LBP 圖 與灰度圖很像，只是將灰度轉為LBP值
那么什么事LBP值
LBP值就是以灰度圖中每個像素點的灰度為閾值，周圍灰度超過閾值為1，否則為0，然后將1與0排列為2進制數，最后換算成10進制的數字，這個數字就是該點的LBP值。
周圍像素點的范圍及形狀又將LBP值分成不同類別：
首先正方形以33 8位為常見：分別是image[h-1,w-1]image[h-1,w]image[h-1,w+1]
image[h+1,w-1]image[h+1,w]image[h+1,w+1]image[h,w-1]image[h,w+1]
其次圓形：圓形的制作 dh = np.round([radiusnp.sin(x2np.pi/count) for x in range(count)])
dw = np.round([radiusnp.cos(x2np.pi/count) for x in range(count)])
for i in range(count):
h += dh[i]
w += dw[i]
最后等價模式，等價模式可以實現降維處理，極大的減少了運算成本，作用原理就是將LBP2的n次方特征向量轉換為n(n-1)的特征向量，轉換原理就是原本的2的n次方種數據依據0-1或1-0的跳躍種類，等價模式中跳躍種類只有2次，2次可覆蓋90%比例，所謂跳躍我認為就是灰度像素變為LBP像素過程中0與1的變換，因為既然變換就是兩個像素間變換，而像素位置不變，只能是類型變換過程中產生的變換，具體怎么應用不知道。
將灰度圖轉為LBP圖后，目的是獲取特征向量，將特征向量作為訓練集進行訓練
python 有現成的LBP特征檢測函數 skimage.feature.local_binary_pattern()
這個函數的關鍵參數：1、灰圖片 2、依賴點的數量 3、半徑

轉為LBP圖后很容易就可以轉為直方圖,提取出特征向量，numpy有現成的函數:
np.histogram()
這個函數的關鍵參數：1、原圖 2、normed是否進行歸一化 3、bins為LBP的最大值+1
4、LBP的范圍range=(0,bins)
代碼如下：

from skimage import feature as skft import numpy as np import cv2 from matplotlib import pyplot as pltpath = 'timg.jpg' image = cv2.imread(path,0)img = skft.local_binary_pattern(image,8,2) img = img.astype(np.int32) max_bins = int(img.max())+1 #直接引入函數返回歸一化直方圖 #img,x_img= np.histogram(img,normed=True,bins=max_bins,range=(0,max_bins)) #手寫直方圖 h,w = img.shape a = np.zeros((1,max_bins)) s = 0 for i in range(h):for j in range(w):a[:,img[i,j]] += 1s += 1 a = np.squeeze(a/s) print(np.sum(a))

總結

以上是生活随笔為你收集整理的图像处理（十三）LBP特征提取的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。