Python实现LBP纹理特征提取与图像分类实战

Felix

发布时间：2026-10-13 | 3人浏览过

原创

本文介绍基于Python的LBP（局部二值模式）纹理特征提取及SVM分类器实现图像分类的完整流程。针对小规模数据集，通过将512x512图像分割为9块，利用5块训练、4块测试，提取LBP直方图特征。实验结果显示分类正确率达90.6%，并提供了环境配置、代码实现及结果分析。

题目描述与背景

题目描述

本文内容源自数字图像处理课程的大作业项目。

任务要求处理40张不同风格的纹理图片，每张尺寸为512*512。需将每张图片均匀划分为9个相同大小的子区域，选取其中5个子区域作为训练集，剩余4个子区域作为测试集，构建合适的模型以完成图像分类任务。

具体图片示例如下图所示：

鉴于数据集规模较小，直接应用神经网络模型可能并不适宜。因此，本文采用LBP（局部二值模式）方法提取图像纹理信息，并将其转化为直方图作为特征向量，最后使用多分类算法进行分类处理。

运行环境与数据集

运行环境

Python 2.7版本，Jupyter Notebook编辑器，Anaconda发行版。

数据集获取地址

Python代码实现流程

代码实现部分

数据读取与预处理

利用Numpy包的数组操作API对数据进行格式化整理。


def loadPicture():
  train_index = 0;
  test_index = 0;
  train_data = np.zeros( (200,171,171) );
  test_data = np.zeros( (160,171,171) );
  train_label = np.zeros( (200) );
  test_label = np.zeros( (160) );
  for i in np.arange(40):
    image = mpimg.imread('picture/'+str(i)+'.tiff');
    data = np.zeros( (513,513) );
    data[0:image.shape[0],0:image.shape[1]] = image;
    #切割后的图像位于数据的位置
    index = 0;
    #将图片分割成九块
    for row in np.arange(3):
      for col in np.arange(3):
        if index<5:
          train_data[train_index,:,:] = data[171*row:171*(row+1),171*col:171*(col+1)];
          train_label[train_index] = i;
          train_index+=1;
        else:
          test_data[test_index,:,:] = data[171*row:171*(row+1),171*col:171*(col+1)];
          test_label[test_index] = i;
          test_index+=1;
        index+=1;
  return train_data,test_data,train_label,test_label;

特征提取环节

具体采用LBP特征提取算法。


radius = 1;
n_point = radius * 8;

def texture_detect():
  train_hist = np.zeros( (200,256) );
  test_hist = np.zeros( (160,256) );
  for i in np.arange(200):
    #使用LBP方法提取图像的纹理特征.
    lbp=skft.local_binary_pattern(train_data[i],n_point,radius,'default');
    #统计图像的直方图
    max_bins = int(lbp.max() + 1);
    #hist size:256
    train_hist[i], _ = np.histogram(lbp, normed=True, bins=max_bins, range=(0, max_bins));

  for i in np.arange(160):
    lbp = skft.local_binary_pattern(test_data[i],n_point,radius,'default');
    #统计图像的直方图
    max_bins = int(lbp.max() + 1);
    #hist size:256
    test_hist[i], _ = np.histogram(lbp, normed=True, bins=max_bins, range=(0, max_bins));


  return train_hist,test_hist;

分类器训练过程

选用SVM（支持向量机）作为分类模型。


import matplotlib.image as mpimg
import matplotlib.pyplot as plt
import numpy as np
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVR
from skimage import feature as skft
train_data,test_data,train_label,test_label= loadPicture();
train_hist,test_hist = texture_detect();
svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1);
OneVsRestClassifier(svr_rbf,-1).fit(train_hist, train_label).score(test_hist,test_label)