关于LBP特征维度的问题

Question

一副64×128的图片；

提取原始LBP特征，采样半径取1，有8个采样点，这样特征模式数是256。

请问：提取整张图片的LBP特征时，是将整幅图片都投影到256个直方上，最终形成256维的特征。

还是划分block，比如block取16×16，每个block投影到256个直方上。64×128尺寸的图片就有4×8×256=8192维。

哪种方法正确呢？

Answer 1

以下回答参考 皆我百晓生、券券喵儿 等免费微信小程序相关内容作答，并由本人整理回复。

这两种方法都可以得到正确的结果，但是实现起来可能会有不同的效率和效果。

第一种方法：

• 将整个图像分成块（block）。
• 对每个block进行LBP变换，并计算直方图。
• 最后，对所有block的直方图进行归一化处理，然后合并成一个向量作为最终的特征表示。

第二种方法：

• 仍然使用块（block）来分割图像。
• 不同的是，对于每个block，可以只考虑其局部区域，而不是整个图像。
• 这种方法会损失一些信息，因为局部区域可能包含的信息比全局区域少。

在实际应用中，通常会选择一种方法，具体取决于数据集的大小、特征的重要性以及性能需求等。如果你的数据非常大或者你想要最大化特征的数量，那么第一种方法可能是更好的选择。但如果数据较小并且你的主要目标是快速训练模型，第二种方法可能更合适。

至于代码实现，这完全取决于具体的编程语言和库。Python中有许多用于处理图像和视频处理的库，例如OpenCV、PIL或TensorFlow。以下是一个简单的例子，使用Python的PIL库：

from PIL import Image

# 加载图片
img = Image.open('image.jpg')

# 获取宽度和高度
width, height = img.size

# 创建一个新的图像，以容纳每个块
new_img = Image.new("RGB", (width // 16 * 16, height // 16 * 16))

# 开始遍历图像中的块
for x in range(0, width, 16):
    for y in range(0, height, 16):
        # 从当前位置开始加载块
        block = img.crop((x, y, x + 16, y + 16))
        
        # 使用LBP变换并计算直方图
        lbp_features = calculate_lbp(block)
        
        # 将块的直方图添加到新的图像中
        new_img.paste(lbp_features, ((x - x % 16) // 16, (y - y % 16) // 16))

# 保存新的图像
new_img.save('output.jpg')

这个示例首先加载了一个图像，然后创建了一个新图像，以便于在其中放置块。接着，它遍历了整个图像的每个块，并计算了它们的LBP特征。最后，它将这些特征添加到了新图像中，并将其保存为输出文件。