1、什么是LBP纹理特征？
LBP（Local Binary Patterns，局部二值模式）是提取局部特征作为判别依据的，一种有效的纹理描述算子，度量和提取图像局部的纹理信息。它具有旋转不变性和灰度不变性等显著的优点，对光照具有不变性。由T. Ojala, M.Pietikäinen, 和D. Harwood 在1994年提出用于纹理特征提取。
LBP特征基本描述：
LBP的基本思想是定义于像素的8邻域中（3x3的窗口）, 以中心像素的灰度值为阈值, 将周围8 个像素的值与其比较, 如果周围的像素值小于中心像素的灰度值, 该像素位置就被标记为0, 否则标记为1。这样3x3的邻域内的八个点经过比较，顺时针能够产生8位二进制数（通常转换为十进制，即LBP码，共256种），每个像素得到一个二进制组合, 即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息，如下图。
LBP算法的核心思想，是以某个像素点为中心，与其邻域像素点共同计算。所以光照变化很难改变中心像素点的灰度值与周围8个像素的大小关系。因为光照是一种区域性质的变化，而不是单像素性质的变化。
LBP特征改进描述：
1）圆形LBP算子：
基本的 LBP算子的最大缺陷在于它只覆盖了一个3 ∗ 3 3*33∗3固定范围内的小区域，这显然不能满足不同尺寸纹理的需要。为了适应不同尺寸的纹理特征，达到灰度和旋转不变性的要求。Ojala将 3×3邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域。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像素点。从而得到了半径为R的圆形区域内含有P个采样点的LBP算子，如下图。
2）LBP旋转不变模式算子：
为保证图像旋转时LBP不变，提出了LBP旋转不变算法。即不断旋转圆形邻域得到一系列初始定义的 LBP值，取其最小值作为该邻域的 LBP 值。这样就出现了多个位置模式对应同一个LBP值的情况，但这其实保证了图像旋转以后还是同一个值。如下图，8种模式都对应的一个LBP(00001111)，8种模式可以看做一个图旋转个不同的角度（黑色0，白色1）。
3）LBP等价算子：
由上可知LBP会产生很多不同的模式，比如半径5,20个采样点，就有可能产生 种二进制模式，这对图像整体纹理描述很不方便。即使在纹理分类或人脸识别时采用的是LBP模式的统计直方图来进行的，但数据量过大将不合适，且直方图表示过于稀疏。所以需要对LBP模式进行降维，使得利用更少的数据就可以表达很好的图像纹理信息。
Ojala提出了（Uniform Pattern）进行降维，利用LBP算子中0,1改变的次数来进行归类，定义从0到1或从1到0最多有两次突变时，该LBP对应的称为一个等价模式，而等价模式以为的都归为混合模式。这样等价模式的总数为2+2(p-1)+(p-1)(p-2)/2种，其中p为采样点数。0次突变2种，1次突变2(p-1)种，两次突变(p-1)(p-2)/2种。
2、基于python的LBP实现
- 首先将检测窗口划分为16×16的小区域（cell）；
- 对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；
- 然后计算每个cell的直方图，即每个数字（假定是十进制数LBP值）出现的频率；然后对该直方图进行归一化处理。
- 最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量；
然后便可利用SVM或者其他机器学习算法进行分类了。参考一些博客中的代码实现效果如下：
from skimage.feature import local_binary_pattern import matplotlib.pyplot as plt import numpy as np from PIL import Image img = np.array(Image.open("./111.tif")) # lbp是像素矩阵 n_point, radius = 8, 3 lbp = local_binary_pattern(img, n_point, radius, 'default') max_bins = int(lbp.max() + 1) # .max()取lbp中最大的数 # test_hist是某个灰度级的个数即y坐标。-是横坐标。 test_hist, _ = np.histogram(lbp, normed=True, bins=max_bins, range=(0, max_bins)) plt.figure(figsize=(10, 4.5)) plt.imshow(lbp,cmap='gray') plt.show() plt.pause(10)local_binary_pattern参数详解：
local_binary_pattern(image, P, R, method='default')
参数（调参）
image：（N，M）阵列灰度图像。（只能是灰度图）
P：int圆对称邻居设置点的数量（角度空间的量化）。
R：float圆的半径（操作员空间分辨率）。
method：{‘default’，‘ror’，‘uniform’，‘var’}确定模式的方法(调参使用)
- 'default'：原始的局部二值模式，它是灰度但不是旋转不变的。
- 'ror'：扩展灰度和旋转不变的默认实现。
- 'uniform'：改进的旋转不变性和均匀的模式以及角度空间的更精细的量化，灰度和旋转不变。
- 'nri_uniform'：非旋转不变的均匀图案变体，它只是灰度不变的R199。
- 'var'：局部对比度的旋转不变方差度量，图像纹理是旋转但不是灰度不变的。
返回值：输出：（N，M）阵列LBP图像
np.histogram()解释：
np.histogram()是一个生成直方图的函数
histogram(a,bins=10,range=None,weights=None,density=False); a是待统计数据的数组； bins指定统计的区间个数； range是一个长度为2的元组，表示统计范围的最小值和最大值，默认值None，表示范围由数据的范围决定 weights为数组的每个元素指定了权值,histogram()会对区间中数组所对应的权值进行求和 density为True时，返回每个区间的概率密度；为False，返回每个区间中元素的个数 a = np.random.rand(100) hist,bins = np.histogram(a,bins=5,range=(0,1)) print(hist) print(bins) # 输出 # [19 30 15 16 20] # [ 0. 0.3 0.4 0.6 0.9 1. ]
