그것은 우리에게 매우 간단한 작업처럼 들리지만, 예를 들어, 방법의 정확성을 손상시킬 수있는 많은 변수를 가지고 있기 때문에 컴퓨터에 대한 복잡한 작업으로 입증되었습니다 : 조명 변화, 낮은 해상도, 폐색, 다른 사이에. 이 예제에서는 텍스처당 4개의 이미지(텍스처당 4개의 텍스처 x 4개의 이미지 = 총 이미지 16개)의 학습 세트와 텍스처당 하나의 이미지(텍스처당 4개의 텍스처 x 이미지 1개) 테스트 세트(텍스처당 4개의 텍스처 x 이미지 = 4개의 이미지)로 텍스처를 분할했습니다. 16개의 이미지로 구성된 교육 세트는 분류기를 « 가르치는 » 데 사용되며, 4개의 이미지 로 구성된 테스트 세트의 성능을 평가합니다. 로컬 바이너리 패턴(LBP)은 심플하면서도 매우 효율적인 텍스처 연산자로, 각 픽셀의 주변을 임계값으로 하여 이미지의 픽셀에 레이블을 지정하고 결과를 이진 번호로 간주합니다. LBP 텍스처 연산자는 차별적인 성능과 계산 단순성으로 인해 다양한 응용 분야에서 널리 사용되었습니다. 텍스처 해석의 전통적으로 서로 다른 통계 및 구조 모델에 대한 통합 접근법으로 볼 수 있습니다. 실제 응용 프로그램에서 LBP 연산자의 가장 중요한 특성은 조명 변화에 의해 발생하는 단조로운 회색 배율 변화에 대한 견고성일 수 있습니다. 또 다른 중요한 속성은 어려운 실시간 설정에서 이미지를 분석 할 수 있게하는 계산 단순성입니다. 예를 들어, 이처럼 픽셀의 고정 3 x 3 이웃에서 작동하는 원래 LBP 설명자를 살펴 보자 : 당신이 보여 준 얼굴 예제에 대한 코드를 공유 할 수 있습니다, 나는 당신의 방법을 시도했지만 나는 그것이 나를 위해 작동하지 않는 것 같아요 . 원래 연산자의 또 다른 확장은 피쳐 벡터의 길이를 줄이고 간단한 회전 불변 설명기를 구현하는 데 사용할 수 있는 소위 균일한 패턴의 정의입니다. 이 확장은 일부 바이너리 패턴이 다른 패턴보다 텍스처 이미지에서 더 일반적으로 발생한다는 사실에서 영감을 받았습니다.

이진 패턴이 비트 패턴을 순환으로 트래버스할 때 0에서 1로 또는 그 반대의 경우도 마찬가지인 경우 로컬 이진 패턴을 균일이라고 합니다. 예를 들어 패턴 00000000(0 전환), 01110000(2전환) 및 110011111(2전환)은 균일한 반면 패턴 11001001(4개 전환) 및 01010010(6개 전환)은 균일하지 않습니다. LBP 레이블의 계산에서 균일한 패턴이 사용되므로 각 균일 한 패턴에 대해 별도의 레이블이 있고 모든 균일하지 않은 패턴이 단일 레이블로 레이블이 지정됩니다. 예를 들어(8,R) 이웃을 사용하는 경우 총 256개의 패턴이 있으며, 그 중 58개는 균일하며 59개의 다른 레이블로 생성됩니다. 대신 약간의 기계 학습을 사용해야하는 것처럼 들립니다. 나는 (이미지에서 꽃의 종을 예측등) 이미지를 분류의 몇 가지 예를 포함하는 실용적인 파이썬과 OpenCV를 통해 작업하는 것이 좋습니다. 병에 걸린 잎 이미지의 예가 있는 경우 한 번 살펴보고 적용할 특정 알고리즘을 제안할 수 있습니다. 중심 픽셀의 (x, y) 좌표를 감안할 때 NumPy 배열 슬라이싱을 사용하여 좌표를 파생시합니다. 예를 들어 « 북쪽 » 픽셀은 (x, y – 1)에 있고 « 남쪽 » 픽셀은 (x, y + 1)에 있습니다.