为什么 scikit-image 中的 local_binary_pattern 函数为不同的模式提供相同的值？

Question

我正在使用 scikit-image 包中的 local_binary_pattern 函数。我想计算半径 1 内 8 个邻居的旋转不变均匀 LBP。这是我的 Python 代码：

import numpy as np
from skimage.feature import local_binary_pattern

image = np.array([[150, 137, 137, 146, 146, 148],
                  [145, 144, 144, 144, 142, 144],
                  [149, 144, 144, 143, 153, 147],
                  [145, 144, 147, 150, 145, 150],
                  [146, 146, 139, 148, 144, 148],
                  [129, 139, 142, 150, 146, 140]]).astype(np.uint8)

lbp = local_binary_pattern(image, 8, 1, "uniform")

print("image =")
print(image)
print("lbp =")
print(lbp)

这是输出

image =
[[150 137 137 146 146 148]
 [145 144 144 144 142 144]
 [149 144 144 143 153 147]
 [145 144 147 150 145 150]
 [146 146 139 148 144 148]
 [129 139 142 150 146 140]]
lbp =
[[ 0.  5.  5.  1.  9.  0.]
 [ 9.  6.  9.  9.  8.  9.]
 [ 0.  8.  6.  8.  0.  3.]
 [ 9.  7.  1.  0.  7.  0.]
 [ 1.  1.  8.  9.  7.  1.]
 [ 3.  4.  9.  0.  2.  3.]]

让我感到困惑的是 lbp 中的某些相同值并不对应于相同的统一模式。例如，lbp[1, 1]和lbp[2, 2]都是6，但是image[1, 1]的LBP是：

1 0 0
1 x 1
1 1 1

image[2, 2] 的 LBP 是：

1 1 1
1 x 0
1 1 1

根据 lbp 中的值，我假设 local_binary_pattern 函数使用 'greater or equal to' 与邻居进行比较。

image[1, 1]和image[2, 2]的LBP都是统一的。但是image[1, 1]和image[2, 2]怎么会有相同的LBP值呢？

Answer 1

旋转不变的LBP不直接使用邻居的像素值，而是在一个圆上插值（为了旋转不变性）。参见 https://github.com/scikit-image/scikit-image/blob/master/skimage/feature/_texture.pyx#L156

又见原LBP论文http://vision.stanford.edu/teaching/cs231b_spring1415/papers/lbp.pdf，其中提到“不落下的邻居的灰度值正好在像素的中心是通过插值估计的。"

Answer 2

为了提高对 LBP 描述符旋转的鲁棒性，将方形邻域替换为圆形邻域。在由八个像素形成的圆形邻域中，对角线上的四个邻域与像素中心不重合。这些邻居的强度值通常通过双线性插值计算。下图以图形方式解释了为什么在您的示例图像中，某些 LBP_3×3 模式与 LBP_8,1 模式不同。

代码

w_cen  =  (1-1/np.sqrt(2))**2  # Weights
w_diag  =  (1/np.sqrt(2))**2
w_orto  =  (1-1/np.sqrt(2))*(1/np.sqrt(2))

def bilinear_interpoplation(i_cen, i_diag, i_hor, i_ver):
    return i_cen*w_cen + i_diag*w_diag + i_hor*w_orto + i_ver*w_orto

def circular_neighbourhood(x):
    [I7, I6, I5] = x[0, :]
    [I0, Ic, I4] = x[1, :]
    [I1, I2, I3] = x[2, :]
    I7i = bilinear_interpolation(Ic, I7, I0, I6)
    I5i = bilinear_interpolation(Ic, I5, I4, I6)
    I3i = bilinear_interpolation(Ic, I3, I4, I2)
    I1i = bilinear_interpolation(Ic, I1, I0, I2)
    interpolated = np.array([[I7i, I6, I5i], 
                             [ I0, Ic,  I4], 
                             [I1i, I2, I3i]])
    return interpolated

def binary_pattern(x):
    return np.where(x >= x[1, 1], 1, 0)

def display_lbps(patch):
    interpolated = circular_neighbourhood(patch)
    print('Patch =')
    print(patch)
    print('LBP of patch =')
    print(binary_pattern(patch))
    print('Interpolated patch =')
    print(interpolated)
    print('LBP of interpolated patch =')
    print(binary_pattern(interpolated))

display_lbps(image[0:3, 0:3])
display_lbps(image[1:4, 1:4])

为什么 scikit-image 中的 local_binary_pattern 函数为不同的模式提供相同的值？

Why does the local_binary_pattern function in scikit-image provide same value for different patterns?

python

numpy

feature-extraction

scikit-image

lbph-algorithm

代码