我正在努力理解发现here的LBP算法的Matlab实现。我试图找到它如何计算每个像素的二进制文件？它只计算相邻像素大于实际中心像素大小的位置。我想计算每个像素的二进制数，以便使用局部直方图来计算图像的特征。
[ysize, xsize] = size(image);
miny=min(spoints(:,1));
maxy=max(spoints(:,1));
minx=min(spoints(:,2));
maxx=max(spoints(:,2));
% Block size, each LBP code is computed within a block of size bsizey*bsizex
bsizey=ceil(max(maxy,0))-floor(min(miny,0))+1;
bsizex=ceil(max(maxx,0))-floor(min(minx,0))+1;
% Coordinates of origin (0,0) in the block
origy=1-floor(min(miny,0));
origx=1-floor(min(minx,0));
% Minimum allowed size for the input image depends
% on the radius of the used LBP operator.
if(xsize < bsizex || ysize < bsizey)
error('Too small input image. Should be at least (2*radius+1) x (2*radius+1)');
end
% Calculate dx and dy;
dx = xsize - bsizex;
dy = ysize - bsizey;
% Fill the center pixel matrix C.
C = image(origy:origy+dy,origx:origx+dx);
d_C = double(C);
bins = 2^neighbors;
% Initialize the result matrix with zeros.
result=zeros(dy+1,dx+1);
%Compute the LBP code image
% the whole process here
for i = 1:neighbors
y = spoints(i,1)+origy;
x = spoints(i,2)+origx;
% Calculate floors, ceils and rounds for the x and y.
fy = floor(y); cy = ceil(y); ry = round(y);
fx = floor(x); cx = ceil(x); rx = round(x);
% Check if interpolation is needed.
if (abs(x - rx) < 1e-6) && (abs(y - ry) < 1e-6)
% Interpolation is not needed, use original datatypes
N = image(ry:ry+dy,rx:rx+dx);
D = N >= C;
else
% Interpolation needed, use double type images
ty = y - fy;
tx = x - fx;
% Calculate the interpolation weights.
w1 = roundn((1 - tx) * (1 - ty),-6);
w2 = roundn(tx * (1 - ty),-6);
w3 = roundn((1 - tx) * ty,-6) ;
% w4 = roundn(tx * ty,-6) ;
w4 = roundn(1 - w1 - w2 - w3, -6);
% Compute interpolated pixel values
N = w1*d_image(fy:fy+dy,fx:fx+dx) + w2*d_image(fy:fy+dy,cx:cx+dx) + ...
w3*d_image(cy:cy+dy,fx:fx+dx) + w4*d_image(cy:cy+dy,cx:cx+dx);
N = roundn(N,-4);
D = N >= d_C;
end
% Update the result matrix.
v = 2^(i-1);
result = result + v*D;
end
%Apply mapping if it is defined
if isstruct(mapping)
bins = mapping.num;
for i = 1:size(result,1)
for j = 1:size(result,2)
result(i,j) = mapping.table(result(i,j)+1);
end
end
end
if (strcmp(mode,'h') || strcmp(mode,'hist') || strcmp(mode,'nh'))
% Return with LBP histogram if mode equals 'hist'.
result=hist(result(:),0:(bins-1));
if (strcmp(mode,'nh'))
result=result/sum(result);
end
else
%Otherwise return a matrix of unsigned integers
if ((bins-1)<=intmax('uint8'))
result=uint8(result);
elseif ((bins-1)<=intmax('uint16'))
result=uint16(result);
else
result=uint32(result);
end
end
size(result)
end
迭代地，它为每个像素的所有8个邻居的结果添加了一些值。但它是如何与LBP二进制相关联的？它与以下c ++ LBP方法的代码如何相关：
uchar lbp(const Mat_<uchar> & img, int x, int y)
{
// this is pretty much the same what you already got..
uchar v = 0;
uchar c = img(y,x);
v += (img(y-1,x ) > c) << 0;
v += (img(y-1,x+1) > c) << 1;
v += (img(y ,x+1) > c) << 2;
v += (img(y+1,x+1) > c) << 3;
v += (img(y+1,x ) > c) << 4;
v += (img(y+1,x-1) > c) << 5;
v += (img(y ,x-1) > c) << 6;
v += (img(y-1,x-1) > c) << 7;
return v;
}
答案 0 :(得分：8)
它是LBP的矢量化实现，非常适合Matlab。
在初始化指令之后，让我们从“for i = 1:neighbors”行开始查看主循环。循环非常清楚：它计算一个邻居与中心像素的比较，循环迭代所有邻居。你已经明白了这一点，所以现在进入循环深入了解它如何积累所有结果。
循环的核心实际上是复杂的，因为它考虑了真实的圆而不是近似的整数圆。因此，指令的主要部分的目的是计算相邻像素的内插强度。这里它与您作为参考的C ++代码不同，它只采用整数，1像素宽的半径圆。请记住，使用lbp.m代码，您可以 - 理论上，我将在稍后讨论 - 沿着具有N个采样点的半径R的圆计算LBP，因此C ++将对应于半径为1的圆并且具有8个采样点，如果只有没有插值。但是当(abs(x - rx) < 1e-6) && (abs(y - ry) < 1e-6)为假时，邻居不适合图像的像素网格时会有插值。
如果(abs(x - rx) < 1e-6) && (abs(y - ry) < 1e-6)为真，则没有插值，因此中心像素和当前邻居之间所有比较的计算直接存储到D中。否则，它会计算整个图像上采样邻点处的强度的双线性插值：N = w1*d_image(fy:fy+dy,fx:fx+dx) + w2*d_image(fy:fy+dy,cx:cx+dx) + w3*d_image(cy:cy+dy,fx:fx+dx) + w4*d_image(cy:cy+dy,cx:cx+dx);。
最后，转到更新部分：v = 2^(i-1); result = result + v*D;。 v相当于移位：对于第i个邻居，您将比较的值向左移动i-1，或者相等地乘以2^(i-1)。然后你与result求和。所以在循环结束时，计算实际上等同于你的C ++代码，除了它是在整个图像而不是单个像素上完成的。并且C ++代码可以看作是带有半径为1和8个采样点的相邻圆的matlab循环的展开版本。此时，计算LBP映射，以下块是LBP映射的附加处理（通过映射表重新映射，并且可选地计算LBP图像的直方图而不是LBP图像本身）。
现在，关于整个脚本的一点讨论。这里有一个隐藏在脚本末尾的缺陷。实际上，通过代码，您只能被限制为32个邻居，因为最终LBP图像被转换为int32。缺点是变量result被分配为双矩阵而不是整数矩阵，所以我真的希望在更新result时以及稍后在转换为整数时没有近似问题，从而导致变化LBP中的位。通常不应该存在至少52个精度位（根据IEEE 754规范的wikipedia）。我认为这有风险......相反，我不知道长固定大小的有效位向量的matlab类型。我会使用int64而不是int32，但限制将是64个采样邻居。
修改
现在，如果你想要在3 * 3邻域上限制一些局部二进制模式，那么这个Matlab函数对你来说太通用了，最好的办法是为这个邻域展开循环，因此真的接近C ++代码。这是一段代码（我使用按位或代替添加，但它是等效的）：
result = uint8(ysize, xsize);
result = (image(1:end-2,2:end-1) > image(2:end-1,2:end-1)); % <=> v += (img(y-1,x ) > c) << 0;
result = result|bitshift((image(1:end-2,3:end) > image(2:end-1,2:end-1)), 1, 'uint8'); % <=> v += (img(y-1,x+1) > c) << 1;
result = result|bitshift((image(2:end-1,3:end) > image(2:end-1,2:end-1)), 2, 'uint8'); % <=> v += (img(y ,x+1) > c) << 2;
result = result|bitshift((image(3:end,3:end) > image(2:end-1,2:end-1)), 3, 'uint8'); % <=> v += (img(y+1,x+1) > c) << 3;
result = result|bitshift((image(3:end,2:end-1) > image(2:end-1,2:end-1)), 4, 'uint8'); % <=> v += (img(y+1,x ) > c) << 4;
result = result|bitshift((image(3:end,1:end-2) > image(2:end-1,2:end-1)), 5, 'uint8'); % <=> v += (img(y+1,x-1) > c) << 5;
result = result|bitshift((image(2:end-1,3:end) > image(2:end-1,2:end-1)), 6, 'uint8'); % <=> v += (img(y ,x-1) > c) << 6;
result = result|bitshift((image(1:end-2,1:end-2) > image(2:end-1,2:end-1)), 7, 'uint8'); % <=> v += (img(y-1,x-1) > c) << 7;
这是使用强大的矢量化将C代码精确转换为Matlab脚本。有了这个，在这个社区改变另一个订单或不同的测试非常简单。我也提到了这一点，因为在这种情况下Matlab脚本中存在错误，第53行有一个错误的符号：neighobrhood优于spoints=[-1 -1; -1 0; -1 1; 0 -1; 0 -1; 1 -1; 1 0; 1 1];而不是spoints=[-1 -1; -1 0; -1 1; 0 -1; -0 1; 1 -1; 1 0; 1 1];。
答案 1 :(得分：8)
我做了关于本地二进制模式的最后一年项目。我看到了你指向的代码，但我决定编写自己的代码。
这是我的代码：
function [ LBP ] = LBP( I2)
m=size(I2,1);
n=size(I2,2);
for i=2:m-1
for j=2:n-1
J0=I2(i,j);
I3(i-1,j-1)=I2(i-1,j-1)>J0;
I3(i-1,j)=I2(i-1,j)>J0;
I3(i-1,j+1)=I2(i-1,j+1)>J0;
I3(i,j+1)=I2(i,j+1)>J0;
I3(i+1,j+1)=I2(i+1,j+1)>J0;
I3(i+1,j)=I2(i+1,j)>J0;
I3(i+1,j-1)=I2(i+1,j-1)>J0;
I3(i,j-1)=I2(i,j-1)>J0;
LBP(i,j)=I3(i-1,j-1)*2^7+I3(i-1,j)*2^6+I3(i-1,j+1)*2^5+I3(i,j+1)*2^4+I3(i+1,j+1)*2^3+I3(i+1,j)*2^2+I3(i+1,j-1)*2^1+I3(i,j-1)*2^0;
end
end
end
I2是您传递的图像，LBP是输出。为本地二进制模式写了这个：http://quantgreeks.com/local-binary-pattern-in-matlab/。我知道我可以用更有效的形式编写代码。但是以这种方式编写它会清楚地表明本地二进制模式是如何工作的。