Analisis mendalam LBP corak binari tempatan

Corak Binari Tempatan (LBP) ialah deskriptor ciri tekstur yang biasa digunakan untuk mendedahkan maklumat tekstur imej. Algoritma LBP pertama kali dicadangkan oleh Ojala et al pada tahun 1996, dan telah diperbaiki dan dibangunkan secara berterusan dalam penyelidikan seterusnya.

Idea asas algoritma LBP adalah untuk menukar hasil perbandingan kepada nombor binari dengan membandingkan nilai kelabu setiap piksel dengan piksel sekelilingnya. Dengan cara ini, setiap piksel boleh diwakili sebagai corak binari tempatan. Dengan mengira masa kejadian corak binari tempatan yang berbeza dalam imej, vektor ciri yang menerangkan maklumat tekstur imej boleh diperolehi.

Langkah pelaksanaan khusus algoritma LBP adalah seperti berikut:

Pilih piksel dalam imej (dipanggil piksel pusat) dan beberapa piksel di sekelilingnya (dipanggil piksel jiran).

Untuk setiap piksel jiran, bandingkan perbezaan nilai kelabunya dengan piksel tengah. Jika nilai kelabu piksel jiran lebih besar daripada piksel pusat, tetapkan ia kepada 1, jika tidak tetapkannya kepada 0.

Nilai perduaan piksel jiran digabungkan untuk membentuk corak perduaan tempatan bagi piksel pusat.

Lintasi keseluruhan imej, lakukan operasi di atas pada setiap piksel, dan akhirnya dapatkan imej yang terdiri daripada corak binari tempatan.

Untuk keseluruhan imej, kira bilangan kejadian corak binari tempatan yang berbeza dan bentuk vektor ciri.

Kelebihan algoritma LBP ialah ia mudah dikira, tidak memerlukan latihan, dan boleh menerangkan maklumat tekstur imej dengan berkesan Oleh itu, ia digunakan secara meluas dalam pengecaman imej, pengecaman muka, pengesanan pejalan kaki dan bidang lain.

Langkah pengekstrakan ciri imej corak binari tempatan

Algoritma corak binari tempatan boleh menerangkan dengan baik maklumat tekstur imej, jadi ia digunakan secara meluas untuk pengekstrakan ciri imej. Berikut ialah langkah pengekstrakan ciri imej corak perduaan tempatan am:

1 Prapemprosesan imej: Tukar imej kepada imej skala kelabu dan lakukan operasi prapemprosesan seperti penyamaan histogram untuk meningkatkan kontras imej dan keteguhan ciri. seks.

2. Pilih titik pensampelan dan jejari pensampelan: Untuk mengira corak binari tempatan, anda perlu memilih titik pensampelan dan jejari pensampelan. Titik pensampelan ialah piksel jiran di sekeliling piksel pusat, dan jejari pensampelan ialah jarak dari piksel pusat ke titik pensampelan.

3 Kira corak binari tempatan: Untuk setiap piksel dalam imej, kira corak binari setempatnya. Khususnya, bagi setiap piksel, nilai kelabunya dibandingkan dengan nilai kelabu piksel jiran di sekelilingnya Jika nilai kelabu piksel jiran lebih besar daripada nilai kelabu piksel pusat, maka berat piksel jiran ialah. 1, jika tidak ia adalah 0. Dengan menggabungkan pemberat semua piksel jiran ke dalam nombor perduaan, corak perduaan tempatan bagi piksel diperoleh.

4. Statistik corak binari tempatan: Untuk keseluruhan imej, kira bilangan kejadian corak binari tempatan yang berbeza dan bentuk vektor ciri.

5 Normalisasi vektor ciri: Normalkan vektor ciri untuk menghapuskan perbezaan skala antara imej yang berbeza.

6 Pemilihan ciri: Lakukan pemilihan ciri pada vektor ciri dan pilih ciri yang menyumbang banyak kepada kesan pengelasan.

7 Pengelasan ciri: Gunakan pengelas untuk mengelaskan vektor ciri.

Algoritma pengekstrakan ciri imej corak binari tempatan adalah mudah dan berkesan, dan boleh menerangkan dengan baik maklumat tekstur imej oleh itu, ia telah digunakan secara meluas dalam pengelasan imej, pengecaman muka, pengesanan pejalan kaki dan bidang lain.

Cara menggunakan corak binari tempatan untuk pengecaman muka

Algoritma corak binari tempatan telah digunakan secara meluas dalam bidang pengecaman muka. Berikut ialah langkah pengecaman muka umum berdasarkan algoritma LBP:

1 Penyediaan set data: Sediakan set latihan dan set ujian yang mengandungi imej muka Setiap imej perlu dilabelkan dengan lokasi muka dan label muka.

2. Prapemprosesan imej: Tukar imej kepada imej skala kelabu dan lakukan operasi prapemprosesan seperti penyamaan histogram untuk meningkatkan kontras imej dan keteguhan ciri.

3 Pengesanan muka: Gunakan algoritma pengesanan muka (seperti algoritma Viola-Jones) untuk mengesan wajah dalam imej dan memangkas serta menormalkan bahagian muka.

4 Pengekstrakan ciri: Untuk imej wajah yang dipangkas dan dinormalkan, gunakan algoritma LBP untuk mengekstrak ciri. Corak binari tempatan bagi setiap piksel digubah menjadi vektor ciri, dan vektor ciri dinormalkan.

5. Pengurangan dimensi ciri: Lakukan operasi pengurangan dimensi seperti PCA atau LDA pada vektor ciri untuk mengurangkan dimensi vektor ciri dan meningkatkan kebolehpisahan ciri.

6 Latihan pengelas: Gunakan set latihan untuk melatih pengelas (seperti SVM, KNN, dll.).

7 Pengelasan set ujian: Gunakan pengelas terlatih untuk mengklasifikasikan set ujian dan mendapatkan keputusan ramalan.

8 Nilaikan model: Gunakan ketepatan, ingat semula, nilai F1 dan penunjuk lain untuk menilai model dan menala parameter model.

Langkah di atas adalah proses pengecaman muka umum berdasarkan algoritma LBP. Dalam aplikasi praktikal, ia boleh dilaraskan dan dioptimumkan mengikut masalah tertentu.

Atas ialah kandungan terperinci Analisis mendalam LBP corak binari tempatan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!