Извлечение функций локального двоичного шаблона (LBP)
features = extractLBPFeatures(I,Name,Value)Name,Value аргументы пары.
Считывание изображений, содержащих различные текстуры.
brickWall = imread('bricks.jpg'); rotatedBrickWall = imread('bricksRotated.jpg'); carpet = imread('carpet.jpg');
Отображение изображений.
figure
imshow(brickWall)
title('Bricks')
figure
imshow(rotatedBrickWall)
title('Rotated Bricks')
figure
imshow(carpet)
title('Carpet')
Извлеките элементы LBP из изображений для кодирования информации о текстуре.
lbpBricks1 = extractLBPFeatures(brickWall,'Upright',false); lbpBricks2 = extractLBPFeatures(rotatedBrickWall,'Upright',false); lbpCarpet = extractLBPFeatures(carpet,'Upright',false);
Оцените сходство между функциями LBP, вычисляя квадрат ошибки между ними.
brickVsBrick = (lbpBricks1 - lbpBricks2).^2; brickVsCarpet = (lbpBricks1 - lbpCarpet).^2;
Визуализируйте квадратную ошибку для сравнения кирпичей с кирпичами и кирпичей с ковром. Квадрат ошибки меньше, когда изображения имеют аналогичную текстуру.
figure bar([brickVsBrick; brickVsCarpet]','grouped') title('Squared Error of LBP Histograms') xlabel('LBP Histogram Bins') legend('Bricks vs Rotated Bricks','Bricks vs Carpet')
Прочитайте образец изображения и преобразуйте его в градации серого.
I = imread('gantrycrane.png');
I = im2gray(I);Извлеките ненормализованные элементы LBP, чтобы можно было применить пользовательскую нормализацию.
lbpFeatures = extractLBPFeatures(I,'CellSize',[32 32],'Normalization','None');
Переформатируйте элементы LBP в несколько соседних массивов - количество ячеек - для доступа к гистограммам для каждой отдельной ячейки.
numNeighbors = 8; numBins = numNeighbors*(numNeighbors-1)+3; lbpCellHists = reshape(lbpFeatures,numBins,[]);
Нормализуйте гистограмму каждой ячейки LBP, используя L1 норму.
lbpCellHists = bsxfun(@rdivide,lbpCellHists,sum(lbpCellHists));
Измените форму вектора элементов LBP на 1-N вектор элементов.
lbpFeatures = reshape(lbpCellHists,1,[]);
features - вектор функций LBPВектор элемента LBP, возвращаемый как вектор 1-by-N длиной N, представляющий количество элементов. Функции LBP кодируют информацию о локальной текстуре, которую можно использовать для таких задач, как классификация, обнаружение и распознавание. Функция разбивает входное изображение на неперекрывающиеся ячейки. Для сбора информации по большим областям выберите большие размеры ячеек. Однако при увеличении размера ячейки теряется локальная детализация. N зависит от количества ячеек на изображении, numCells, количества соседних ячеек, P и Upright параметр.
Количество ячеек вычисляется следующим образом:
numCells =floor(size(I)/CellSize)) |
На рисунке показано изображение с девятью гистограммами клеток. Каждая гистограмма описывает функцию LBP.
Размер гистограммы в каждой ячейке равен [1, B], где B - количество ячеек в гистограмме. Количество ячеек зависит от Upright собственность и число соседей, П.
| Вертикально | Количество ячеек |
|---|---|
true | (P x P-1) + 3) |
false | (P + 2) |
Общая длина функции LBP, N, зависит от количества ячеек и количества ячеек, B:
| N = numCells x B |
[1] Оджала, Т., М. Пиетикайнен и Т. Маенпаа. «Серый масштаб и инвариантная классификация текстур с несколькими разрешениями с локальными двоичными шаблонами». Транзакции IEEE по анализу шаблонов и машинному интеллекту. Том 24, выпуск 7, июль 2002 года, стр. 971-987.
detectBRISKFeatures | detectFASTFeatures | detectHarrisFeatures | detectMinEigenFeatures | detectMSERFeatures | detectSURFFeatures | extractFeatures | extractHOGFeatures | matchFeatures | MSERRegions | SURFPoints