[OpenCV][Python]使用 LBP（Local Binary Patterns）進行紋理分析和瑕疵檢測

2024/10/23 更新2024/10/23 發佈閱讀 9 分鐘

使用 LBP（Local Binary Patterns）進行紋理分析和瑕疵檢測

Local Binary Patterns（LBP） 是一種用來描述圖像紋理的特徵提取技術。LBP 對於檢測表面紋理的異常具有很好的效果，尤其在檢測紋理一致的材料表面（例如紡織品、紙張、金屬）時，LBP 非常有用。LBP 的優勢在於它的計算效率高，並且對光照變化不敏感。

實驗圖

結果圖

1. LBP 的基本概念

LBP 是基於局部像素的灰度值來描述紋理的，通過比較中心像素與其鄰域像素的大小關係，將鄰域像素的比較結果轉換為二進制數，並將這些二進制數轉換成一個整數值來表徵該像素的紋理。

運算的步驟可以參考這篇我覺得在網路看到解釋得很清楚的文章

LBP 運算的步驟：

Step 1：對每個像素選擇一個 P 個鄰域像素，形成一個環（通常是 8 個像素），半徑為 R。
Step 2：比較每個鄰域像素與中心像素的灰度值，如果鄰域像素的灰度值大於或等於中心像素，記為 1，否則記為 0。
Step 3：將這些二進制結果組成一個 8 位的二進制數，並將這個二進制數轉換為十進制數，這就是 LBP 值。
Step 4：用該 LBP 值替換原來的中心像素，得到一張新的 LBP 紋理圖。

2. LBP 適用場景

紋理分析：LBP 被廣泛用於紋理分析和分類，尤其在表面檢測中，LBP 能夠有效檢測到紋理的細微變化。
瑕疵檢測：當表面的紋理一致性很高時（例如布料、紙張），LBP 能檢測到表面不規則的紋理變化，如異常的斑點或凹凸不平的瑕疵。
人臉識別：LBP 也被應用於人臉識別系統，通過提取人臉的紋理特徵進行分類。

3. LBP 的優勢

簡單高效：LBP 的計算過程相對簡單，對於實時應用來說是高效的。
光照不變性：LBP 對光照變化具有較好的穩健性，因為它主要基於像素之間的比較，而不是絕對灰度值。

函式說明

local_binary_pattern(image, n_points, radius, method='uniform') 中的參數，這裡是每個參數的詳細說明：

n_points 決定參與比較的鄰域像素數。
radius 決定鄰域的範圍。
method 選擇 LBP 模式，其中 uniform 模式減少了特徵數量，適合大多數應用。

image：
這是要應用 LBP 的輸入圖像，通常是灰度圖像（2D numpy 陣列）。LBP 是基於圖像中的像素進行紋理特徵提取的，因此需要輸入灰度圖像。
n_points：
鄰域像素的數量，定義了 LBP 運算時，與中心像素比較的像素數量。它的典型設置是 8 * radius，即圍繞中心像素的 n_points 個鄰域點會參與比較。增加這個數量可以使 LBP 更加敏感於大範圍的紋理變化。
radius：
定義鄰域範圍的半徑，這是從中心像素到鄰域像素的距離。較大的半徑可以捕捉更大範圍的紋理變化，而較小的半徑則專注於更細小的紋理。常用的值包括 1, 2, 3 等。
method='uniform'：
LBP 的模式選擇，'uniform' 表示使用統一模式（Uniform Pattern）。統一模式是指當 LBP 模式中的 0 和 1 之間的轉換次數不超過兩次時，該模式被稱為「統一」。統一模式能夠減少 LBP 特徵的數量，提高特徵的可分性和計算效率。其他可選模式包括：
- 'default'：標準的 LBP 模式，沒有特別的模式簡化。
- 'ror'：旋轉不變的 LBP 模式，對於旋轉的紋理，該模式能夠提供不變性。
- 'var'：變異模式，使用方差來衡量紋理的變化。

4. LBP 的實現與應用

用 skimage 庫來計算 LBP，並展示如何用 LBP 來檢測瑕疵。

import cv2
import numpy as np
from skimage.feature import local_binary_pattern
import matplotlib.pyplot as plt

# LBP 參數
radius = 2  # 增大半徑以擴展感知範圍
n_points = 8 * radius  # 鄰域像素的數量

# 讀取灰度圖像
image_path = 'F:/python/crab/LBP/1111.png'  # 替換成你的圖像路徑
image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)

# 使用高斯濾波來平滑背景紋理
image_smooth = cv2.GaussianBlur(image, (5, 5), 0)

# 計算 LBP 特徵，使用統一模式
lbp = local_binary_pattern(image_smooth, n_points, radius, method='uniform')

# 調整 LBP 的閾值
_, lbp_binary = cv2.threshold(lbp, 0.4 * lbp.max(), 255, cv2.THRESH_BINARY)

# 使用形態學操作清除噪點
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (15, 15))
lbp_clean = cv2.morphologyEx(lbp_binary, cv2.MORPH_OPEN, kernel)

# 畫出輪廓到原始圖像
output_image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)  # 將灰度圖轉換為彩色以顯示輪廓
# 檢測瑕疵區域的輪廓
contours, _ = cv2.findContours(lbp_clean.astype(np.uint8), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 設置最小面積閾值（根據你的需求調整）
min_area = 1000
# 遍歷所有輪廓
for contour in contours:
    area = cv2.contourArea(contour)
    if area > min_area:  # 如果輪廓面積大於閾值
        # 計算輪廓的外接矩形
        x, y, w, h = cv2.boundingRect(contour)
        # 畫出矩形框
        cv2.rectangle(output_image, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 顯示結果
titles = ['Original Image', 'lbp', 'Binary LBP', 'Output with Contours and Rectangles']
images = [image, lbp, lbp_binary, output_image]

plt.figure(figsize=(10, 10))  # 調整窗口大小
for i in range(4):
    plt.subplot(2, 2, i + 1)
    if i == 3:  # 最後一個是彩色圖像
        plt.imshow(cv2.cvtColor(images[i], cv2.COLOR_BGR2RGB))
    else:
        plt.imshow(images[i], cmap='gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])

plt.show()