extractLBPFeatures
Извлечение локального двоичного шаблона (LBP) функций
Описание
features = extractLBPFeatures(I,Name,Value)Name,Value аргументы в виде пар.
Примеры
Использование функций LBP для дифференциации изображений по текстуре
Чтение изображений, которые содержат различные текстуры.
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 текстуре.
lbpBricks1 = extractLBPFeatures(brickWall,'Upright',false); lbpBricks2 = extractLBPFeatures(rotatedBrickWall,'Upright',false); lbpCarpet = extractLBPFeatures(carpet,'Upright',false);
Измерьте сходство между функциями LBP, вычисляя квадратичную невязку между ними.
brickVsBrick = (lbpBricks1 - lbpBricks2).^2; brickVsCarpet = (lbpBricks1 - lbpCarpet).^2;
Визуализируйте квадратичную невязку, чтобы сравнить кирпичи с кирпичами и кирпичами с ковром. Квадратичная невязка меньше, когда изображения имеют сходную текстуру.
figure bar([brickVsBrick; brickVsCarpet]','grouped') title('Squared Error of LBP Histograms') xlabel('LBP Histogram Bins') legend('Bricks vs Rotated Bricks','Bricks vs Carpet')
Применение L1 нормализации к функциям LBP
Прочтите в образец изображения и преобразуйте его в полутоновый.
I = imread('gantrycrane.png');
I = im2gray(I);Извлеките ненормализованные функции LBP, чтобы можно было применить пользовательскую нормализацию.
lbpFeatures = extractLBPFeatures(I,'CellSize',[32 32],'Normalization','None');
Измените форму функций LBP на количество соседей -by - количество массивов камер, чтобы получить доступ к гистограммам для каждой отдельной камеры.
numNeighbors = 8; numBins = numNeighbors*(numNeighbors-1)+3; lbpCellHists = reshape(lbpFeatures,numBins,[]);
Нормализуйте каждую гистограмму камеры, используя L1 норму.
lbpCellHists = bsxfun(@rdivide,lbpCellHists,sum(lbpCellHists));
Измените форму вектора признаков LBP на вектор 1-by- N функция.
lbpFeatures = reshape(lbpCellHists,1,[]);
Входные параметры
Выходные аргументы
features - вектор функции LBP
1 -by - N вектор
Вектор функции LBP, возвращенный как 1-байт- N вектор длины N представляющий количество функций. Функции LBP кодируют информацию о локальной текстуре, которую можно использовать для таких задач, как классификация, обнаружение и распознавание. Функция разделяет вход изображение на неперекрывающиеся камеры. Чтобы собрать информацию о больших областях, выберите большие размеры камер. Однако, когда вы увеличиваете размер камеры, вы теряете локальные детали. N зависит от количества камер в изображении, numCells, количества соседей, P и Upright параметр.
Количество камер вычисляется как:
numCells = prod (floor(size(I) / CellSize)) |
Рисунок показывает изображение с девятью гистограммами камер. Каждая гистограмма описывает функцию LBP.
Размер гистограммы в каждой камере [1, B], где B - количество 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) |
Общая длина функции LBP, N, зависит от количества камер и количества интервалов, B:
| N = numCells x B |
Ссылки
[1] Ojala, T., M. Pietikainen, and T. Maenpaa. «Мультиразрешение серой шкалы и классификации инвариантной текстуры вращения с локальными двоичными шаблонами». Транзакции IEEE по шаблонному анализу и машинному анализу. Том 24, выпуск 7, июль 2002 года, стр. 971-987.
Расширенные возможности
См. также
detectBRISKFeatures | detectFASTFeatures | detectHarrisFeatures | detectMinEigenFeatures | detectMSERFeatures | detectSURFFeatures | extractFeatures | extractHOGFeatures | matchFeatures | MSERRegions | SURFPoints