javalbp_HOG+LBP特征学习

最近在学习iDT方面的论文&＃xff0c;里面提到了HOG、HOF、MBH特征算子。慢慢学习&＃xff0c;记录下来&＃xff0c;以便日后查看

首先&＃xff0c;今天学习的是HOG&＃43;LBP特征

1.HOG(方向梯度直方图)广泛用于计算机视觉领域和图像处理中的特征提取&＃xff0c;它具有良好的不变性。

1)主要思想&＃xff1a;

一副图片的边缘或轮廓&＃xff0c;具有较大的梯度变化&＃xff0c;因此&＃xff0c;计算像素的梯度来描述边缘或轮廓信息也就顺其自然

2)具体实现方法&＃xff1a;

针对一副图片&＃xff0c;多个像素(比如6*6)组成一个单元(cell)&＃xff0c;多个单元(比如2*2)组成一个块(block)&＃xff0c;将多个block提取到的特征进行联接得到的即是一副图片最后的HOG特征。

3)提高性能

在block层面对局部直方图进行归一化&＃xff0c;方法&＃xff1a;先计算各直方图在这个块(block)中的密度&＃xff0c;根据这个密度对块(block)中的单元(cell)进行归一化

能够对光照变化和阴影获得更好的效果

4)优点

HOG是在图像的局部单元(cell)上进行操作&＃xff0c;因此它对图像的几何以及光学的形变具有良好的不变性。其次&＃xff0c;在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下&＃xff0c;只要行人大体上能够保持直立的姿势&＃xff0c;可以容许行人有一些细微的肢体动作&＃xff0c;这些细微的动作可以被忽略而不影响检测效果。因此HOG特征是特别适合于做图像中的人体检测的。

提取HOG特征的过程&＃xff1a;

1)将RGB图像转化为灰度图像

2)利用Gamma对灰度图像进行归一化&＃xff0c;降低光照的影响

3)对图片每个像素计算梯度

4)划分cell(如6*6像素/cell)

5)统计每个cell的梯度直方图&＃xff0c;即可形成每个cell的descriptor

6)将每几个cell组成一个block(例如3*3个cell/block)&＃xff0c;一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。

7)将图像内的所有block的HOG特征descriptor串联起来就可以得到该image(你要检测的目标)的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了

2.LBP特征

LBP(Local Binary Pattern&＃xff0c;局部二值模式)是一种用来描述图像局部纹理特征的算子&＃xff1b;它具有旋转不变性和灰度不变性等显著的优点

1、LBP特征的描述

原始的LBP算子定义为在3*3的窗口内&＃xff0c;以窗口中心像素为阈值&＃xff0c;将相邻的8个像素的灰度值与其进行比较&＃xff0c;若周围像素值大于中心像素值&＃xff0c;则该像素点的位置被标记为1&＃xff0c;否则为0。这样&＃xff0c;3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码&＃xff0c;共256种)&＃xff0c;即得到该窗口中心像素点的LBP值&＃xff0c;并用这个值来反映该区域的纹理信息。如下图所示&＃xff1a;

LBP的改进版本&＃xff1a;

原始的LBP提出后&＃xff0c;研究人员不断对其提出了各种改进和优化。

(1)圆形LBP算子&＃xff1a;

基本的 LBP算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域&＃xff0c;这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征&＃xff0c;并达到灰度和旋转不变性的要求&＃xff0c;Ojala等对 LBP 算子进行了改进&＃xff0c;将 3×3邻域扩展到任意邻域&＃xff0c;并用圆形邻域代替了正方形邻域&＃xff0c;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。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子&＃xff1b;

(2)LBP旋转不变模式

从 LBP 的定义可以看出&＃xff0c;LBP 算子是灰度不变的&＃xff0c;但却不是旋转不变的。图像的旋转就会得到不同的 LBP值。

Maenpaa等人又将 LBP算子进行了扩展&＃xff0c;提出了具有旋转不变性的 LBP 算子&＃xff0c;即不断旋转圆形邻域得到一系列初始定义的 LBP值&＃xff0c;取其最小值作为该邻域的 LBP 值。

图 2.5 给出了求取旋转不变的 LBP 的过程示意图&＃xff0c;图中算子下方的数字表示该算子对应的 LBP值&＃xff0c;图中所示的 8 种 LBP模式&＃xff0c;经过旋转不变的处理&＃xff0c;最终得到的具有旋转不变性的 LBP值为 15。也就是说&＃xff0c;图中的 8种 LBP 模式对应的旋转不变的 LBP模式都是00001111。

(3)LBP等价模式

一个LBP算子可以产生不同的二进制模式&＃xff0c;对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生P2种模式。很显然&＃xff0c;随着邻域集内采样点数的增加&＃xff0c;二进制模式的种类是急剧增加的。例如&＃xff1a;5×5邻域内20个采样点&＃xff0c;有220&＃xff1d;1,048,576种二进制模式。如此多的二值模式无论对于纹理的提取还是对于纹理的识别、分类及信息的存取都是不利的。同时&＃xff0c;过多的模式种类对于纹理的表达是不利的。例如&＃xff0c;将LBP算子用于纹理分类或人脸识别时&＃xff0c;常采用LBP模式的统计直方图来表达图像的信息&＃xff0c;而较多的模式种类将使得数据量过大&＃xff0c;且直方图过于稀疏。因此&＃xff0c;需要对原始的LBP模式进行降维&＃xff0c;使得数据量减少的情况下能最好的代表图像的信息。

为了解决二进制模式过多的问题&＃xff0c;提高统计性&＃xff0c;Ojala提出了采用一种“等价模式”(Uniform Pattern)来对LBP算子的模式种类进行降维。Ojala等认为&＃xff0c;在实际图像中&＃xff0c;绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此&＃xff0c;Ojala将“等价模式”定义为&＃xff1a;当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时&＃xff0c;该LBP所对应的二进制就称为一个等价模式类。如00000000(0次跳变)&＃xff0c;00000111(只含一次从0到1的跳变)&＃xff0c;10001111(先由1跳到0&＃xff0c;再由0跳到1&＃xff0c;共两次跳变)都是等价模式类。除等价模式类以外的模式都归为另一类&＃xff0c;称为混合模式类&＃xff0c;例如10010111(共四次跳变)(这是我的个人理解&＃xff0c;不知道对不对)。

通过这样的改进&＃xff0c;二进制模式的种类大大减少&＃xff0c;而不会丢失任何信息。模式数量由原来的2P种减少为 P ( P-1)&＃43;2种&＃xff0c;其中P表示邻域集内的采样点数。对于3×3邻域内8个采样点来说&＃xff0c;二进制模式由原始的256种减少为58种&＃xff0c;这使得特征向量的维数更少&＃xff0c;并且可以减少高频噪声带来的影响。

参考自https://www.cnblogs.com/zhehan54/p/6723956.html