lbp特征提取（等價模式）

LBP等價模式

      考察LBP算子的定義可知，一個LBP算子可以產生多種二進制模式（p個采樣點）如：3x3鄰域有p=8個采樣點，則可得到2^8=256種二進制模式；5x5鄰域有p=24個采樣點，則可得到2^24=16777216種二進制模式，以此類推......。顯然，過多的二進制模式無論對於紋理的提取還是紋理的識別、分類及信息存取都是不利的，在實際應用中不僅要求采用的算子盡量簡單，同時也要考慮到計算速度、存儲量大小等問題。因此需要對原始的LBP模式進行降維。

      Ojala提出一種“等價模式”（Uniform Pattern）來對LBP算子進行降維，Ojala等認為圖像中，某個局部二進制模式所對應的循環二進制數從0—>1或從1—>0，最多有兩次跳變，該局部二進制模式所對應的二進制就成為一個等價模式。

如00000000,00111000,10001111,11111111等都是等價模式類。判斷一個二進制模式是否為等價模式最簡單的辦法就是將LBP值與其循環移動一位后的值進行按位相與，計算得到的二進制數中1的個數，若個數小於或等於2，則是等價模式；否則，不是。除了等價模式以外的模式都歸一一類，稱為混合模式類，例如10010111（共四次跳變）。

　　跳變的計算方法：如10010111，首先第一二位10，由1—>0跳變一次；第二、三位00，沒有跳變；第三、四位01，由0—>1跳變一次，第四、五位10，由1—>0跳變一次；第五六位01，由0—>1跳變一次；第六七位11，沒有跳變；第七八位11，沒有跳變；第八位和第一位11，沒有跳變；故總共跳變4次。

       通過這種改進，二進制模式的種類大大減少，而不會丟失任何信息，模式種類由原來的2^p減少為p*(p-1)+2種。

       但等價模式代表了圖像的邊緣、斑點、角點等關鍵模式，等價模式占了總模式中的絕大多數，所以極大的降低了特征維度。利用這些等價模式和混合模式類直方圖，能夠更好地提取圖像的本質特征。

 1、LBPFeature.h

#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;

class LBPFeature
{
public:
    //LBP 
    uchar table[256];//查找表
    Mat LbpImg;//Lbp圖像
    Mat Lbp59Mat;    //返回的mat是一個59維的矩陣  32FC1;

public:
    
    int getHopCount(int i);// 獲取i中0,1的跳變次數
    void lbp59table(uchar *table);// 降維數組 由256->59  
    void uniformLBP(Mat &image, Mat &LbpImg, Mat &Lbp59Mat, uchar *table);//得到等價模式lbp值
    LBPFeature(void);
    ~LBPFeature(void);
};

2、LBPFeature.cpp

#include <iostream>
#include <opencv2/opencv.hpp>
#include "LBPFeature.h"

using namespace std;
using namespace cv;

//*******獲取圖像的lbp值 等價模式******

LBPFeature::LBPFeature(void)
{
}


LBPFeature::~LBPFeature(void)
{
}

// 獲取i中0,1的跳變次數
int LBPFeature::getHopCount(int i)
{
    
    int a[8] = { 0 };
    int cnt = 0;
    int k = 7;
    // 轉換為二進制
    while (i)
    {
        // 除2取余  a[k] = i % 2;
        a[k] = i & 1;
        // 除2取整  i/=2;
        i = i >> 1;
        --k;
    }
    // 計算跳變次數
    for (k = 0; k < 7; k++)
    {
        if (a[k] != a[k + 1])
        {
            ++cnt;
        }
    }
    // 注意，是循環二進制,所以需要判斷是否為8
    if (a[0] != a[7])
    {
        ++cnt;
    }
    return cnt;
}

// 建立等價模式表 
void LBPFeature::lbp59table(uchar *table)
{
    //將已開辟內存空間 為256的table的值賦值為0。
    memset(table, 0, 256);

    uchar temp = 1;
    for (int i = 0; i < 256; i++)
    {
        // 跳變次數<=2 的為非0值  
        if (getHopCount(i) <= 2)    
        {
            table[i] = temp;
            temp++;
        }
    }
}

//降維數組 由256->59
void LBPFeature::uniformLBP(Mat &image, Mat &LbpImg, Mat &Lbp59Mat, uchar *table)
{
    Lbp59Mat = Mat::zeros(1, 59, CV_32FC1);
    float saveResult[59] = { 0.0 };
    LbpImg.create(Size(image.cols, image.rows), image.type());
    for (int y = 1; y < image.rows - 1; y++)
    {
        for (int x = 1; x < image.cols - 1; x++)
        {
            //得到鄰域像素值
            uchar neighbor[8] = { 0 };
            neighbor[0] = image.at<uchar>(y - 1, x - 1);
            neighbor[1] = image.at<uchar>(y - 1, x);
            neighbor[2] = image.at<uchar>(y - 1, x + 1);
            neighbor[3] = image.at<uchar>(y, x + 1);
            neighbor[4] = image.at<uchar>(y + 1, x + 1);
            neighbor[5] = image.at<uchar>(y + 1, x);
            neighbor[6] = image.at<uchar>(y + 1, x - 1);
            neighbor[7] = image.at<uchar>(y, x - 1);
            //得到中心像素值
            uchar center = image.at<uchar>(y, x);

            uchar temp = 0;
            for (int k = 0; k < 8; k++)
            {
                // 計算LBP的值 
                temp += (neighbor[k] >= center)* (1 << k);   
            }
            //  降為59維空間  
            LbpImg.at<uchar>(y, x) = table[temp];   
            
            int value = LbpImg.at<uchar>(y, x);
            for (int k = 0;k<59;k++)
            {
                if (value == k)
                {
                    saveResult[k
                    ]++;
                }
            }

        }
    }
    for (int i = 0;i<59;i++)
    {
        float v59 = saveResult[i];
        Lbp59Mat.at<float>(0, i) = v59;
    }
}