OpenCV图像纹理

LBP描述

LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和D. Harwood 在1994年提出，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征

计算过程

原始的LBP算子定义为在3\*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3\*3邻域内的8个点经比较可产生8位二进制数（通常转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。数学表达式方式如下图所示

上述表述可能会比较抽象，接下来我们举一个例子表述一下：

代码实现

class LBP 
{
public:
	LBP(string url = "mm.jpg") :img(imread(url, IMREAD_GRAYSCALE)) 
	{
		result["img"] = img;
	}
	void GetLBP()
	{
		result["LBP"] = Mat::zeros(img.rows - 2, img.cols - 2, CV_8UC1);
		for (int i = 1; i < img.rows - 1; i++) 
		{
			for (int j = 1; j < img.cols - 1; j++) 
			{
				uchar temp = img.at<uchar>(i, j);
				uchar color = 0;
				color |= (img.at<uchar>(i - 1, j - 1) > temp) << 7;
				color |= (img.at<uchar>(i - 1, j) > temp) << 6;
				color |= (img.at<uchar>(i - 1, j + 1) > temp) << 5;
				color |= (img.at<uchar>(i, j + 1) > temp) << 4;
				color |= (img.at<uchar>(i+1, j + 1) > temp) << 3;
				color |= (img.at<uchar>(i+1, j) > temp) << 2;
				color |= (img.at<uchar>(i+1, j - 1) > temp) << 1;
				color |= (img.at<uchar>(i, j - 1) > temp) << 0;
				result["LBP"].at<uchar>(i - 1, j - 1) = color;
			}
		}
	}
	void Show() 
	{
		for (auto v : result) 
		{
			imshow(v.first, v.second);
		}
		waitKey(0);
	}

protected:
	map<string, Mat> result;
	Mat img;
};

SIFT特征检测

尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表，2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。

SIFT算法是为了解决图片的匹配问题，想要从图像中提取一种对图像的大小和旋转变化保持鲁棒的特征，从而实现匹配。这一算法的灵感也十分的直观：人眼观测两张图片是否匹配时会注意到其中的典型区域（特征点部分），如果我们能够实现这一特征点区域提取过程，再对所提取到的区域进行描述就可以实现特征匹配了。

SIFT算法大致流程

高斯金字塔

人看物体时近大远小，可以对图片下采样实现
远处模糊，可以对图像高斯平滑实现

高斯差分金字塔特征提取

获取了不同尺度的图片
获取高频区域（边缘检测的算法使用差分滤波器如拉普拉斯滤波器、sobel滤波器）

特征点处理

阈值化操作(去噪)
非极大值抑制
二阶泰勒修正
低对比度去除
边缘效应去除

描述特征点

确定特征点区域方向
特征点区域描述子

API介绍

static Ptr<SIFT> create(int nfeatures = 0, int nOctaveLayers = 3,double contrastThreshold = 0.04, double edgeThreshold = 10,double sigma = 1.6);
/*******************************************************************
*           nfeatures:                    保留的最佳特性的数量
*           cornOctaveLayersners:   高斯金字塔最小层级数
*           contrastThreshold:           对比度阈值用于过滤区域中的弱特征
*           edgeThreshold:             用于过滤掉类似边缘特征的阈值
*           sigma:                       高斯输入层级
*********************************************************************/

virtual void detect( InputArray image,std::vector<KeyPoint>& keypoints,InputArray mask=noArray());
/*******************************************************************
*           image:                输入图
*           keypoints:   角点信息
*           mask:               计算亚像素角点区域大小
*********************************************************************/

void drawKeypoints( InputArray image, const std::vector<KeyPoint>& keypoints, InputOutputArray outImage,const Scalar& color=Scalar::all(-1), DrawMatchesFlags flags=DrawMatchesFlags::DEFAULT );
/*******************************************************************
*           image:                输入图
*           keypoints:   角点信息
*           outImage:           输出图
*           color:             颜色
*           flags:               绘制标记
*********************************************************************/

完整代码

#include <iostream>
#include <map>
#include <new>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
class SIFTFeature 
{
public:
	SIFTFeature() :img(imread("mm.jpg")) 
	{
		result["img"] = img;
	}
	void TestSIFT() 
	{
		Ptr<SIFT> sift = SIFT::create();
		sift->detect(img, point);
		drawKeypoints(img, point, result["SIFT"], Scalar(255, 0, 255));
	}
	void Show() 
	{
		for (auto& v : result) 
		{
			imshow(v.first, v.second);
		}
		waitKey(0);
	}
protected:
	Mat img;
	vector<KeyPoint> point;
	map<string, Mat> result;
};

int  main() 
{
	unique_ptr<SIFTFeature> p(new SIFTFeature);
	p->TestSIFT();
	p->Show();
	return 0;
}

效果图：