Mahotas - 计算线性二值模式

---

---

线性二值模式 (LBP) 用于分析图像中的模式。它将图像中中心像素的强度值与其相邻像素进行比较，并将结果编码成二进制模式（0 或 1）。

想象一下，您有一幅灰度图像，其中每个像素代表从黑色到白色的灰色阴影。LBP 将图像划分为小区域。

对于每个区域，它都会查看中心像素并将其亮度与相邻像素进行比较。

如果相邻像素的亮度高于或等于中心像素，则将其分配值为 1；否则，将其分配值为 0。此过程对所有相邻像素重复，从而创建二进制模式。

在 Mahotas 中计算线性二值模式

在 Mahotas 中，我们可以使用 **features.lbp()** 函数计算图像中的线性二值模式。该函数将中心像素的亮度与其邻居进行比较，并根据比较结果分配二进制值（0 或 1）。

然后将这些二进制值组合起来，创建描述每个区域纹理的二进制模式。通过对所有区域执行此操作，将创建一个直方图以统计图像中每个模式的出现次数。

直方图有助于我们了解图像中纹理的分布。

mahotas.features.lbp() 函数

mahotas.features.lbp() 函数将灰度图像作为输入，并返回每个像素的二进制值。然后使用二进制值创建线性二值模式的直方图。

直方图的 x 轴表示计算出的 LBP 值，而 y 轴表示 LBP 值的频率。

语法

以下是 mahotas 中 lbp() 函数的基本语法：

mahotas.features.lbp(image, radius, points, ignore_zeros=False)

其中，

• **image** - 输入灰度图像。

• **radius** - 指定用于比较像素强度的区域的大小。

• **points** - 确定计算每个像素的 LBP 时应考虑的相邻像素数量。

• **ignore_zeros (可选)** - 一个标志，指定是否忽略零值像素（默认值为 false）。

示例

在以下示例中，我们使用 mh.features.lbp() 函数计算线性二值模式。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# Loading the image
image = mh.imread('nature.jpeg')
# Converting it to grayscale
image = mh.colors.rgb2gray(image)
# Computing linear binary patterns
lbp = mh.features.lbp(image, 5, 5)
# Creating a figure and axes for subplots
fig, axes = mtplt.subplots(1, 2)
# Displaying the original image
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# Displaying the linear binary patterns
axes[1].hist(lbp)
axes[1].set_title('Linear Binary Patterns')
axes[1].set_xlabel('LBP Value')
axes[1].set_ylabel('Frequency')
# Adjusting spacing between subplots
mtplt.tight_layout()
# Showing the figures
mtplt.show()

输出

以下是上述代码的输出：

忽略零值像素

在计算线性二值模式时，我们可以忽略零值像素。零值像素是指强度值为 0 的像素。

它们通常表示图像的背景，但也可能表示噪声。在灰度图像中，零值像素由颜色“黑色”表示。

在 mahotas 中，我们可以将 **ignore_zeros** 参数设置为布尔值“True”以在 mh.features.lbp() 函数中排除零值像素。

示例

以下示例显示了通过忽略零值像素计算线性二值模式。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# Loading the image
image = mh.imread('sea.bmp')
# Converting it to grayscale
image = mh.colors.rgb2gray(image)
# Computing linear binary patterns
lbp = mh.features.lbp(image, 20, 10, ignore_zeros=True)
# Creating a figure and axes for subplots
fig, axes = mtplt.subplots(1, 2)
# Displaying the original image
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# Displaying the linear binary patterns
axes[1].hist(lbp)
axes[1].set_title('Linear Binary Patterns')
axes[1].set_xlabel('LBP Value')
axes[1].set_ylabel('Frequency')
# Adjusting spacing between subplots
mtplt.tight_layout()
# Showing the figures
mtplt.show()

输出

上述代码的输出如下：

特定区域的 LBP

我们还可以计算图像中特定区域的线性二值模式。特定区域是指具有任何尺寸的图像的一部分。可以通过裁剪原始图像获得。

在 mahotas 中，要计算特定区域的线性二值模式，我们首先需要从图像中找到感兴趣的区域。为此，我们分别为 x 和 y 坐标指定起始和结束像素值。然后，我们可以使用 lbp() 函数计算该区域的 LBP。

例如，如果我们将值指定为 [300:800]，则该区域将从第 300 个像素开始，并在垂直方向（y 轴）上一直延伸到第 800 个像素。

示例

这里，我们正在计算指定灰度图像的特定部分的 LBP。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# Loading the image
image = mh.imread('tree.tiff')
# Converting it to grayscale
image = mh.colors.rgb2gray(image)
# Specifying a region of interest
image = image[300:800]
# Computing linear binary patterns
lbp = mh.features.lbp(image, 20, 10)
# Creating a figure and axes for subplots
fig, axes = mtplt.subplots(1, 2)
# Displaying the original image
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# Displaying the linear binary patterns
axes[1].hist(lbp)
axes[1].set_title('Linear Binary Patterns')
axes[1].set_xlabel('LBP Value')
axes[1].set_ylabel('Frequency')
# Adjusting spacing between subplots
mtplt.tight_layout()
# Showing the figures
mtplt.show()

输出

执行上述代码后，我们将获得以下输出：