Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

L'utilisation d'un code LBP uniforme a deux avantages. Le premier est le gain e

L'utilisation d'un code LBP uniforme a deux avantages. Le premier est le gain en mémoire et en temps de calcul. Le deuxième est que LBPu2 permet de détecter uniquement les textures locales importantes, comme les spots, les fins de ligne, les bords et les coins (figure 3.9.b) pour des exemples de ces textures particulières. En effet, Ojala et al. Ont montré que les LBPs uniformes contiennent plus de 90 % de l'information d'une image. Technique LBP [4] L’opérateur LBP a été proposé initialement par Ojala et al. [146] dans le but de caractériser la texture d'une image. Le calcul de la valeur LBP consiste pour chaque pixel à "seuiller" ses huit voisins avec un seuil dont la valeur est le niveau de gris du pixel courant. Tous les voisins prendront alors une valeur 1 si leur valeur est supérieure ou égale au pixel courant et 0 si leur valeur est inférieure (figure 3.8). Le code LBP du pixel courant est alors produit en concaténant ces 8 valeurs pour former un code binaire. On obtient donc, comme pour une image à niveaux de gris, une image des valeurs LBP contenant des pixels dont l'intensité se situe entre 0 et 255. La technique LBP a été étendue ultérieurement en utilisant des voisinages de tailles différentes. Dans ce cas, un cercle de rayon R autour du pixel central est considéré. Les valeurs des P points échantillonnés sur le bord de ce cercle sont prises et comparées avec la valeur du pixel central. Pour obtenir les valeurs des P points échantillonnés dans le voisinage pour tout rayon R, une interpolation est nécessaire. On adopte la notation (P, R) pour définir le voisinage de P points de rayon R d'un pixel. La figure 3.9 (a) illustre trois voisinages pour des valeurs de R et P différentes. هاذي مع لخر La meilleure performance est obtenue dans le cas (P, R) = (24,4) avec et TEE = 4,92 % et TV= 91,38 %. - Tous les descripteurs: mean LBP, var LBP, skewness LBP et kurtosis LBP sont meilleurs que le descripteur LBP pour toute échelle. 3.2 Local Binary Patterns Ojiala et al. [18] introduced the Local Binary Pattern operator in 1996 as a means of summarizing local gray-level structure. The operator takes a local neighbourhood around each pixel, thresholds the pixels of the neighbourhood at the value of the central pixel and uses the resulting binary-valued image patch as a local image descriptor. It was originally defined for 3×3 neighbourhoods, giving 8 bit codes based on the 8 pixels around the central one. Formally, the LBP operator takes the form LBP(xc, yc) = _7 n=0 2n s(in − ic) (2) where in this case n runs over the 8 neighbours of the central pixel c, ic and in are the gray-level values at c and n, and s(u) is 1 if u ≥ 0 and 0 otherwise. The LBP encoding process is illustrated in fig. 2. Two extensions to the original operator were made in [19]. The first defined LBP’s for neighbourhoods of different sizes, thus making it feasible to deal with textures at different scales. The second defined the so-called uniform patterns: an LBP is ‘uniform’ if it contains at most one 0-1 and one 1-0 transition when viewed as a circular bit string. For example, the LBP code in fig. 2 is uniform. Uniformity is an important concept in the LBP methodology, representing primitive structural information such as edges and corners. Ojala et al. observed that although only 58 of the 256 8-bit patterns are uniform, nearly 90 percent of all observed image neighbourhoods are uniform. In methods that histogram LBP’s, the number of bins can be thus significantly reduced by assigning all non-uniform patterns to a single bin, often without losing too much information. LBP’s are resistant to lighting effects in the sense that they are invariant to monotonic gray-level transformations, and they have been shown to have high discriminative power for texture classification [18]. T. Ahonen et al. introduced an LBP based method for face recognition [1] that divides the face into a regular grid of cells and histograms the uniform LBP’s within each cell. Finally, the cell-level histograms are concatenated to produce a global descriptor vector. Like the Gabor descriptor, the LBP descriptor is usually high dimensional. For example, a 128×128 face image with 8×8 pixel cells produces a 15104-D LBP descriptor vector (256 patches with 59 entries/patch). uploads/S4/ lbp-a77.pdf