来自本地二进制模式直方图的特征？答案

【问题标题】：Features from local binary pattern histogram?来自本地二进制模式直方图的特征？
【发布时间】：2020-02-06 23:38:57
【问题描述】：

我正在尝试根据它们的 LBP 直方图确定一些纹理样本之间的相关性。我能找到的关于该主题的大多数文献都讨论了测量直方图对之间的距离（例如欧几里得距离），基本上将直方图的 N 个值中的每一个都视为一个单独的特征，并尝试在 N 维空间内进行聚类。

我不希望将每个值都视为单独的特征，因为我想在分析之前将我的数据与其他纹理特征结合起来。我想知道是否有可以从直方图中提取的非比较特征。

【问题讨论】：

试试 Pearson 的相关/向量距离。
这正是您应该做的：将每个 bin 视为一个独立的特征。您可以毫无问题地向该集合添加其他功能。根据所使用的分类器，您可能需要在分类之前独立地对每个特征进行归一化。

【解决方案1】：

使用相异性度量比较 LBP 直方图确实是基于 LBP 的图像分类的常用方法（请参阅 this review 的主题）。

或者，您可以从 LBP 直方图中提取特征，如 this paper 中所述，通过基于 LBP 的眼底图像分析进行视网膜疾病筛查：

从这些直方图中提取不同的统计信息，将其用作分类阶段的特征。具体而言，计算出的统计值是：均值、标准差、中值、熵、偏度和峰度。总而言之，从每个 LBP 和 VAR 直方图计算出六个统计值，为每个使用的半径提供 12 个特征。因此，特征总数等于 144（12 个特征 × 4 半径 × 3 个分量）。

【讨论】：

有趣的发现。不过，我不相信这会很好地工作。 LBP 直方图的 x 轴不是一个连续变量，每个 bin 是一个独立的类别。他们的位置是按照惯例，没有别的。所以计算时刻似乎……很奇怪。不是说它行不通，只是我不相信。我希望看到更多的人首先成功地使用该方法。