计算机视觉学习初识LBP算法.ppt

整理ppt 整理ppt 计算机视觉学习 初识LBP算法 LBP（Local Binary Pattern） LBP特征是根据相邻的像素点与中间相邻点相比的大小确定置为1或0，然后对每个像素点的领域信息进行整合，变为领域个位的数的编码。然后对一个块中所有像素的编码进行直方图的统计，得到LBP特征。 一个LBP操作可以被定义为： ? S是符号函数，定义为： 总结：这种方法可以很好的捕捉到图像中的细节，但是固定的近邻区域对于尺度变化的编码失效。为了适应不同尺度的纹理特征，Ojala对于LPB算子进行了改进，将3*3邻域扩展到任意邻域，并且用圆形代替正方形。 函数表示 均匀模式的LBP算子 ? 近邻点计算 ? ? ? 双线性插值算法的引入——如果近邻点不在图像的坐标上，如何 确定该点的像素值？ 其中R是圆的半径，P是样本点的个数 双线性插值 线性插值：假设A点的值为5，C点的值为3，AC间插值，则B点的值为4 A（0，0） B（1，0） C（2，0） 如果B不在AC连线之间，就采用双线性插值，双线性插值的思想就是在两个方向上分别进行一次线性插值。 如右图所示：已知Q11，Q12，Q22，Q21四个点，要插值的点为P，则采用双线性插值。 双线性插值 ? ? 化简： 双线性插值 如果选择一个坐标系统使得? 如果选择一个坐标系统使得四个已知点的坐标分别为（0，0），（0，1），（1，1），（1，0），那么插值公式就可以简化为： 用矩阵的形式表示： 再一次简化： 注意：虽然是双线性插值，但最后的结构是非线性的。 LPB—如何实现旋转不变性？ LPB特征是灰度不变，但不是旋转不变的，同一幅图像，进行旋转以后，其特征将会有很大的差别，影响匹配的精度。Ojala在LBP算法上，进行改进，实现了具有旋转不变性的LPB的特征。 实现方法：不断旋转圆形邻域得到一系列初始定义的LPB值，取最 小值作为该邻域的值。 ? LPB—如何实现旋转不变性？ 求取旋转不变的LPB特征示意图 对于邻域像素顺序的规定并没有明确的规定，上图默认为水平方向左侧为起始点，逆时针旋转。图中8种模式所对应的LPB模式都是 LPB等价模式 问题的引出： ? 等价模式—对LPB算子的模式种类进行降维。 解决方法： 整理ppt *