第二章 相關研究
2.1 Local Binary Patterns, LBP
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
4
第二章 相關研究
本章節將探討幾個與本研究相關的特徵描述子，以及數個針對特徵描述子提 出的降維方式，並指出其尚不完美或與本研究相關之處。
2.1 Local Binary Patterns, LBP
區域二元化圖型 (Local Binary Patterns, LBP)是由芬蘭的 Oulu 大學 Ojala 等研究學者所提出的[2]，是一種區域紋理變化的特徵描述方式，即圖型經過 LBP 處理後，可以將圖像中各個區域的特徵提取出來。
LBP 的運作方式說明如下：
最初的 LBP 演算法將一張圖型的每個像素依序作為中心點，以此中心點與 其周圍的像素形成一塊 3x3 的區塊，定義此區塊的中心點為 gc，周圍的像素為
gp(1~8)，如下圖 2.1 所示。
圖 2.1：LBP 區塊
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
5
以中心點 gc像素值為門檻值(threshold)，分別與周圍每個點的像素值做比較，
其中若像素值大於或等於門檻值，則將該點編碼為 1，反之，若該點的像素值小 於門檻值，則將該點編碼為 0，即 2.1 式：
𝐿𝐵𝑃(𝑖) = {1, 𝑔𝑐 ≤ 𝑔𝑖
0, 𝑔𝑐 > 𝑔𝑖 (2.1)
經此程序可將區塊內的像素以二元化的方式表示，再對周圍每個點定義加權 值，將上述二元化的編碼乘上加權值後，得到的數值即為該點的 LBP 值，如圖 2.2 所示。
圖 2.2：原始的 LBP 運算方式
依照上述運算方式，依序取得圖像中所有的像素點的 LBP 值，再統計每個 LBP 值出現的次數作成直方圖，即可以用來代表此圖像的特徵，作為此圖像的特 徵描述子。
以上所說明的即為最初的 LBP 編碼方式，但由於其參考點的選擇方式，每 個像素點僅得一3 × 3的區域，在面對較大的紋理結構時，描述的空間範圍顯得
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
6
不足。因此，提出 LBP 的 Ojala 等學者，再把 LBP 的定義作延伸，使得編碼時 參考的區域不再侷限於 3x3 的區塊。
此延伸的定義為 LBP(P,R)，定義參考的區域半徑 R 與參考點數 P，改變原 始 LBP 固定以中心點加上周圍八個參考點的作法，使其可依需求作改變。依此 定 義 ， 在 中 心 點 座 標 為 (0,0) 時 ， 則 參 考 點 的 座 標 為 (−R sin (2πp P⁄ ) , R cos (2πp P⁄ ))，如圖 2.3 所示。
圖 2.3：LBP(4,1)、LBP(8,2)與 LBP(12,3)
雖然 LBP 的處理效率與描述力皆有不錯的表現，且在許多應用上的效果也 頗出色，但從 LBP 的編碼過程中，仍可以發現一些問題的存在，第一個問題為 對雜訊敏感度的問題，當圖型的內容受到雜訊干擾而有些微改變，取得的 LBP 值誤差可能會非常大，如圖 2.4 所示。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
7
圖 2.4：微量雜訊對 LBP 的影響
從圖 2.4 可看出，些微的雜訊的確對 LBP 造成很大的影響，使得應該原屬於 同一樣式的區塊，被分到不同群中，這代表在進行直方圖比對時，可能會發生誤 判，讓辨識率降低。
第二個問題為樣式過多，以原始的 LBP 編碼方式來說，就有 28=256 個樣式，
而若以延伸定義的 LBP(16,2)來說，樣式更多達 216=65536，形成樣式多，樣本卻 不足，表示成直方圖時會得到稀疏的結果，如圖 2.5 所示即樣式數量為 6561 時 的直方圖分佈情況，如此狀況下，此特徵對於圖像是否仍具良好的描述力值得探 討。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
8
圖 2.5：稀疏的直方圖分佈