最近看了兩篇關於CLBP和ELBP的文章。現在對文中提到的LBP相關知識做一個小小的總結

一、LBP簡介

1.傳統LBP

其中是中心畫素的灰度值，是其鄰域畫素的灰度值。通過比較中心畫素周圍鄰域畫素與中心畫素的大小，大於中心畫素為1，小於中心 畫素為0，最後按一定順序進行二進位制編碼。對於沒有完全落在畫素中心的鄰域點，可以通過線性插值的方法來估算其灰度值。最後通過遍歷所有LBP畫素值，建立直方圖來表示該圖的紋理特徵。假設圖片尺寸是i*j，則直方圖表達為：

2.uniform LBP

由上文可知，傳統LBP會有種編碼模式，這會生成一個非常冗長的直方圖，由於巨大維數，H值的估計也十分棘手，並且LBP對噪聲十分敏感，圍繞中心畫素輕微的上下波動，可能導致編碼結果大相徑庭。因此，Ojala等人提出了統一編碼模式：

U表示二進位制編碼0/1跳變的次數。一般情況下，U<=2，稱之為統一模式，以p=8為例，編碼數量從原先的=256個變為8*7+3=59個，其中58個為統一模式，如下圖所示。這樣既降低了維度，又減少了高頻噪聲的影響。考慮旋轉不變性，開始7行每一行為一種，再加上全1、全0和其他，共p+2種。

3.

由於LBP過分簡化了區域性結構丟失了紋理資訊，Ojala等人通過對每個區域性模式進行對比，提出了一個區域性互補的描述子，稱為，並使用2維直方圖並聯和，這裡記為LBP/VAR

二、CLBP

與傳統LBP不同，CLBP具有3個描述子。分別是CLBP-C、CLBP-S、CLBP-M。

如圖，規定

，其中

上述公式中並不能直接作為描述子，因為其對於光照，旋轉，噪聲等都很敏感。作者把鄰域畫素和中心畫素的差值分成符號分量和梯度分量，且由二者相乘得到，分別記做CLBP_S和CLBP_M。如圖，（a）為3x3的取樣塊，其差值可由（b）表示，並且可以分解成（c）*（d），（c）為符號分量，（d）為梯度分量。本文中的符號分量CLBP_S實際上就是傳統LBP，兩者編碼方式也是相同的（這裡的-1相當於傳統LBP中的0）。作者分析並驗證了，符號分量所包含的紋理特徵遠高於梯度分量。

由上圖可發現CLBP_M是連續的值，為了與CLBP_S統一編碼，需要將其也轉換成二進位制編碼。受CLBP_S啟發，作者提出以下編碼方式對其進行編碼，其中c是自適應閾值，這裡c的值取整幅圖相中的均值。但文中作者並未給出的計算過程。個人推測是鄰域畫素與中心畫素梯度差的絕對值累加（或者求平均，最後比較的結果都一樣）。

中心畫素代表區域性灰度級，也包含了區域性灰度判別資訊，為了讓其有效和LBP_M和LBP_S結合，我們進行如下編碼：

這裡表示中心畫素灰度值，表示整幅影象灰度的平均值。即通過比較中心畫素與全圖平均畫素值的大小來進行二進位制編碼。

CLBP演算法流程如圖所示。至此三個描述子CLBP_SCLBP_M,CLBP_C全部產生，可通過串聯、並聯或串並聯其直方圖的形式將其進行融合。

最後，運用到紋理識別分類中，用卡方距離來測量兩個直方圖的不相似度：

X是直方圖bin的總數，和別分表示樣本和模板在第x個bin上的值。

三、ELBP

本文中作者針對區域性區域塊提出了兩種互補的特徵型別，畫素強度和畫素差異。畫素強度又分為鄰域畫素強度和中心畫素強度，畫素差異分為徑向差異和角度差異。下面將逐一介紹：

，其中

（應該是1/p，原文中作者寫錯了）可以發現NI-LBP其實就是鄰域畫素與其均值的比較並進行二進位制編碼，說白了和傳統LBP的差異就在於閾值u的選擇不同。

和LBP_C一樣，是整幅圖的均值。

其中，表示的是徑向距離相差的和兩點的畫素灰度值的差。

與RD-LBP類似，其中，表示的是半徑為r且角度相差的兩個畫素灰度值的差。作者通過實驗發現，在統一LBP模式下，AD-LBP所提供的紋理資訊較少，為了降低維度提高運算速率，後面的實驗中，AD-LBP不作為重點。最後，使用串並聯的方式將直方圖融合。下圖是ELBP演算法的示意圖

通過改變（p,r）的值實現多解析度，下圖清晰的表達了實現過程。

參考文獻：