LBP - Local binary patterns

http://www.scholarpedia.org/article/Local_Binary_Pattern

LBP là descriptor cho texture extraction
Lý thuyết về LBP khá dễ hiểu, được đưa ra đầu tiên vào năm 1996 bởi Ojala

Fig. 2 for an example of LBP computation.

Ý tưởng của LBP là tại mỗi sample point (center point), so sánh sự khác nhau giữa center point này và P điểm lân cận trên bán kính R (thường là 8 điểm lân cận, bán kính 1 tức là các điểm liền kề ngay center point)
Sau đó mã hóa hình trên, như vậy nếu mã hóa (8,1) neighborhood sẽ có 2^8 = 256 partern, tuy nhiên LBP không dùng 256 partern này làm các label mà định nghĩa thêm khái niệm uniform patterns mục đích là giảm chiều dài của feature vector
A local binary pattern is called uniform if the binary pattern contains at most two bitwise transitions from 0 to 1 or vice versa when the bit pattern is traversed circularly

For example: the patterns 00000000 (0 transitions), 01110000 (2 transitions) and 11001111 (2 transitions) are uniform whereas the patterns 11001001 (4 transitions) and 01010010 (6 transitions) are not

Sau đó mỗi uniform pattern sẽ được gán một nhãn (label), tất cả các pattern còn lại gán chung một label
Như vậy nếu dùng (8,1) neighborhood thì sẽ có 256 pattern, trong đó có 58 uniform, nên suy ra số chiều của một bin trong LBP là 59
 
SpatialTemporal LBP (LBP kết hợp không gian và thời gian)
Như đã trình bày ở trên thì LBP chỉ liên quan đến không gian, chưa có mỗi liên hệ với thời gian. Zhao and Pietikäinen 2007 đưa ra khái niệm VLBP, thực chất là mở rộng của LBP thêm chiều thời gian
The neighborhood of each pixel is thus defined in three dimensional space. Then, similarly to LBP in spatial domain, volume textons can be defined and extracted into histograms. Therefore, VLBP combines motion and appearance together to describe dynamic textures.

To make VLBP computationally simple and easy to extend, an operator based on co-occurrences of local binary patterns on three orthogonal planes (LBP-TOP) was also introduced. LBP-TOP considers three orthogonal planes: XY, XT and YT, and concatenates local binary pattern co-occurrence statistics in these three directions as shown in Fig.1. The circular neighborhoods are generalized to elliptical sampling to fit to the space-time statistics.



Một đặc điểm nữa là LBP kết hợp với HOG rất tốt trong bài toán classify human (human vs non human)