LBP的全称是Local Binary Pattern即局部二值模式，是局部信息提取中的一种方法，它具有旋转不变性和灰度不变性等显著的优点。在人脸识别领域有很多案例，此外，局部特征的算法还有 SIFT HOG等等。
LBP就是一种局部信息，它反应的内容是每个像素与周围像素的关系。举最基本的LBP为例，它反应了像素与周围8个点灰度值的关系，如下图所示：
如上图所示，中间像素的灰度值为54，我们如下定义：当周围像素的灰度值大于等于中间像素值时，则LBP的一位值为1，否则为零。由这个九宫格，我们就得到了8位二进制数，顺时针取值，就得到了一个像素的LBP值，即11010011。那么我们如何表示这个二进值数呢，很简单，我们将它转化为十进制数即可，也就是211，即这一点的LBP值为211。就这样对整个图像进行LBP运算，就可以得到这幅图像的LBP特征。也就是说，我们把一张像素为256*256的图片进行LBP特征提取，我们就可以得到一个256*256的特征图（最外面的一圈进行补0后在进行运算），但每个特征图里的数值的范围是多少呢 0-256吗 不是的，特征图里的数值是由你定义的半径 和邻居数决定的 。比如上述的例子，他的半径是只选了周围一圈的8个，也就是 半径为1，邻居为 8 （一般来说，邻居数为半径的8倍） 。以此类推。 如果我们定义的是 半径为2 ，邻居为 2*8时 得到的特征图的数值的二进制数长度就翻了一番，所以范围是 0-65535 。
但是得到这些特征有什么作用呢？提取图像特征的目标无非就是为了进行分类，我们把一幅灰度图像转化为了LBP特征图像，从理论上讲并没有实现降维，也无法进行分类。
这时就引入了直方图统计，我们将LBP特征进行直方图统计，也就是统计LBP特征0~255各占的比例，这样就进行了数据的降维。之后就可以将一个向量输入分类器中进行分类。可是由于只有256维特征，所以分类的效果并不好。这时我们就引入了图像分块处理的方法，也就是说将图像分成若干的图像块，如，在人脸识别中，把脸分为7*7，5*5的区域，并对这49，25个小区域进行LBP处理，将每个小区域的直方图进行串联，就可以得到整个图像的LBP直方图。并对这个直方图进行分类处理，这样可以大大的增强分类的效果。但是分类数据维度也大大增加了，如果是7*7区域，数据维度为7*7*256＝12544维。
可以看出数据的维度还是比较大，所以需要进一步进行降维，这里就涉及了另外一个概念：Uniform LBP，即均匀模式LBP。这种降维感觉是用了电路中的方法，也就是将原来的256维灰度数据重新分类，统计其位移后的跳变次数，当跳变次数小于2次时就定义为一个Uniform LBP，比如00000000左移一位还是00000000，没有跳变，即跳变次数为0；00001111左移一位为00011110，跳变次数为2；10100000左移一位为01000001跳变次数为3，它不是Uniform LBP。经过统计，Uniform LBP在整个的LBP特征中占85~90%，而Uniform LBP只有58个特征。所以我们将分类特征向量由256维降为58维。在实际应用中，其实是59维，因为加一维表示那些不是Uniform LBP的量。那么7*7的人脸区域在进行降维之后，有7*7*59＝2891维。由此对LBP特征进行了降维。
所以，对LBP特征向量进行提取的步骤为：
1）首先将检测窗口划分为16*16的小区域（cell）
2）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领域内的8个点经过比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；
3）然后计算每个cell的直方图，即每个数字出现的频率，然后对该直方图进行归一化处理
4）最后将得到的每个cell的统计直方图进行连接成一个特征向量，也就是整幅图的LBP纹理特征向量
然后便可以用SVM或者其他机器学习算法进行分类了。
此外，LBP有许多的改进版本
1）圆形LBP算子
基本的LBP算子的最大缺陷就是只覆盖了一个固定半径范围内的小区域，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，并达到灰度和旋转不变性的要求。改进后的LBP算子允许在半径为R的圆形领域内有任意多个像素点，从而得到诸如半径为R的圆形区域内含有p个采样点的LBP算子（见LBP算子.jpg）
2）LBP旋转不变模式
从LBP定义可以看出，LBP算子是灰度不变的，但却不是旋转不变的，图像的旋转就会得到不同的LBP值。为了得到旋转不变性，即不断旋转圆形领域得到一系列初始定义的LBP值，取其最小值作为该领域的LBP值。（见旋转不变的LBP示意.jpg）
3）LBP等价模式
一个LBP算子可以产生不同的二进制模式，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2的p次方中模式，显然，随着领域内采样点数的增加，二进制模式的种类急剧增加。如此多的二值模式对于纹理的表达是不利的。如将LBP算子用于纹理分类或人脸识别时，常采用LBP模式的统计直方图来表达图像的信息，而较多的模式种类将使得数据量过大，且直方图过于稀疏，因此，需要对原始的LBP模式进行降维，使得数据减少的情况下能最好的代表图像的信息。
使用python进行LBP特征提取并进行SVM训练
使用到 skimage sklearn 等等
代码稍后写好放上去。。。。
import numpy as npimport cv2import osfrom skimage import io, transform, color, measure, segmentation, morphology, featurefrom sklearn import svm, multiclass, model_selectionimport csvimport matplotlib.pyplot as plt# from PIL import Imagepath = "G:\\Sample1\\"csvfile = path+"ground_truth.csv"print(csvfile)pic_path = []label_1 = []label_2 = []#把标签转换为 数字量def label2number(label_list): label=np.zeros(len(label_list),) label_unique=np.unique(label_list) num=label_unique.shape[0] # label_list = np.array(label_list) for k in range(num): temp=label_unique[k] index=[i for i, v in enumerate(label_list) if v == temp] # # print(temp) # index=label_list.find(temp) label[index]=k return label,label_unique# 填充空白区域def imfill(im_th): # im_th 是0 1 整形二值图 # Copy the thresholded imapge. im_th = np.uint8(im_th) im_floodfill = im_th.copy() # Mask used to flood filling. # Notice the size needs to be 2 pixels than the image. h, w = im_th.shape[:2] # print('h '+str(h)+' w '+str(w)) mask = np.zeros((h + 2, w + 2), np.uint8) # Floodfill from point (0, 0) cv2.floodFill(im_floodfill, mask, (0, 0), 1) # Invert floodfilled image im_floodfill_inv = cv2.bitwise_not(im_floodfill) # Combine the two images to get the foreground. im_out = im_th | im_floodfill_inv return im_out#打开csv文件 第0列是 图片名称 第1 2列是 两种标签with open(csvfile, "r") as f: # with open(birth_weight_file, "w") as f: csvreader = csv.reader(f) csvheader = next(csvreader) print(csvheader) for row in csvreader: # print(len(row)) pic_path.append(path+'Images\\'+row[0]) label_1.append(row[1]) label_2.append(row[2])# 图片样本进行预处理，进行裁剪，去除非必要部分vidHeight = 660vidWidth = 1120# for i in range(0, len(pic_path)):Data=[]for i in range(0, 1000): if os.path.exists(pic_path[i]): pic_temp = io.imread(pic_path[i]) pic_temp = pic_temp[300:(660+300), 80:(80+1120)] roi = color.rgb2gray(pic_temp) thresh = 140 bw = (roi <= thresh/255) * 1 # 根据阈值进行分割 # dst=np.uint8(dst) pic_temp2 = imfill(bw) cleared = pic_temp2.copy() # 复制 segmentation.clear_border(cleared) # 清除与边界相连的目标物 label_image = measure.label(cleared) # 连通区域标记 connectivity=1 # 4连通区域标记 # image_label_overlay = color.label2rgb(label_image) # 不同标记用不同颜色显示 # plt.imshow(image_label_overlay, interpolation='nearest') # plt.show() borders = np.logical_xor(bw, cleared) # 异或,去除背景 label_image[borders] = -1 Eccentricity = 1 # 离心率 for region in measure.regionprops(label_image): # 循环得到每一个连通区域属性集 # 忽略小区域 if region.area < 100000: continue # print('area is ' + str(region.area) + ' ecc is' + str(region.eccentricity)) if Eccentricity > region.eccentricity: Eccentricity = region.eccentricity minr, minc, maxr, maxc = region.bbox # 绘制外包矩形 # 判断是否有符合条件的区域 if 'minr' in vars(): pic = pic_temp[minr:maxr, minc:maxc,:] pic = transform.resize(pic, [256,256,3]) #print(lbp) # plt.imshow(pic) # plt.show() else: pic = transform.resize(pic_temp, [256, 256, 3]) #提取LBP特征，每个图像分成4块进行提取 pic1 = color.rgb2gray(pic) rows, cols = pic1.shape radius = 2; n_points = radius * 8 lbp_sum=[] for row in range(2): for col in range(2): #print(str((row * rows//2)) + ' : ' + str(((row+1) * rows//2 - 1))) pic1_block = pic1[(row * rows//2) : ((row+1) * rows//2 - 1) , (col * col//2) : ((col+1) * col//2 - 1)] lbp = feature.local_binary_pattern(pic1, n_points, radius, 'uniform') lbp2 = lbp.astype(np.int32) max_bins = int(lbp2.max() + 1) train_hist, _ = np.histogram(lbp2, normed=True, bins=max_bins, range=(0, max_bins)) # print(train_hist.dtype) #print(train_hist) lbp_sum=lbp_sum + train_hist.tolist() # Data.append(lbp_sum) #使用SVM进行训练并计算测试准确率label1, _ = label2number(label_1[0:1000])X_train,X_test, y_train, y_test = model_selection.train_test_split(Data,label1,test_size=0.2, random_state=0)# train_data = Data[0:7]# train_label = label1[0:7]# test_data = Data[8:9]# test_label = label1[8:9]svr_rbf = svm.SVR(kernel='rbf', C=1e3, gamma=0.1);model = multiclass .OneVsRestClassifier(svr_rbf,-1) #.fit(train_data, train_label).score(test_data,test_label)clf = model.fit(X_train, y_train)sore=clf.score(X_test, y_test)print('acc'+str(sore))
参考文献：