阐述一下CLBP实现纹理分类，与传统LBP不同，CLBP具有3个描述子。分别是CLBP-C、CLBP-S、CLBP-M。

1.确定中心像素的邻域坐标

上图内有P个采样点，每个采样点的值可以通过下式计算：

p的范围:0~P-1;其中(xc,yc)为邻域中心点，(xp,yp)为某个采样点。通过上式可以计算任意个采样点的坐标，但是计算得到的坐标未必完全是整数，所以可以通过双线性插值来得到该采样点的像素值，双线性插值算法是通过临近四个坐标点的像素值进行线性加权求和，在x,y方向上都进行线性加权求和。公式如下：

f(i+u,j+v)=(1-u)*(1-v)*f(i,j)+(1-u)*v*f(i,j+1)+u*(1-v)*f(i+1,j)+u*v*f(i+1,j+1)

其中i,j 为浮点坐标的整数部分； u,v为浮点坐标的小数部分。

此插值算法有利弊，即：

  • 优点：缩放后图像质量高
  • 缺点： 计算量大，双线性插值具有低通滤波器的性质，使高频分量受损，图像轮廓在一定程度上变模糊。

2.CLBP的整体计算流程

上图为CLBP的整体框架图，可以看到首先将原始图像表示为其中心灰度（C）和局部差异dp。其中还加入了旋转不变等价模式的LBP算子的描述，见CLBP学习(上)

局部差异dp的求解公式及其分解如下：

本文中的符号分量CLBP_S实际上就是传统LBP，两者编码方式也是相同的（这里的-1相当于传统LBP中的0），如下图。作者分析并验证了，符号分量所包含的纹理特征远高于幅度分量。

由于局部差异dp并不能直接作为描述子，因为其对于光照，旋转，噪声等都很敏感。作者把邻域像素和中心像素的差值分成符号分量和幅度分量，且由二者相乘得到，分别记做CLBP_S和CLBP_M。如下图中的（a）为3x3的采样块，其差值可由（b）表示，并且可以分解成（c）*（d），（c）为符号分量，（d）为幅度分量。

由上图可发现CLBP_M是连续的值，为了与CLBP_S统一编码，需要将其也转换成二进制编码。受CLBP_S启发，作者提出以下编码方式对其进行编码，其中c是自适应阈值，这里c的值取整幅图像中mp的均值。

中心像素代表局部灰度级，也包含了局部灰度判别信息，为了让其有效和LBP_M和LBP_S结合，我们进行如下编码：

这里的gc表示中心像素灰度值，ci表示整幅图像灰度的平均值。即通过比较中心像素与全图平均像素值的大小来进行二进制编码。

至此三个描述子CLBP_SCLBP_M,CLBP_C全部产生，可通过串联、并联或串并联其直方图的形式将其进行融合。

3.不相似度的计算及拓展

最后，运用到纹理识别分类中，用卡方距离来测量两个直方图的不相似度：

其中

X是直方图bin的总数，Tx和Lx别分表示样本和模板在第x个bin上的值。

拓展：图像相似度计算

每个图像都可以使用一个LBP特征向量来表示，图像的相似度就可以使用向量的相似度来计算。

向量的相似度计算方法有很多，比如余弦、距离等。这种基于直方图向量的相似度计算方法有多种形式，如下图所示给出三种：

上图中公式只是针对一个直方图的，使用中还会将图像分为多个区域分别计算直方图。所以在实际使用中，还可对不同区域进行加权。