LBP特征提取-matlab图像处理第2期(附完整代码)

文章目录

• • 概要
  • 整体架构流程
  • 技术名词解释
  • 技术细节
  • • 完整代码/原理及注释
    • 注意事项
  • 小结

概要

LBP（Local Binary Patterns，局部二值模式）是一种用于纹理分析和描述的简单而有效的特征。它具有旋转不变性和一定的尺度不变性，并且对灰度变化不敏感。本文将介绍如何使用MATLAB实现一个简单的LBP特征提取函数LBP_features，该函数接收彩色或灰度图像作为输入，并输出表示图像LBP特征的矩阵。

整体架构流程

1. 转换为灰度图像：如果输入图像是彩色的，则首先将其转换为灰度图像。
2. 初始化LBP矩阵：创建一个与输入图像尺寸相同的矩阵来存储LBP特征值。
3. 计算LBP特征：遍历图像中的每个像素点（除了边界），根据其邻域内的像素值与中心像素值的关系计算LBP码。
4. 返回LBP特征图像：将计算得到的LBP特征矩阵转换为uint8类型，并作为结果返回。

技术名词解释

• LBP（Local Binary Patterns）：一种用于纹理分类的特征描述方法，通过比较邻域内像素与中心像素的亮度关系生成二进制数。
• 灰度图像：指每个像素只含有强度信息（即亮度信息）的图像，通常用单通道表示。
• 邻居：在LBP中指的是围绕着中心像素的一圈像素，它们用来与中心像素进行比较以构建LBP码。
• 半径（R）：定义了邻居距离中心像素的距离。
• LBP码：由邻域像素相对于中心像素的亮度对比结果组成的二进制数，可以理解为局部纹理的编码。

技术细节

完整代码/原理及注释

function lbp_image = LBP_features(img)
    
    % 转换为灰度图像
    % 如果输入的是彩色图像，则使用rgb2gray函数将其转换为灰度图像。
    img = rgb2gray(img);
    
    % 获取图像尺寸
    % N是图像的高度，M是图像的宽度。
    [N, M] = size(img);
    
    % 初始化LBP矩阵
    % P是邻居的数量，在这里设置为8，意味着我们考虑的是3x3的邻域。
    % R是邻居到中心像素的距离，设置为1，即直接相邻的像素。
    % 创建一个与输入图像相同大小的零矩阵lbp，用于保存LBP特征值。
    P = 8; % 8个邻居
    R = 1; % 半径为1
    lbp = zeros(N, M);
    
    % 计算LBP特征
    % 遍历图像中除了边缘之外的所有像素点。
    % 对于每个像素点，找到它的8个邻居，并根据它们是否大于中心像素值来构造LBP码。
    for j = 2:N-1
        for i = 2:M-1
            neighbor = [j-1, i-1; j-1, i; j-1, i+1; j, i+1; j+1, i+1; j+1, i; j+1, i-1; j, i-1];
            count = 0;
            for k = 1:8
                if img(neighbor(k,1), neighbor(k,2)) > img(j,i)
                    count = count + 2^(8-k); % 根据邻居像素值是否大于中心像素值，更新LBP码
                end
            end
            lbp(j,i) = count; % 将计算出的LBP码存入lbp矩阵对应位置
        end
    end
    
    % 将LBP特征矩阵转换为uint8类型，以便后续处理或者显示。
    lbp = uint8(lbp);
    
    % 返回LBP特征图像
    lbp_image = lbp;
end

注意事项

• 在上述代码中，为了简化处理，我们忽略了图像的边界像素（即第一行、最后一行、第一列和最后一列）。这是因为这些像素没有完整的8个邻居，因此不能按照标准LBP算法进行处理。
• neighbor变量存储了当前像素周围8个邻居的位置坐标。对于每一个像素，我们检查它的邻居是否比它亮，如果是，则对应的位被设置为1；否则设置为0。所有8个邻居的信息组合在一起形成了最终的LBP码。
• count变量用于累积构建LBP码，每一位都对应于一个邻居，当邻居的亮度大于中心像素时，相应的权重（2的幂）被加到count上。
• 最终得到的LBP特征矩阵lbp可能需要进一步处理，例如直方图统计或归一化等，以便用于纹理分析或其他计算机视觉任务。

小结

LBP特征因其计算简单、鲁棒性强而在纹理识别等领域得到了广泛应用。上述提供的MATLAB代码实现了基本的LBP特征提取过程，能够有效地从图像中提取出纹理信息。然而，实际应用中可能会遇到更复杂的场景，比如非均匀分布的邻居、不同的半径和邻居数量等，这时就需要对基础的LBP算法进行扩展和优化。此外，还可以考虑实现旋转不变性和多尺度的LBP特性，以提高算法的表现力。