Извлеките функции локального бинарного шаблона (LBP)
features = extractLBPFeatures(I,Name,Value)Name,Value парные аргументы.
Считайте изображения, которые содержат различные структуры.
brickWall = imread('bricks.jpg'); rotatedBrickWall = imread('bricksRotated.jpg'); carpet = imread('carpet.jpg');
Отобразите изображения.
figure
imshow(brickWall)
title('Bricks')
figure
imshow(rotatedBrickWall)
title('Rotated Bricks')
figure
imshow(carpet)
title('Carpet')
Извлеките функции LBP из изображений, чтобы закодировать их информацию о структуре.
lbpBricks1 = extractLBPFeatures(brickWall,'Upright',false); lbpBricks2 = extractLBPFeatures(rotatedBrickWall,'Upright',false); lbpCarpet = extractLBPFeatures(carpet,'Upright',false);
Измерьте подобие между функциями LBP путем вычисления квадратичной невязки между ними.
brickVsBrick = (lbpBricks1 - lbpBricks2).^2; brickVsCarpet = (lbpBricks1 - lbpCarpet).^2;
Визуализируйте квадратичную невязку, чтобы сравнить кирпичи по сравнению с кирпичами и кирпичами по сравнению с ковром. Квадратичная невязка меньше, когда изображения имеют подобную структуру.
figure bar([brickVsBrick; brickVsCarpet]','grouped') title('Squared Error of LBP Histograms') xlabel('LBP Histogram Bins') legend('Bricks vs Rotated Bricks','Bricks vs Carpet')
Читайте в демонстрационном изображении и преобразуйте его в шкалу полутонов.
I = imread('gantrycrane.png');
I = rgb2gray(I);Извлеките ненормированные функции LBP так, чтобы можно было применить пользовательскую нормализацию.
lbpFeatures = extractLBPFeatures(I,'CellSize',[32 32],'Normalization','None');
Измените функции LBP во многий соседний номер массива ячеек, чтобы получить доступ к гистограммам для каждой отдельной ячейки.
numNeighbors = 8; numBins = numNeighbors*(numNeighbors-1)+3; lbpCellHists = reshape(lbpFeatures,numBins,[]);
Нормируйте каждую гистограмму ячейки LBP с помощью нормы L1.
lbpCellHists = bsxfun(@rdivide,lbpCellHists,sum(lbpCellHists));
Измените вектор функций LBP назад к 1 на N характеристический вектор.
lbpFeatures = reshape(lbpCellHists,1,[]);
features — Характеристический вектор LBPХарактеристический вектор LBP, возвращенный как 1 N вектором длины N, представляющий количество функций. Функции LBP кодируют локальную информацию о структуре, которую можно использовать в задачах, таких как классификация, обнаружение и распознавание. Функциональные разделы входное изображение в неперекрывающиеся ячейки. Чтобы собрать информацию по более крупным областям, выберите большие размеры ячейки. Однако, когда вы увеличиваете размер ячейки, вы теряете локальную деталь. N, зависит от количества ячеек в изображении, numCells, количестве соседей, P и Upright параметр.
Количество ячеек вычисляется как:
numCells = напоминание (floorразмерi)/CellSize)) |
Рисунок показывает изображение с девятью гистограммами ячейки. Каждая гистограмма описывает функцию LBP.
Размер гистограммы в каждой ячейке [1, B], где B является количеством интервалов в гистограмме. Количество интервалов зависит от Upright свойство и количество соседей, P.
| Вертикально | Количество интервалов |
|---|---|
true | (P x P –1) + 3) |
false | (P + 2) |
Полное полнометражное LBP, N, зависит от количества ячеек и количества интервалов, B:
| N = numCells x B |
[1] Ojala, T., М. Питикэйнен и Т. Мэенпэа. “Шкала полутонов мультиразрешения и Классификация Структуры Инварианта Вращения С Локальными Бинарными Шаблонами”. Транзакции IEEE согласно Анализу Шаблона и Искусственному интеллекту. Издание 24, Выпуск 7, июль 2002, стр 971-987.
MSERRegions | SURFPoints | detectBRISKFeatures | detectFASTFeatures | detectHarrisFeatures | detectMSERFeatures | detectMinEigenFeatures | detectSURFFeatures | extractFeatures | extractHOGFeatures | matchFeatures