Реализация локальной модели градиента

Question

Я пытаюсь понять шаблон локального градиента, который описан в разделе Шаблон локального градиента - новая функция представления для распознавания выражений лица.

Вот пример вычисления нового значения пикселя, как показано ниже:

Я вижу, что центральный пиксель (который составляет 25) Pattern-1 значение 10 а также Pattern-2 значение 01, У меня есть несколько вопросов.

• Каково будет новое значение этого центрального пикселя?
• Как LGP связан с LBP?
• Есть ли какой-нибудь псевдокод для преобразования 2D-матрицы с использованием LGP (предпочтительно Python)?

Answer 1

Каково будет новое значение этого центрального пикселя?

Это зависит от схемы кодирования. В справочном документе не дается четкого объяснения того, как кодируются локальные градиентные узоры. Одним из возможных кодировок будет:

где

Если вы введете значения интенсивности вашего примера в выражения над результатами кода шаблона:

Обратите внимание, что результатом использования другого кодирования будет изменение порядка элементов гистограммы, но это не повлияет на точность классификации.

Как LGP связан с LBP?

LGP - просто один из многих вариантов LBP. Взгляните на эту книгу для всестороннего обзора.

Есть ли какой-нибудь псевдокод для преобразования 2D-матрицы с использованием LGP (предпочтительно Python)?

Попробуйте этот код:

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]

демонстрация

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

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