介绍
特征提取的共同目标是将原始数据表示为一组简化的特征，以更好地描述其主要特征和属性[1]。 这样，我们可以减少原始输入的维数，并将新功能用作训练模式识别和分类技术的输入。
尽管可以从图片中提取一些功能，但是局部二值模式（LBP）是理论上简单但有效的灰度和旋转不变纹理分类方法。 它们之所以起作用，是因为最频繁的模式对应于原始微特征，例如边缘，拐角，斑点，平坦区域[2]。
在[2]中，Ojala等人。 表明均匀图案的离散出现直方图是非常强大的纹理特征。 图像纹理定义为具有两个属性的二维现象：（1）空间结构（图案）和（2）对比度。
图1.用于测试本地二进制模式方法的图像
方法
圆对称邻居集
给定像素gc的圆对称邻居集由具有坐标（i，j）的点定义，这些点围绕半径为R的圆上的中心点，并包含多个元素P。
质地
我们将纹理T定义为灰度图像中的像素集合
其中gp对应于p个本地邻居的灰度值。
插补
当邻居不在像素中心时，应通过内插法计算该邻居灰度值。 因此，我们需要定义一个给定坐标的函数，该函数返回插值的灰度值。
实现灰度不变性
考虑到可能的信息丢失，可以将纹理变成联合差异。 为了计算它，我们将中心像素的灰度值减去所有邻居集的灰度值。 关节差异分布是高度可区分的纹理运算符。 它记录了P维直方图中每个像素附近的各种模式的发生。
其中gp是p个邻居的灰度值。 该分布对于灰度偏移是不变的。
本地二进制模式
根据定义，LBP_ {P，R}运算符对于灰度的任何单调变换都是不变的。 只要灰度值的顺序保持不变， LBP_ {P，R}运算符的输出就保持恒定。
哪里
统一的本地二进制模式
在[2]中，Ojala提到在他们的实际经验中LBP并不是很好的判别器。 他们建议仅选择一组局部二进制模式，以使空间转换的数量（按位0/1变化）不超过2。例如，模式“ 1111”具有0个空间转换，模式“ 1100”具有1个空间转换，模式“ 1101”具有2个空间转换。 对于每个统一的模式，一个唯一的索引被关联。 从这里借用了创建索引的公式。
现在，我们可以计算中心像素的局部二进制图案。 下一步是计算所有像素的局部二进制图案。
提示：为简单起见，我不考虑所选索引为负的情况（即img_gray [-1] [0]返回第一列的最后一个像素）。 如果我们想进行更准确的计算，则应考虑这种情况并加以处理。
赛顿码
先前的代码并不完美； 但是，真正变慢的是我们遍历所有图像像素。 如果考虑到我们还必须训练一种模式识别技术，那么要等待1分10秒才能计算出我们的特征很多。 因此，我们需要一个替代实现，它对于循环必须更快得多。 在这种情况下，我们将使用Cython。 该代码显示在下一张图像中，这是一大段代码。 它的某些部分可以改进，但是已经快得多了。 如果您对代码不了解，请随时发表评论。
编写代码的方式使得大多数代码完全在C API中运行。 这种策略大大加快了执行速度，但也使我们能够利用Cython的并行模块。 我们将把工作分配到CPU的多个内核上。
使用4个线程，我们可以在不到150 ms的时间内为所有像素计算局部二进制模式。 这是如此之快，以至于我什至不必费心计算多少次。
与类似图像的比较
让我们为砖块拍摄另一张图像，但是该图像将具有不同的纹理。
两种直方图都非常相似，并且它们应该是相似的，最后它们都是砖头。 尽管如此，两个图像中从20到40的特征却非常不同。 这意味着，通过良好的机器学习算法，我们可以正确地对它们进行分类。
结论
本地二进制模式是简单但有效的功能。 背后的理论并不难理解，而且易于编码。 但是，如果我们完全使用Python编写代码，则会遇到一些性能问题。 我们使用Cython解决了这个问题，并取得了令人印象深刻的结果。 下一步是收集不同的纹理图像，并训练您喜欢的机器学习算法对它们进行分类。
Jupyter笔记本
https://github.com/ocampor/notebooks/blob/master/notebooks/image/features/local-binary-patterns.ipynb
参考书目
[1] Marques，O.（2011）。 使用MATLAB进行实际的图像和视频处理。 约翰·威利父子。
[2] Ojala，T.，Pietikäinen，M.和Mäenpää，T.（2002）。 具有局部二进制模式的多分辨率灰度和旋转不变纹理分类。 IEEE Transactions on Pattern Analysis and Machine Intelligence，24（7），971–987。
