalg.norm(cell_histogram[i, j])
return cell_histogram
# 拼接每個cell，得到最后的LBP特征向量
def lbp_feature(self,lbp):
cell_histogram = self.lbp_histogram(lbp)
# 拼接每個cell，得到最后的LBP特征向量 是一個一維向量
lbp_feature = np.zeros((cell_histogram.shape[0] * cell_histogram.shape[1] * cell_histogram.shape[2]), np.float32)
for i in range(cell_histogram.shape[0]):
for j in range(cell_histogram.shape[1]):
for k in range(cell_histogram.shape[2]):
lbp_feature[i * cell_histogram.shape[1] * cell_histogram.shape[2] + j * cell_histogram.shape[2] + k] = cell_histogram[i, j, k]
return lbp_feature
if __name__ == '__main__':
img = cv2.imread('1.png')
# 灰度圖讀取
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
lbp = LBP(img,16) #這里設(shè)置cell大小為16*16
lbp_circle = lbp.lbp_circle()
lbp_uniform = lbp.lbp_uniform()
lbp_equivalent = lbp.lbp_equivalent()
print("圓形LBP特征向量:",lbp.lbp_feature(lbp_circle)) # 圓形LBP特征向量
print("旋轉(zhuǎn)不變LBP特征向量:",lbp.lbp_feature(lbp_uniform)) # 旋轉(zhuǎn)不變LBP特征向量
print("等價LBP特征向量:",lbp.lbp_feature(lbp_equivalent)) # 等價LBP特征向量
# 顯示原圖和 lbp
img = cv2.imread('1.png')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 將 BGR 轉(zhuǎn)換為 RGB 以正確顯示
plt.subplot(2, 2, 1)
plt.imshow(img)
plt.title('Original Image')
plt.subplot(2, 2, 2)
plt.imshow(lbp_circle, cmap='gray',vmin=0, vmax=255)
plt.title('LBP Circle')
plt.subplot(2, 2, 3)
plt.imshow(lbp_uniform, cmap='gray',vmin=0, vmax=255)
plt.title('LBP Uniform')
plt.subplot(2, 2, 4)
plt.imshow(lbp_equivalent, cmap='gray',vmin=0, vmax=255)
plt.title('LBP Equivalent')
# 保存圖像
plt.savefig('1_lbp_result.png')
plt.show()
到此這篇關(guān)于使用Python實現(xiàn)圖像LBP特征提取的操作方法的文章就介紹到這了,更多相關(guān)Python 圖像LBP提取內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Python中使用format函數(shù)的小結(jié)
在Python中,format()函數(shù)是一種用于格式化字符串的方法主要介紹了Python中使用format函數(shù)的小結(jié),本文就來介紹一下format()函數(shù)的使用示例,感興趣的可以了解一下2023-08-08
Django在pycharm下修改默認(rèn)啟動端口的方法
今天小編就為大家分享一篇Django在pycharm下修改默認(rèn)啟動端口的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
Python pyecharts Line折線圖的具體實現(xiàn)
折線圖在很多圖標(biāo)中都有使用，本文主要介紹了Python pyecharts Line折線圖的具體實現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2022-05-05
這篇文章主要介紹了Django如何利用uwsgi和nginx修改代碼自動重啟問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-05-05
這篇文章主要介紹了Python切片工具pillow用法,結(jié)合實例形式分析了Python中pillow的簡單安裝與使用操作技巧,需要的朋友可以參考下2018-03-03
使用python快速實現(xiàn)不同機(jī)器間文件夾共享方式
今天小編就為大家分享一篇使用python快速實現(xiàn)不同機(jī)器間文件夾共享方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
Python字符串函數(shù)strip()原理及用法詳解
這篇文章主要介紹了Python字符串函數(shù)strip()原理及用法詳解,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-07-07
pytorch-神經(jīng)網(wǎng)絡(luò)擬合曲線實例
今天小編就為大家分享一篇pytorch-神經(jīng)網(wǎng)絡(luò)擬合曲線實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
這篇文章主要介紹了如何通過PyQt5制作一個查看器，可以查看豆瓣前100名電影的信息，當(dāng)然這個爬取信息比較簡單。感興趣的小伙伴可以試一試2022-01-01
這篇文章主要介紹了Python中Permission denied的解決方案，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-04-04