Question

纹理特征提取方法：LBP, 灰度共生矩阵

Answer 1

搬运自本人 CSDN 博客： 《纹理特征提取方法：LBP, 灰度共生矩阵》
注：本文中大量行内 Latex 公式在中不支持，如果想要仔细参阅，请移步上面的 CSDN 博客链接。

在前面的博文 《图像纹理特征总体简述》 中，笔者总结了图像纹理特征及其分类。在这里笔者对其中两种算法介绍并总结。

参考网址：
《纹理特征提取》
《【纹理特征】LBP 》
《灰度共生矩阵（GLCM）理解》
《灰度共生矩阵的理解》
《图像的纹理特征之灰度共生矩阵 》

参考论文：
《基于灰度共生矩阵提取纹理特征图像的研究》——冯建辉
《灰度共生矩阵纹理特征提取的Matlab实现》——焦蓬蓬

LBP方法（Local binary patterns, 局部二值模式）是一种用来描述图像局部纹理特征的算子；它的作用是进行特征提取，提取图像的局部纹理特征。
LBP是一个计算机视觉中用于图像特征分类的一个方法，用于纹理特征提取。后来LBP方法与HOG特征分类器与其他机器学习算法联合使用。

LBP算法的核心思想，是以某个像素点为中心，与其邻域像素点共同计算。关于邻域像素点的选择方法，其实并不唯一：

这里选择环形邻域的方法进行说明：
窗口中心的像素点作为中心，该像素点的像素值作为阈值。然后将周围8个像素点的灰度值与该阈值进行比较，若周围某像素值大于中心像素值，则该像素点位置被标记为1；反之，该像素点标记为0。
如此这样，该窗口的8个点可以产生8位的无符号数，这样就得到了该窗口的LBP值，该值反应了该窗口的纹理信息。如下图所示：

图中，中心像素点的像素值作为阈值，其值v = 3；周围邻域8个像素值中，有3个比阈值小的像素点置0，5个比阈值大的像素点置1。

LBP算法的计算公式如下：

$$ LBP_{P, R}(x_{c},y_{c}) = \sum_{p=0}^{P-1}s(g_{p} - g_{c})2^p, s(x)=\left{\begin{matrix}1 : x \geq 0 \ 0 : x \leq 0 \end{matrix}\right. $$

LBP纹理特征向量，一般以图像分块LBP直方图表示。具体步骤如下：

得到了整幅图像的LBP纹理特征后，便可以利用SVM或者其他机器学习算法进行分类了。

这两天笔者将会对源码进行测试封装，以后会上传到我的GitHub网站上。

灰度共生矩阵法(GLCM, Gray-level co-occurrence matrix)，就是通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征（纹理的定义仍是难点）。灰度共生矩阵能反映图像灰度关于<font color = red> 方向、相邻间隔、变化幅度等 </font>综合信息，它是分析图像的局部模式和它们排列规则的基础。
对于灰度共生矩阵的理解，需要明确几个概念：方向，偏移量和灰度共生矩阵的阶数。

计算纹理特征第一步，就是将多通道的图像（一般指RGB图像）转换为灰度图像，分别提取出多个通道的灰度图像。
纹理特征是一种结构特征，使用不同通道图像得到的纹理特征都是一样的，所以可以任意选择其一。

一般在一幅图像中的灰度级有256级，从0--255。但在计算灰度共生矩阵时我们并不需要256个灰度级，且计算量实在太大，所以一般分为8个灰度级或16个灰度级。
而且当分成8个灰度级时，如果直接将像素点的灰度值除以32取整，会引起影像清晰度降低，所以进行灰度级压缩时，首先我们会将图片进行直方图均衡化处理，增加灰度值的动态范围，这样就增加了影像的整体对比效果。
注：笔者后文中的例子中，为了简要说明，所以灰度等级简单设置为4。

计算特征值前，先选择计算过程中的一些参数：

下面分部且适当的使用一些例子说明计算过程：

为了达到简单说明计算纹理特征值的目的，笔者此处做简要的假设：灰度被分为4阶，灰度阶从0--3；窗口大小为6 × 6；
窗口A的灰度矩阵A如下：

窗口B的灰度矩阵B如下：

此处以左上角元素为坐标原点，原点记为(1, 1)；以此为基础举例，第四行第二列的点记为(4, 2)；

情景1：d = 1，求0°方向矩阵A的共生矩阵：
则按照0°方向（即水平方向 从左向右，从右向左两个方向 ），统计矩阵值(1, 2)，则如下图所示：

$$
P_{A}(d=1, \theta =0^o)=\begin{vmatrix}
0 & 8 & 0 & 7 \
8 & 0 & 8 & 0 \
0 & 8 & 0 & 7 \
7 & 0 & 7 & 0
\end{vmatrix}
$$

情景2：d = 1，求45°方向矩阵A的共生矩阵：
按照情景1，同理可得此时的统计矩阵结果如下：
$$
P_{A}(d=1, \theta =45^o)=\begin{vmatrix}
12 & 0 & 0 & 0 \
0 & 14 & 0 & 0 \
0 & 0 & 12 & 0 \
0 & 0 & 0 & 12
\end{vmatrix}
$$

情景3：d = 1，求0°与45°方向矩阵B的共生矩阵：
与前面同理，可以得到矩阵B的统计及矩阵结果如下：
$$
P_{B}(d=1, \theta =0^o)=\begin{vmatrix}
24 & 4 & 0 & 0 \
4 & 8 & 0 & 0 \
0 & 0 & 12 & 2 \
0 & 0 & 2 & 4
\end{vmatrix}
$$

$$
P_{B}(d=1, \theta =45^o)=\begin{vmatrix}
18 & 3 & 3 & 0 \
3 & 6 & 1 & 1 \
3 & 1 & 6 & 1 \
0 & 1 & 1 & 2
\end{vmatrix}
$$

矩阵A, B的其余90°、135°矩阵与上面同理，所以笔者偷懒略去。

这样，我们就已经计算得到了单个窗口的灰度共生矩阵的各个方向的矩阵，下面就要用刚才算出的矩阵计算灰度共生矩阵特征值。
用P表示灰度共生矩阵的归一化频率矩阵，其中i, j表示按照某方向同时出现于两个像素的某两个级别的灰度值，所以P(i, j)表示满足这种情况的两个像素出现的概率。
以上述情景2中的矩阵为例：
原矩阵为：
$$
P(d=1, \theta =45^o)=\begin{vmatrix}
12 & 0 & 0 & 0 \
0 & 14 & 0 & 0 \
0 & 0 & 12 & 0 \
0 & 0 & 0 & 12
\end{vmatrix}
$$

归一化后，矩阵形式变为：
$$
P(d=1, \theta =45^o)=\begin{vmatrix}
12/50 & 0 & 0 & 0 \
0 & 14/50 & 0 & 0 \
0 & 0 & 12/50 & 0 \
0 & 0 & 0 & 12/50
\end{vmatrix}
$$

灰度共生矩阵理论的前辈Haralick等人用灰度共生矩阵提出了14中特征值，但由于灰度共生矩阵的计算量很大，所以为了简便，我们一般采用四个最常用的特征来提取图像的纹理特征：<font color=red> 能量、对比度、相关度、熵 </font>。

$ ASM = \sum_{i} \sum_{j}P(i, j)^2 $
能量是灰度共生矩阵各元素的平方和，又被称角二阶距。它是图像纹理灰度变化均一的度量，反映了图像灰度分布均匀程度和纹理粗细程度。

$ CON = \sum_{i} \sum_{j} (i-j)^2 P(i,j) $
对比度是灰度共生矩阵主对角线附近的惯性矩，它体现矩阵的值如何分布，反映了图像的清晰度和纹理沟纹的深浅。

$ CORRLN = [\sum_{i} \sum_{j}((ij)P(i,j)) - \mu_{x} \mu_{y}]/ \sigma_{x} \sigma_{y} $
相关度体现了空间灰度共生矩阵元素在行或列方向上的相似程度，反映了图像局部灰度相关性。

$ ENT = - \sum_{i} \sum_{j} P(i,j) \log P(i,j) $
熵体现了图像纹理的随机性。若共生矩阵中所有值都相等，取得最大值；若共生矩阵中的值不均匀，则其值会变得很小。

求出该灰度共生矩阵各个方向的特征值后，再对这些特征值进行均值和方差的计算，这样处理就消除了方向分量对纹理特征的影响。

一个滑动窗口计算结束后，该窗口就可以移动一个像素点，形成另一个小窗口图像，重复进行上一步的计算，生成新窗口图像的共生矩阵和纹理特征值；
以此类推，滑动窗口遍历完所有的图像像素点后，整个图像就形成了一个由纹理特征值构成的一个纹理特征值矩阵。

之后，就可以将这个纹理特征值矩阵转换成纹理特征图像。

笔者已经对源码进行测试了封装，并上传到了笔者的GitHub网站上。
GitHub： https://github.com/upcAutoLang/GLCM-OpenCV