局部梯度模式实现答案

【问题标题】：Local Gradient Pattern Implementation局部梯度模式实现
【发布时间】：2017-10-10 18:15:00
【问题描述】：

我正在尝试理解Local gradient pattern - A novel feature representation for facial expression recognition 中描述的局部渐变模式。

下面有个计算像素新值的例子：

我看到中心像素（即 25）Pattern-1 的值为10 和Pattern-2 的值为01。我有几个问题。

中心像素的新值是多少？
LGP 与 LBP 有什么关系？
是否有任何使用 LGP（首选 Python）转换二维矩阵的伪代码？

【问题讨论】：

标签： python numpy image-processing feature-extraction lbph-algorithm

【解决方案1】：

中心像素的新值是多少？

这取决于编码方案。参考论文没有清楚地解释局部梯度模式是如何编码的。一种可能的编码是：

在哪里

如果将示例的强度值引入到模式代码结果上方的表达式中：

请注意，使用不同编码的效果会是对直方图 bin 进行重新排序，但这不会影响分类准确度。

LGP与LBP有什么关系？

LGP 只是众多LBP 变体中的一种。查看this book 进行全面审查。

是否有任何使用 LGP 转换二维矩阵的伪代码（首选 Python）？

试试这个代码：

import numpy as np

def LGP_codes(img, r=1):
    padded = np.pad(img, (r, r), 'constant')
    a1 = padded[:-2*r, :-2*r]
    b1 = padded[:-2*r, r:-r]
    a2 = padded[:-2*r, 2*r:]
    b2 = padded[r:-r, 2*r:]
    a3 = padded[2*r:, 2*r:]
    b3 = padded[2*r:, r:-r]
    a4 = padded[2*r:, :-2*r]
    b4 = padded[r:-r, :-2*r]
    codes = (a1 >= a3) + 2*(a2 >= a4) + 4*(b1 >= b3) + 8*(b2 >= b4)
    return codes[r:-r, r:-r]

演示

In [31]: patch = np.array([[18, 25, 14], 
    ...:                   [85, 25, 86], 
    ...:                   [45, 65, 14]])
    ...: 

In [32]: LGP_codes(patch)
Out[32]: array([[9]])

【讨论】：

感谢您的精彩解释。真的很感激。你能检查一下吗？ gist.github.com/arsho/251ff14df1c0ed88c469bad17c767efe
如果您必须处理许多图像或图像很大，我建议使用矢量化代码而不是标量代码，因为显式 for 循环可能会减慢程序执行速度。
我不需要处理很多图像。这是为了演示上述算法。你检查过代码吗？如果您进行评论，我会很高兴。
是的，我检查了代码，这就是为什么我建议您使用矢量化代码（如我的 SO 答案中）而不是标量代码（如您的 git 存储库中）。