哪个网站可以做纸箱,手机网站建设事项,网站空间免,php旅游类网站开发『youcans 的 OpenCV 例程200篇 - 总目录』
【youcans 的 OpenCV 例程200篇】228. 特征描述之 extendLBP 改进算子 特征通常是针对于图像中的某个目标而言的。针对目标所在区域的特征描述符#xff08;Region descriptors#xff09;#xff0c;称为区域特征描述子。
局部…『youcans 的 OpenCV 例程200篇 - 总目录』
【youcans 的 OpenCV 例程200篇】228. 特征描述之 extendLBP 改进算子 特征通常是针对于图像中的某个目标而言的。针对目标所在区域的特征描述符Region descriptors称为区域特征描述子。
局部二值模式LBPLocal binary patterns是一种用来描述图像局部纹理特征的算子它具有旋转不变性和灰度不变性的优点 。 LBP 特征计算简单、效果较好在计算机视觉领域得到了广泛的应用。 4.2.2 改进的 LBP 纹理特征描述子
基本 LBP 算子
基本的 LBP 算子定义在 3×3 的窗口内以窗口中心像素为阈值与相邻的 8 个像素的灰度值比较大于阈值则标记为 1否则标记为 0。从右上角开始顺时针旋转排列 8 个 0/1标记值得到一个 8 位二进制数就是窗口中心像素点的 LBP 值。 LBPP,R(xc,yc)∑p0P−1S(gp−gc)∗2pS(gp−gc){1,gp≥gc0,gpgcLBP_{P,R} (x_c,y_c) \sum_{p0}^{P-1} S(g_p-g_c)*2^p\\ S(g_p-g_c) \begin{cases} 1, \quad g_p \ge g_c\\ 0, \quad g_p \lt g_c \end{cases} LBPP,R(xc,yc)p0∑P−1S(gp−gc)∗2pS(gp−gc){1,gp≥gc0,gpgc
基本的 LBP 纹理特征描述子只覆盖了一个固定半径范围内的小区域。这种特征描述方法是随尺度变化的当图像尺度变化时 LBP 特征编码也会发生变化因此在大尺寸图像时就不能准确提取到所需的纹理特征不能反映所描述的纹理信息。
圆形可变半径模式
为了满足尺度、灰度和旋转不变性的要求Ojala 等对 LBP 算子进行了改进将 3×3 邻域扩展到任意邻域并用圆形邻域代替了方形邻域。改进算子允许在半径为 R 的圆形邻域内有 P 个采样点称为扩展 LBP 算子Extended LBPCircular LBP。
每个采样点的值可以通过下式计算 xpxcR∗cos(2πp/P)ypyc−R∗sin(2πp/P)x_p x_c R*cos(2 \pi p /P) \\ y_p y_c - R*sin(2 \pi p /P) \\ xpxcR∗cos(2πp/P)ypyc−R∗sin(2πp/P) 其中 (xc,yc)(x_c,y_c)(xc,yc) 为邻域中心 (xp,yp)(x_p,y_p)(xp,yp) 为采样点 p。如果采样点 p 的坐标不是整数位置则用双线性插值方法估计其灰度值 f(x,y)[1−x,x][f(0,0),f(0,1)f(1,0),f(1,1)][1−yy]f(x,y) [1-x, x] \begin{bmatrix} f(0,0), f(0,1)\\ f(1,0), f(1,1) \end{bmatrix} \begin{bmatrix} 1-y\\ y \end{bmatrix} f(x,y)[1−x,x][f(0,0),f(0,1)f(1,0),f(1,1)][1−yy]
旋转不变模式
LBP 算子是灰度不变的但不是旋转不变的。图像旋转后的 LBP 值是不同的从而影响识别精度。。
Maenpaa等提出具有旋转不变性的 LBP 算子不断旋转圆形邻域得到一系列 LBP 值将最小的 LBP 值作为该邻域的 LBP 值从而具有旋转不变性。
等价模式Uniform Pattern
一个 LBP 特征大量不同的二进制组合且随邻域集内采样点数的增加而以指数形式增长如半径为 R 的圆形区域内含有 P 个采样点的 LBP 算子具有 2P2^P2P 种不同模式。模式种类数量太多不利于纹理的提取、分类、识别及存取因此需要研究用少量模式数量来表示图像的纹理特征。
Ojala提出了“等价模式Uniform Pattern”把某个最多有两次 0/1 跳变的二进制组合所对应的 LBP 定义为一个等价模式类其它所有的模式都定义为混合模式类。这种方法将模式数量由 2P2^P2P 种减少为 P(P−1)2P(P-1)2P(P−1)2 种显著减少了特征向量的维数可以减少高频噪声的影响。
此外还有各种改进的 LBP 方法例如
TLBP中心像素与周围所有像素比较而不是选择 P 个采样点DLBP考察四个方向的灰度变化每个方向用 2bits 编码MLBP用采样点像素的平均值代替中心像素进行比较处理MB-LBP将图像级联分块以小区域代替像素单位进行处理VLBP 对于动态图像序列考虑前 p 帧图像和后 p 帧图像的 LBP 特征RGB-LBP对彩色图像的 RGB 颜色分量分别计算 LBP 后再进行连接 例程 14.8特征描述之 extendLBP 改进算子 # 14.8 特征描述之 extendLBP 改进算子def basicLBP(gray):height, width gray.shapedst np.zeros((height, width), np.uint8)kernelFlatten np.array([1, 2, 4, 128, 0, 8, 64, 32, 16]) # 从左上角开始顺时针旋转for h in range(1, height-1):for w in range(1, width-1):LBPFlatten (gray[h-1:h2, w-1:w2] gray[h, w]).flatten() # 展平为一维向量, (9,)dst[h, w] np.vdot(LBPFlatten, kernelFlatten) # 一维向量的内积return dst# extend LBP在半径为 R 的圆形邻域内有 N 个采样点def extendLBP(gray, r3, n8):height, width gray.shapeww np.empty((n, 4), np.float) # (8,4)p np.empty((n, 4), np.int) # [x1, y1, x2, y2]for k in range(n): # 双线性插值估计坐标偏移量和权值# 计算坐标偏移量 rxryrx r * np.cos(2.0 * np.pi * k / n)ry -(r * np.sin(2.0 * np.pi * k / n))# 对采样点分别进行上下取整x1, y1 int(np.floor(rx)), int(np.floor(ry))x2, y2 int(np.ceil(rx)), int(np.ceil(ry))# 将坐标偏移量映射到 0-1tx rx - x1ty ry - y1# 计算插值的权重ww[k, 0] (1 - tx) * (1 - ty)ww[k, 1] tx * (1 - ty)ww[k, 2] (1 - tx) * tyww[k, 3] tx * typ[k, 0], p[k, 1], p[k, 2], p[k, 3] x1, y1, x2, y2dst np.zeros((height-2*r, width-2*r), np.uint8)for h in range(r, height-r):for w in range(r, width-r):center gray[h, w] # 中心像素点的灰度值for k in range(n):# 双线性插值估计采样点 k 的灰度值# neighbor gray[iy1,jx1]*w1 gray[iy2,jx1]*w2 gray[iy1,jx2]*w3 gray[iy2,jx2]*w4x1, y1, x2, y2 p[k,0], p[k,1], p[k,2], p[k,3]gInterp np.array([gray[hy1,wx1], gray[hy2,wx1], gray[hy1,wx2], gray[hy2,wx2]])wFlatten ww[k,:]grayNeighbor np.vdot(gInterp, wFlatten) # 一维向量的内积# 由 N 个采样点与中心像素点的灰度值比较构造 LBP 特征编码dst[h-r, w-r] | (grayNeighbor center) (np.uint8)(n-k-1)return dst# 特征描述之 extendLBP 改进算子img cv2.imread(../images/fabric1.png, flags1)gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度图像# 1) skimage 特征检测from skimage.feature import local_binary_patterntimeBegin cv2.getTickCount()lbpSKimage local_binary_pattern(gray, 8, 1)timeEnd cv2.getTickCount()time (timeEnd-timeBegin)/cv2.getTickFrequency()print(1) skimage.feature 封装:, round(time, 4))timeBegin cv2.getTickCount()imgLBP1 basicLBP(gray) # 从右上角开始顺时针旋转timeEnd cv2.getTickCount()time (timeEnd-timeBegin)/cv2.getTickFrequency()print(2) basicLBP:, round(time, 4))timeBegin cv2.getTickCount()r1, n1 3, 8imgLBP2 extendLBP(gray, r1, n1)timeEnd cv2.getTickCount()time (timeEnd-timeBegin)/cv2.getTickFrequency()print(3) extendLBP(r{},n{}):{}.format(r1, n1, round(time, 4)))timeBegin cv2.getTickCount()r2, n2 5, 8imgLBP3 extendLBP(gray, r2, n2)timeEnd cv2.getTickCount()time (timeEnd-timeBegin)/cv2.getTickFrequency()print(4) extendLBP(r{},n{}):{}.format(r1, n1, round(time, 4)))plt.figure(figsize(9, 6))plt.subplot(231), plt.axis(off), plt.title(origin)plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))plt.subplot(232), plt.axis(off), plt.title(gray)plt.imshow(gray, gray)plt.subplot(233), plt.axis(off), plt.title(LBP(skimage))plt.imshow(lbpSKimage, gray)plt.subplot(234), plt.axis(off), plt.title(basic LBP)plt.imshow(imgLBP1, gray)plt.subplot(235), plt.title(extend LBP (r{},n{}).format(r1,n1))plt.imshow(imgLBP2, gray), plt.axis(off)plt.subplot(236), plt.title(extend LBP (r{},n{}).format(r2,n2))plt.imshow(imgLBP3, gray), plt.axis(off)plt.tight_layout()plt.show()运行结果
skimage.feature 封装: 0.075basicLBP: 1.9195extendLBP(r3,n8):28.5426extendLBP(r5,n8):28.2654 【本节完】 版权声明 youcansxupt 原创作品转载必须标注原文链接(https://blog.csdn.net/youcans/article/details/125671009) Copyright 2022 youcans, XUPT Crated2022-7-7 227. 特征描述之 LBP 纹理特征算子 228. 特征描述之 extendLBP 改进算子
