纹理特征描述子——LBP

一、LBP简介

    LBP(Local Binary Patterns，局部二值模式)，是由T.Ojala，M.Pietikainen，D.Harwood于1996提出的，并于2002年对LBP进行总结和完善。LBP是一种用来描述图像局部纹理特征的算子，具有旋转不表性和灰度不变性等显著特点。近些年来，被广泛应用于人脸识别、人脸表情识别等领域。

二、LBP算子

    基本的LBP算子是定义在一个3*3邻域内，将中心像素的灰度值作为阈值，依次用邻域内的剩余8个像素灰度值与阈值进行比较。如果邻域像素的灰度值大于阈值，则在相应的位置标记为1；否则，相应位置标记为0。通过比较，便可得到一个8位二进制数，将其转换为对应十进制数，并用该十进制数来代替中心像素的灰度值。这样，便得到了一个像素的LBP编码，大概过程如下图所示。

    


    对于一幅图像而言，要想得到它的LBP描述，需要先将该图像分成若干个子区域，对每一个子区域按照上述过程得到该子区域的LBP编码，进而便可得到该子区域的直方图，并用该直方图来作为该子区域的LBP描述。最后，将所有子区域的直方图综合起来，便得到了该图像的LBP描述。其大致过程如下图所示：



三、LBP的改进

    对于尺度较大的结构，在一个小的3*3邻域内，基本的LBP算子的并不能够满足不同尺寸和频率纹理的需要。因此，LBP算子被扩展到不同大小的邻域内，将3*3邻域扩展到任意邻域，并用圆形邻域替代方形邻域。通过双线性插值，改进后的LBP算子允许在半径为R的圆形邻域内有任意多个采样点。（P,R）表示的是在半径为R圆上，采样P个点形成的邻域。不同半径和不同采样点数的改进LBP算子如下图所示：



    半径为R，采样点数为P的LBP算子可以产生2^P种不同的二进制模式，这不仅占据较大的内存，而且产生的直方图比较稀疏，不能很好地描述图像的纹理特征。因此，为了解决二进制模式过多的问题，T.Ojala等人提出了一种“Uniform Pattern”（等价模式），该等价模式可以有效地降低二进制模式的种类。当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该LBP所对应的二进制就成为一个等价模式类。例如：11111111（零次跳变），00000011（一次跳变），00110000（两次跳变）都是等价模式类。除等价模式类以外的模式都归为一类，统称为混合模式类。例如：00110011（三次跳变），01010000（四次跳变）。实验表明，（8,1）邻域内等价模式占据90%，（16,2）邻域内等价模式占据70%。
四、参考文献

[1] Ojala, T., Pietik¨ainen, M., Harwood, D.: A comparative study of texture measures with classification based on feature distributions. Pattern Recognition 29 (1996)51–59.

[2] Ojala T, Pietikainen M, Maenpaa T. Multiresolution gray-scale and rotation
invariant texture classification with local binary patterns[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2002, 24(7): 971-987. 

[3] Caifeng Shan,Shaogang Gong,Peter W.McOwan.Facial expression recognition
based on local binary patterns:a comprehensive study[J].Image and Vision Computing,vol.27,no.6,pp.802-816,2009.