extractLBPFeatures
提取局部二值模式(LBP)特征
描述
例子
利用LBP特征通过纹理区分图像
读取包含不同纹理的图像。
brickWall = imread (“bricks.jpg”）;rotatedBrickWall = imread (“bricksRotated.jpg”）;地毯= imread (“carpet.jpg”）;
显示图像。
图imshow (brickWall)标题(“砖头”）
图imshow (rotatedBrickWall)标题(“旋转砖”）
图imshow(地毯)标题(“地毯”）
从图像中提取LBP特征，对其纹理信息进行编码。
lbpBricks1 = extractLBPFeatures (brickWall,“正直”、假);lbpBricks2 = extractLBPFeatures (rotatedBrickWall,“正直”、假);lbpCarpet = extractLBPFeatures(地毯、“正直”、假);
通过计算LBP特征之间的平方误差来判断它们之间的相似性。
= (lbpBricks1 - lbpBricks2).^2;= (lbpBricks1 - lbpCarpet).^2;
想象一下砖块与砖块、砖块与地毯的平方误差。当图像纹理相似时，平方误差较小。
图酒吧([brickVsBrick;brickVsCarpet)”,“分组”)标题(LBP直方图的平方误差)包含(的LBP直方图的垃圾箱)传说(“砖块vs旋转砖块”，“砖vs地毯”）
对LBP特征应用L1归一化
读入样本图像并将其转换为灰度。
我= imread (“gantrycrane.png”）;I = im2gray(我);
提取未归一化的LBP特性，以便应用自定义归一化。
lbpFeatures = extractLBPFeatures(我“CellSize”(32 32),“归一化”，“没有”）;
将LBP特征重塑为数量的邻居——- - - - - -细胞的数量数组以访问每个单元格的直方图。
numNeighbors = 8;numBins = numNeighbors * (numNeighbors-1) + 3;lbpCellHists =重塑(lbpFeatures numBins, []);
使用L1范数对每个LBP细胞直方图进行归一化。
lbpCellHists = bsxfun (@rdivide lbpCellHists,总和(lbpCellHists));
将LBP特征向量重塑为1-by-N特征向量。
lbpFeatures =重塑(lbpCellHists 1 []);
输入参数
输出参数
特性- LBP特征向量
1——- - - - - -N向量
LBP特征向量，返回为1-by-N向量的长度N表示特征的数量。LBP特征编码局部纹理信息，可以用于分类、检测和识别等任务。该函数将输入图像划分为不重叠的单元。要在较大的区域上收集信息，请选择较大的单元格大小。但是，当您增加单元格大小时，您将丢失局部细节。N，取决于图像中单元格的数量，numCells，邻居的数量，P,正直的参数。
单元格数计算如下:
numCells= prod (地板上（大小（我）/CellSize）） |
图中显示了一个带有9个单元格直方图的图像。每个直方图描述一个LBP特征。
每个单元格的直方图大小为[1，B),B为直方图中箱子的数量。箱子的数量取决于正直的财产和邻居的数量，P．
| 正直的 | 数量的垃圾箱 |
|---|---|
真正的 |
(P (x)P1) + 3) |
假 |
（P+ 2) |
总的LBP特征长度，N，取决于细胞的数量和容器的数量，B：
| N＝numCellsxB |
参考文献
[1] Ojala, T.， M. Pietikainen和T. Maenpaa。“基于局部二值模式的多分辨率灰度和旋转不变纹理分类”。模式分析与机器智能学报．第24卷第7期，2002年7月，第971-987页。
扩展功能
另请参阅
extractHOGFeatures|extractFeatures|detectBRISKFeatures|detectMSERFeatures|matchFeatures|detectSURFFeatures|SURFPoints|MSERRegions|detectHarrisFeatures|detectFASTFeatures|detectMinEigenFeatures
主题
你也可以从以下列表中选择一个网站:
