紋理特徵提取 及LBP紋理特徵matlab實現
一幅影象的紋理是在影象計算中經過量化的影象特徵。影象紋理描述影象或其中小塊區域的空間顏色分佈和光強分佈。
紋理特徵的提取分為基於結構的方法和基於統計資料的方法。一個基於結構的紋理特徵提取方法是將所要檢測的紋理進行建模，在影象中搜索重複的模式。該方法對人工合成的紋理識別效果較好。但對於交通影象中的紋理識別，基於統計資料的方法效果更好。
LBP方法（Local binary patterns）是一個計算機視覺中用於影象特徵分類的一個方法。LBP方法在1994年首先由T. Ojala, M.Pietikäinen, 和 D. Harwood 提出[43][44]，用於紋理特徵提取。後來LBP方法與HOG特徵分類器聯合使用，改善了一些資料集[45]上的檢測效果。
對LBP特徵向量進行提取的步驟如下：
首先將檢測視窗劃分為16×16的小區域（cell），對於每個cell中的一個畫素，將其環形鄰域內的8個點（也可以是環形鄰域多個點，如圖 3‑4. 應用LBP演算法的三個鄰域示例所示）進行順時針或逆時針的比較，如果中心畫素值比該鄰點大，則將鄰點賦值為1，否則賦值為0，這樣每個點都會獲得一個8位二進位制數（通常轉換為十進位制數）。然後計算每個cell的直方圖，即每個數字（假定是十進位制數）出現的頻率（也就是一個關於每一個畫素點是否比鄰域內點大的一個二進位制序列進行統計），然後對該直方圖進行歸一化處理。最後將得到的每個cell的統計直方圖進行連線，就得到了整幅圖的LBP紋理特徵，然後便可利用SVM或者其他機器學習演算法進行分類了。
[43]T. Ojala, M. Pietikäinen, and D. Harwood (1994), "Performance evaluation of texture measures with classification based on Kullback discrimination of distributions", Proceedings of the 12th IAPR International Conference
on Pattern Recognition (ICPR 1994), vol. 1, pp. 582 - 585.
[44]T. Ojala, M. Pietikäinen, and D. Harwood (1996), "A Comparative Study of Texture Measures with Classification Based on Feature Distributions", Pattern Recognition, vol. 29, pp. 51-59.
[45]Xiaoyu Wang, Tony X. Han, Shuicheng Yan,"An HOG-LBP Human Detector with Partial Occlusion Handling", ICCV 2009