Local Binary Pattern

综述

局部二值模式：描述图像局部纹理的特征算子

• 具有旋转不变性、灰度不变性
• 通过对窗口中心的、领域点关系进行比较，重新编码形成新特征 以消除外界场景对图像影响，一定程度上解决了复杂场景下 （光照变换）特征描述问题
• 分类
  • 经典LBP：3 * 3正方向窗口
  • 圆形LBP：任意圆形领域

Classical LBP

Sobel Operator

Laplace Operator

Canny Edge Detector

Circular LBP

缩略图Hash

• 对图像进行特征提取得到0、1特征向量
• 通过比较图片向量特征间汉明距离即可计算图片之间相似度

Average Hashing

aHash：平均哈希算法

• 将原始图片转换为64维0、1向量，即提取出的特征

步骤

• 缩放图片：将图像缩放到8 * 8=64像素
  • 保留结构、去掉细节
  • 去除大小、纵横比差异
• 灰度化：把缩放后图转换为256阶灰度图
• 计算平均值：计算灰度图像素点平均值
• 二值化：遍历64个像素点，大于平均值者记为1、否则为0

Perceptual Hashing

pHash：感知哈希算法

• 利用离散余弦变换降低频率，去除成分较少的高频特征

• 特点

  • 相较于aHash更稳定

步骤

• 缩放图片：将图片缩放至32 * 32
• 灰度化：将缩放后图片转换为256阶灰度图
• 计算DCT：把图片分离成频率集合
• 缩小DCT：保留32 32左上角8 8代表图片最低频率
• 计算平均值：计算缩小DCT均值
• 二值化：遍历64个点，大于平均值者记为1、否则为0

Differential Hashing

dHash：差异哈希算法

• 基于渐变实现

• 特点

  • 相较于dHash非常快
  • 相较于aHash效果好

步骤

• 缩放图片：将图片缩放至9 * 8
• 灰度化：将缩放后图片转换为256阶灰度图
• 计算差异值：对每行像素计算和左侧像素点差异，得到8 * 8
• 二值化：遍历64个点，大于0记为1、否则为0