هیستوگرام LBP

الگوی باینری محلی نوعی مشخصه ی استفاده شده برای طبقه بندی در بینایی کامپیوتر است. همچنین عملگر آنالیز بافت LBP بصورت ارزیابی بافت نامتغیر سیاه و سفید به دست آمده از تعریف کلی بافت در همسایگی محلی تعریف می شود. فرم کنونی عملگر LBP کاملا متفاوت از نسخه پایه اش است. تعریف اصلی به همسایگی های مدور اختیاری بسط می شود و تعدادی بسط توسعه یافته است. عملگر LBP اصلی، برچسب ها برای پیکسل های تصویر را با آستانه بندی همسایگی 3*3 هر پیکسل با مقدار مرکزی و در نظر گرفتن نتیجه به عنوان عدد باینری تشکیل می دهد. هیستوگرام این 2⁸=256 برچسب مختلف می تواند به عنوان توصیفگر بافت مورد استفاده قرار گیرد. در اصل، با در نظر گرفتن  پیکسل در LBP حاصل می تواند به فرم دسیمال به صورت زیر بیان شود:

که در آن i_{c و} i_p به ترتیب مقادیر سطح خاکستری پیکسل مرکزی می باشند  و p پیکسل های اطراف در همسایگی دایره با شعاع R در مورد اصلی P=8 و R=1 است.

طبق گفته های قبل مقدار پیکسل مرکزی از هر از هشت همسایه اش کسر می شود اگر نتیجه تفریق مثبت یا برابر صفر باشد با 1 رمزگذاری می شود در غیر اینصورت با صفر رمزگذاری می شود. هشت مقدار باینری در جهت عقربه های ساعت به منظور تشکیل عدد باینری 8 بیتی الحاق می شوند. مقدار دسیمال متناظر عدد باینری تولید شده به عنوان برچسبی برای پیکسل مورد نظر استفاده می شود. محدودیت عملگر lbp پایه این است که همسایگی 3*3 کوچکش نمی تواند به ویژگی های غالب با ساختارهای مقیاس بزرگ دست یابد. بنابراین، عملگر به استفاده از همسایگی با اندازه های مختلف بسط یافته است. استفاده از همسایگی های دایره ای و درون یابی دو سویه ی مقادیر پیکسل به هر شعاع و تعداد پیکسل در همسایگی اجازه می دهد. توجه داشته باشید که از معادله ی بالا استفاده می کنیم که همان معادله ی  استفاده شده در حالت اصلی است ولی با مقادیر p و R متفاوت. شکل زیر چندمثال از عملگر LBP بسط یافته را نشان می دهد.

محاسبه LBP اصلی

مثالهایی از عملگر LBP بسط یافته

هیستوگرام LBP نرمال سازی شده به عنوان بردار مشخصه برای بلوک متناظر استفاده می شود. هیستوگرام دارای 256bin متناظر با 256 رنگ خاکستری می باشد. علت استفاده از lbp این است که ما به بافت علاقمند هستیم  که در ناحیه ی کپی و پیست شده بطور مشابه باقی می ماند، حتی مقدار پس پردازش بعد از جعل اعمال می شود.

بنابراین الگوی بافت می تواند شاخص خوبی از تشخیص جعل باشد.

الگوی یکنواخت، بسط دیگر عملگر LBP اصلی است. نشان داده شده است که الگوهای ویژه حاوی اطلاعات بیشتری نسبت به بقیه می باشند، بنابراین استفاده از زیر مجموعه ی کوچکی از کل تعداد الگوها (2P) برای توصیف هر بافت امکان پذیر است. این زیر مجموعه از الگوها، الگوهای یکنواخت نامیده می شود و با LBP^U2_P,R نمایش داده می شود. برای هر الگوی باینری محلی می تواند به صورت یکنواخت در نظر گرفته شود در صورتیکه حاوی حداکثر دو انتقال بیتی از 0 به 1 یا برعکس باشد.

به عنوان مثال 00000000 (0 انتقال)، 11001111(2 انتقال)، 0111000(2 انتقال) یکنواخت می باشد. در حالیکه 11001001(4 انتقال) و 01010010(6 انتقال) یکنواخت نمی باشند. مشاهده می شود که در تصاویر بافت، الگوهای یکنواخت به میزان تقریبا %90.6، %85،%70  از تمام الگوها هستند. زمانیکه همسایه های (8،1)، (8،2)، (16،2)  به ترتیب استفاده می شوند.

در محاسبه ی هیستوگرام LBP تمام الگوهای یکنواخت دارای binهای مجزا در هیستوگرام هستند در حالیکه تمام الگوهای یکنواخت به یک bin تخصیص می یابند.  شکل زیر مثالی از هیستوگرام های LBP  چهار بلوک را نشان می دهد که سه مورد از آنها نشان دهنده ی copy-move هستند و یک مورد copy-move در سه مولفه رنگی نیست. برای سهولت بلوکها به صورت غیر همپوشانی رسم می شوند. طبق شکل مشاهده میکنیم که بلوکهای copy-move (شماره بلوکهای 28،23و 63) دارای هیستوگرام LBP مشابه در مولفه رنگی متناظر می باشند، در حالیکه هیستوگرام شماره بلوک 79 کاملا غیر مشابه است.

در واقع هیستوگرام LBP^U2 شامل اطلاعاتی درباره ریزالگوهای محلی از قبیل لبه، نقطه، نواحی صاف و غیره روی تصویر است. شکل زیر نمونه هایی از ریزالگوهای توصیف شده در هیستوگرام LBP^U2 را به خوبی نشان میدهد؛ در این شکل دایره های مشکی نشان دهنده عدد 0 و دایره های سفید نشان دهنده عدد 1 هستند.

تصاویر مختلف میتواند ترکیبی از ریزالگوها باشد که توسط هیستوگرام LBP مشخص می شوند اما عملگر LBP به کل تصویر یکجا اعمال شده و اطلاعاتی از محل ریزالگوهای شناسایی شده نمیدهد. بدین منظور، ابتدا تصویر را بهM قسمت تقسیم نموده وهیستوگرام هربخش جداگانه محاسبه میشود. درنهایت برای هر تصویر این هیستوگرامها مطابق شکل زیر درکنار هم ذخیره شده است.

نحوه تقسیمبندی و انتخاب تعداد ناحیه ها در یک تصویر بسیار مهم است؛ به نحوی که با انتخاب تعداد نواحی مختلف تاثیرمستقیم بر دقت شناسایی نهایی میگذارد. همچنین، هرچقدر تعداد نواحی بیشتر باشد، بردار ویژگی با ابعاد بزرگتریخواهیم داشت که همیشه بردار ویژگی بزرگتر به معنای افزایش دقت شناسایی نهایی نخواهد بود. بنابراین انتخاب تعدادنواحی بهینه یکی از مسائلی است که در انتخاب آن باید دقت شود.

منبع

دانلود مقاله Automatic Detection of Copy-Move

دانلود مقاله الگوی باینری محلی