lbp 提取特征 python

LBP（Local Binary Patterns）是一种常用于图像处理和计算机视觉领域的特征提取方法，可以用于图像分类、人脸识别、纹理分析等任务。

LBP的思想是将局部图像纹理特征编码为二进制模式，通过统计不同模式的出现频率来表示图像的特征。具体步骤如下：

1. 将图像灰度化：将彩色图像转换为灰度图像，简化处理过程。

2. 划分图像区域：选择图像中的一个像素点作为中心点，并确定邻域大小。

3. 特征编码：将中心点邻域中的像素值与中心点的灰度值进行比较，将大于等于中心点灰度值的像素记为1，反之记为0。得到一个二进制串。

4. 特征直方图：统计整个图像中不同二进制串的出现频率，得到一个特征向量。可以使用Numpy库中的histogram函数来计算直方图。

5. 特征归一化：将特征向量归一化，使得每个元素的值在0到1之间。

在Python中，可以使用OpenCV库中的函数来进行LBP特征提取。具体步骤如下：

import cv2
import numpy as np

# 读取图像
image = cv2.imread('image.jpg', 0)

# 定义LBP算子参数
radius = 1  # 邻域半径
neighbours = 8  # 邻域像素点数

# 计算LBP特征
lbp = np.zeros_like(image)
for i in range(image.shape[0] - 2 * radius):
    for j in range(image.shape[1] - 2 * radius):
        center = image[i + radius, j + radius]
        val = 0
        for k in range(neighbours):
            x = i + int(radius * np.cos(2 * np.pi * k / neighbours))
            y = j + int(radius * np.sin(2 * np.pi * k / neighbours))
            if image[x, y] >= center:
                val += 1 << k
        lbp[i, j] = val

# 计算LBP特征直方图
hist = np.histogram(lbp, bins=np.arange(0, 2**neighbours + 1), density=True)[0]

# 特征归一化
hist /= np.sum(hist)

# 输出特征向量
print(hist)

通过以上步骤，我们可以得到一个代表图像纹理特征的LBP特征向量。这个特征向量可以用于图像分类、人脸识别等任务。