图像纹理

什么是图像的纹理？

先来看下面一组图片：

上面每一行图片的共同点有：有一定规则的局部图案+大量局部的不断重复+整个区域大致为均匀的统一体

图像纹理定义：具有一定结构的模式或图像，以缓慢变化或者周期性变化组织近似规则的排列。

纹理单元（texton）：

• 纹理中有周期性纹理的基本单元；
• 由局部显著特征组成，如拐角、圆点、端点和交叉等；
• 对于非周期纹理，很难确定其 texton；
• 可能有多种尺度的结构纹理。

图像纹理应用：

分类识别	区域分割	纹理合成	空间信息估计 （利用纹理对应区域的变形估计曲面形状 ）

纹理分析

LBP算法

概述

（Local Binary Pattern，局部二值模式）

• 简介：用来描述图像局部纹理特征的算子
• 优点：旋转不变性+灰度不变性
• 由T. Ojala, M.Pietikäinen, 和 D. Harwood 在1994年提出，用于局部纹理特征提取。
  

原始的LBP算子定义在一个3×3的窗口内，以窗口中心像素为阈值，与相邻的8个像素的灰度值比较，若周围的像素值大于中心像素值，则该位置被标记为1;，否则标记为0。

如此可以得到一个8位二进制数（通常还要转换为10进制，即LBP码，共256种），将这个值作为窗口中心像素点的LBP值，以此来反应这个3×3区域的纹理信息。 示意图如下：

代码实现

import numpy as np
import cv2
def LBP(src):
    '''
    :param src:灰度图像
    :return:
    '''
    height = src.shape[0]
    width = src.shape[1]
    dst = src.copy()
    lbp_value = np.zeros((1,8), dtype=np.uint8)
    neighbours = np.zeros((1,8), dtype=np.uint8)
    for x in range(1, width-1):
        for y in range(1, height-1):
            neighbours[0, 0] = src[y - 1, x - 1]
            neighbours[0, 1] = src[y - 1, x]
            neighbours[0, 2] = src[y - 1, x + 1]
            neighbours[0, 3] = src[y, x - 1]
            neighbours[0, 4] = src[y, x + 1]
            neighbours[0, 5] = src[y + 1, x - 1]
            neighbours[0, 6] = src[y + 1, x]
            neighbours[0, 7] = src[y + 1, x + 1]
            center = src[y, x]
            for i in range(8):
                if neighbours[0, i] > center:
                    lbp_value[0, i] = 1
                else:
                    lbp_value[0, i] = 0
            lbp = lbp_value[0, 0] * 1 + lbp_value[0, 1] * 2 + lbp_value[0, 2] * 4 + lbp_value[0, 3] * 8 \
                + lbp_value[0, 4] * 16 + lbp_value[0, 5] * 32 + lbp_value[0, 6] * 64 + lbp_value[0, 0] * 128
            dst[y, x] = lbp
    return dst
src = cv2.imread("/Users/longfeifei/PycharmProjects/ngmachine/pic/2.png")
gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
cv2.imshow("original.jpg", src)
cv2.imshow("gray.jpg", gray)
dst = LBP(gray)
cv2.imshow("result.jpg", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

课堂作业

1.求一幅图的纹理特征图（LBP）

输入图片	纹理图

2.比较三纹理图篇纹理图相似程度（LBP）
**

解决这一个问题的思路是：得出图片的纹理图（LBP），然后比较纹理图的均值感知哈希值。

代码如下：

import numpy as np
import cv2
def aHash(img):
    #缩放为8*8
    img = cv2.resize(img, (8, 8), interpolation=cv2.INTER_CUBIC)
    #转换为灰度图
    #s为像素和初值为0，hash_str为hash值初值为''
    s = 0
    hash_str = ''
    #遍历累加求像素和
    for i in range(8):
        for j in range(8):
            s = s+img[i, j]
    #求平均灰度
    avg = s/64
    #灰度大于平均值为1相反为0生成图片的hash值
    for i in range(8):
        for j in range(8):
            if img[i,j]>avg:
                hash_str=hash_str+'1'
            else:
                hash_str=hash_str+'0'
    return hash_str
def LBP(src):
    '''
    :param src:灰度图像
    :return:
    '''
    height = src.shape[0]
    width = src.shape[1]
    dst = src.copy()
    lbp_value = np.zeros((1,8), dtype=np.uint8)
    neighbours = np.zeros((1,8), dtype=np.uint8)
    for x in range(1, width-1):
        for y in range(1, height-1):
            neighbours[0, 0] = src[y - 1, x - 1]
            neighbours[0, 1] = src[y - 1, x]
            neighbours[0, 2] = src[y - 1, x + 1]
            neighbours[0, 3] = src[y, x - 1]
            neighbours[0, 4] = src[y, x + 1]
            neighbours[0, 5] = src[y + 1, x - 1]
            neighbours[0, 6] = src[y + 1, x]
            neighbours[0, 7] = src[y + 1, x + 1]
            center = src[y, x]
            for i in range(8):
                if neighbours[0, i] > center:
                    lbp_value[0, i] = 1
                else:
                    lbp_value[0, i] = 0
            lbp = lbp_value[0, 0] * 1 + lbp_value[0, 1] * 2 + lbp_value[0, 2] * 4 + lbp_value[0, 3] * 8 \
                + lbp_value[0, 4] * 16 + lbp_value[0, 5] * 32 + lbp_value[0, 6] * 64 + lbp_value[0, 0] * 128
            dst[y, x] = lbp
    return dst
def cmpHash(hash1,hash2):
    n=0
    #hash长度不同则返回-1代表传参出错
    if len(hash1)!=len(hash2):
        return -1
    #遍历判断
    for i in range(len(hash1)):
        #不相等则n计数+1，n最终为相似度
        if hash1[i]!=hash2[i]:
            n=n+1
    return n
src1 = cv2.imread("/Users/longfeifei/PycharmProjects/ngmachine/pic/pic1.png")
src2 = cv2.imread("/Users/longfeifei/PycharmProjects/ngmachine/pic/pic2.png")
src3 = cv2.imread("/Users/longfeifei/PycharmProjects/ngmachine/pic/pic3.png")
gray1 = cv2.cvtColor(src1, cv2.COLOR_BGR2GRAY)
dst1 = LBP(gray1)
gray2 = cv2.cvtColor(src2, cv2.COLOR_BGR2GRAY)
dst2 = LBP(gray2)
gray3 = cv2.cvtColor(src3, cv2.COLOR_BGR2GRAY)
dst3 = LBP(gray3)
hash1=aHash(dst1)
hash2=aHash(dst2)
hash3=aHash(dst3)
n=cmpHash(hash1,hash2)
print('第一张第二张均值哈希算法相似度：'+ str(n))
n=cmpHash(hash2,hash3)
print('第二张第三张均值哈希算法相似度：'+ str(n))
n=cmpHash(hash1,hash3)
print('第一张第三张均值哈希算法相似度：'+ str(n))
cv2.waitKey(0)
cv2.destroyAllWindows()

实验结果：**

第一张图片与第三张图片的相似度较高。