局部渐变图案实现

Question

我正在尝试理解局部梯度模式，它在局部梯度模式 - 一种新颖的面部特征表示中有所描述表情识别.

有一个计算像素新值的例子如下：

我看到中心像素（即 25）的 Pattern-1 值为 10，Pattern-2 值为 01。我有几个问题。

中心像素的新值是多少？
LGP和LBP有什么关系？
是否有使用 LGP 转换二维矩阵的伪代码（Python 首选）？

Answer 1

What will be the new value of that center pixel?

这取决于编码方案。参考论文没有清楚地解释局部梯度模式是如何编码的。一种可能的编码是：

哪里

如果将示例的强度值引入模式代码结果上方的表达式中：

请注意，使用不同编码的效果是对直方图 bin 进行重新排序，但这不会对分类准确性产生影响。

How LGP is related with LBP?

LGP 只是众多 LBP 变体 中的一种。查看 this book 进行全面审查。

Is there any pseudo code for converting a 2D matrix using LGP (Python preferred)?

试试这个代码：

import numpy as np

def LGP_codes(img, r=1):
    padded = np.pad(img, (r, r), 'constant')
    a1 = padded[:-2*r, :-2*r]
    b1 = padded[:-2*r, r:-r]
    a2 = padded[:-2*r, 2*r:]
    b2 = padded[r:-r, 2*r:]
    a3 = padded[2*r:, 2*r:]
    b3 = padded[2*r:, r:-r]
    a4 = padded[2*r:, :-2*r]
    b4 = padded[r:-r, :-2*r]
    codes = (a1 >= a3) + 2*(a2 >= a4) + 4*(b1 >= b3) + 8*(b2 >= b4)
    return codes[r:-r, r:-r]

演示

In [31]: patch = np.array([[18, 25, 14], 
    ...:                   [85, 25, 86], 
    ...:                   [45, 65, 14]])
    ...: 

In [32]: LGP_codes(patch)
Out[32]: array([[9]])

局部渐变图案实现

Local Gradient Pattern Implementation

python

numpy

image-processing

feature-extraction

lbph-algorithm