用于纹理分类的多块局部二值模式

此示例展示了如何计算多块局部二值模式 (MB-LBP) 特征以及如何可视化它们。

这些特征的计算方式类似于局部二值模式 (LBP)，不同之处在于使用求和块代替单个像素值。

MB-LBP 是 LBP 的扩展，它可以在使用积分图像的情况下在多个尺度上以恒定时间计算。使用 9 个等大小的矩形来计算一个特征。对于每个矩形，计算像素强度的总和。将这些总和与中心矩形的总和进行比较，以确定特征，类似于 LBP（参见 LBP）。

首先，我们生成一个图像来说明 MB-LBP 的功能：考虑一个 (9, 9) 矩形并将其划分为 (3, 3) 块，然后我们对它应用 MB-LBP。

from skimage.feature import multiblock_lbp
import numpy as np
from numpy.testing import assert_equal
from skimage.transform import integral_image

# Create test matrix where first and fifth rectangles starting
# from top left clockwise have greater value than the central one.
test_img = np.zeros((9, 9), dtype='uint8')
test_img[3:6, 3:6] = 1
test_img[:3, :3] = 50
test_img[6:, 6:] = 50

# First and fifth bits should be filled. This correct value will
#  be compared to the computed one.
correct_answer = 0b10001000

int_img = integral_image(test_img)

lbp_code = multiblock_lbp(int_img, 0, 0, 3, 3)

assert_equal(correct_answer, lbp_code)

现在，让我们将该运算符应用于真实图像，看看可视化效果如何。

from skimage import data
from matplotlib import pyplot as plt
from skimage.feature import draw_multiblock_lbp

test_img = data.coins()

int_img = integral_image(test_img)

lbp_code = multiblock_lbp(int_img, 0, 0, 90, 90)

img = draw_multiblock_lbp(test_img, 0, 0, 90, 90, lbp_code=lbp_code, alpha=0.5)


plt.imshow(img)

plt.show()

在上面的图中，我们看到了计算 MB-LBP 的结果以及计算特征的可视化结果。强度总和低于中心矩形的矩形用青色标记。强度值较高的矩形用白色标记。中心矩形保持不变。