LBP

الگوی باینری محلی

LBP(Local Binary Pattern)

الگوریتم LBP یکی از قویترین الگوریتم های استخراج ویژگی در علم بینایی ماشین است و همچنین یکی از روش هایی است که به طور وسیعی در تحقیقات مربوط به چهره و بازیابی چهره به کار رفته است. الگوریتم الگوی باینری محلی  (LBP) در سال 1994 ابداع گردید. الگوهای باینری محلی روشی  موثر برای توضیح کارایی بافت ها است که  می توان از آن برای اندازگیری استخراج ویژگی های بافت های مجاور در تصاویر استفاده نمود.برای اینکه این الگورتم را مورد بررسی قرار دهم لازم است یکسری از مفاهیم در تصویر را توضیح دهم .

بافت :بافت در تصویر یعنی نحوه چیدمان (قرارگیری ) رنگ های مختلف در کنار یکدیگر می باشدویک الگوی قابل مشاهده وتکرار پذیر در تصاویر می باشد.به عبارت دیگر بسته به اینکه تصویر سیاه سفید یا رنگی باشد قرارگیری اعداد کنار هم که نشاندهنده شدت روشنایی میباشد همان بافت است که در تصاویر سیاه وسفید یا همان باینری اعداد صفرویک ودر تصاویر خاکستری از صفر تا 255 می باشد.

الگوی باینری محلی یکی از روشهای استخراج بافت یک تصویر می باشد.روش الگوی باینری محلی برای استخراج بردار ویژگی به شرح زیر می باشد: 

 

1-      تصویری را درنظرگرفته ویک ناحیه ی همسایگی 3*3 برروی تصویر در نظر میگیریم ،این ناحیه در روی تصویر حرکت میکند و جلو می رود.در هر خانه مقادیر شدت روشنایی از صفر تا 255 مقدار میگیرد.

2-      در هر همسایگی 3*3 فرایند زیر رخ میدهد(اعمال میشود).تمام پیکسل ها با مقدار مرکزی مقایسه میشود.هرپیکسل بزرگتر یا مساوی مقدار مرکز یک وهرپیکسل کمتر از مقدا صفر میگیردوبدین ترتیب همه مقادیر تبدیل به صفر ویک شده وبه باینری تبدیل میشود.

3-      یک رشته ی بیتی از اعداد تولید می شود سپس از یک نقطه شروع میکنیم ودر جهت عقربه های ساعت یا خلاف جهت عقربه ها حرکت میکنیم واعداد را مینویسیم وبدین ترتیب یک رشته ی 8بیتی بوجود می آید.بعد از آن معادل دهدهی رشته ی بیتی محاسبه میشود.

(228)₁₀=(11100100)₂

          این عدد اصطلاحا کد LBP مخصوص پیکسل مرکزی میشود.برای هر پیکسل میتوان به همین صورت یک کد

       LBP  در آوریم .اگراین فرایند را جلوببریم بدین ترتیب به ازای یک تصویر ورودی بازهم پیکسل های    تصویرLBP   بین 0 تا 255 خواهد بود.

4-       هیستوگرام تصویرLBP محاسبه میشودواز روی هیستوگرام بردار ویژگی را می نویسیم.در نهایت میتوان این هیستوگرام را نرمالایز کنیم.

تمام مراحل گفته شده در شکل زیر نشان داده شده است :

الگوی باینری محلی در یک همسایگی از تصویر به صورت زیرتعریف میشود:

که در آن R  شعاع همسایگی و P تعداد نقاط موجود در همسایگی ،g_c  شدت روشنایی مرکز همسایگی و g_i نیز شدت روشنایی نقاط موجود درهمسایگی می باشد.با توجه به (1) خروجی عملگر الگوهای باینری محلی برای هر همسایگی از تصویر، یک عدد باینری p بایتی است که دارای 2^p مقدار مختلف می باشد. عدد باینری حاصل، به نحوه اندیس گذاری همسایگی ها بستگی دارد.لذا برای این که بتوان برای هر همسایگی مقدار یکتایی به دست آورد،عدد باینری حاصل را چرخانده و مقدار کمینه را به عنوان الگوی محلی به مرکز همسایگی مورد نظر انتساب می دهند:

که نماد ri نمایانگر این است که عملگر نسبت به چرخش حساس نمی باشد وPOR نیز عملگر چرخش به راست برای عدد باینری حاصل است در (2) عمل چرخش به راست برروی عدد باینری p بایتی ، p بار انجام شده و حداقل عدد بدست آمده به ازای i های بین 0 و p-1 به عنوان الگوی باینری محلی انتخاب می شود. با اعمال این روش ، به همسایگی های موجود در تصویر، برچسبی بین 0 تا 2^p-1 نسبت داده  می شود و در نهایت از هیستوگرام نرمال شده این برچسب ها، به عنوان[D1]  ویژگی برای طبقه بندی بافت تصویر استفاده می شود.

بررس روش الگوی باینری محلی

روش الگوهای باینری محلی در شکل اصلی خود، پیچیدگی محاسباتی بالایی دارد و با افزایش تعداد نقاط موجود در همسایگی، این پیچیدگی محاسباتی نیز افزایش می یابد.

مشاهده شده است که این روش، قدرت جداسازی چندان زیادی ندارد. یکی از دلایل آن، تغییر بسیار زیاد فرکانس وقوع الگوهاست. برخی ازالگوها که درصد بسیار زیادی از تصویر را تشکیل می دهند، از ویژگی های اصلی بافت تصویر هستند. این الگوها، الگوهای همگن یا یکنواخت نامیده می شوند .معیار یکنواختی، نشان دهنده تعداد جهش ها درشدت روشنایی نقاط موجود در همسایگی است. به عنوان مثال عددباینری 10000011 دارای دو جهش در شدت روشنایی است، پس میزان یکنواختی این الگو برابر 2 می باشد. در این روش الگوهایی که میزان همگنی آنها حداکثر برابرU_T باشد، به عنوان الگوهای همگن تعریف می شوند. شکل بهبودیافته الگوهای باینری محلی به صورت زیرتعریف میشود:

با توجه به ( 3)، شکل بهبودیافته الگوهای باینری محلی به همسایگی های همگن برچسبی بین 0 تا p و به همسایگی های غیر همگن، برچسب p+1 را نسبت می دهد، بنابراین هر همسایگی از تصویر می تواند یکی از p+2 مقدار مختلف را داشته باشد. احتمال برخورد به یک برچسب خاص را می توان به صورت نسبت تعداد نقاطی که دارای آن برچسب هستند به تعداد کل نقاط، تقریب زد. بنابراین در شکل بهبودیافته الگوهای باینری محلی p+2 دسته احتمال مختلف حاصل می شود که می توان از هیستوگرام نرمال شده این برچسب ها و با استفاده از نسبت درس نمایی لگاریتمی، بافت تصویر را طبقه بندی کرد. در این حالت یک نمونه به طبقه ای انتساب داده می شود که احتمالات محاسبه شده برای این نمونه، مقدار زیر را کمینه کند

 

که M_i,k احتمالات مبنای مربوط به طبقه K وS_i نیز احتمالات محاسبه شده مربوط به بافت مورد بررسی می باشد.

مشکل روش LBP :

یکی از مشکلات روش الگوهای باینری محلی، پیچیدگی محاسباتی بالا و تعداد الگوهای ایجادشده می باشد. بدیهی است که با افزایش تعداد نقاط همسایگی، تعداد الگوهای موجود و در نتیجه پیچیدگی محاسباتی به صورت نمایی افزایش پیدا میکند. مثلاً چنانچه تعداد نقاط همسایگی از8 نقطه به 16 نقطه افزایش یابد، تعداد الگوها نیز از 256 به 65536 الگوافزایش می یابد و یا اگر تعداد نقاط همسایگی از 16 نقطه به 24 نقطه افزایش یابد، تعداد الگوها نیز به 16777216 افزایش پیدا می کند. برای حل این مشکل، از شکل بهبودیافته الگوهای باینری محلی استفاده نموده اند.

---

 [D1]