LBP 中统一和非统一模式背后的直觉是什么？
What is the intuition behind uniform and non uniform patterns in LBP?
在统一 LBP（局部二进制模式）映射中，每个统一模式都有一个单独的输出标签，所有非统一模式都分配给一个 label.what 是这个概念背后的直觉，我需要你的帮助。
假设我们使用下图中半径为R的圆上的4个采样点（红色）作为我们的LBP。
因此，我们将得到 16 (= 2^4) 个不同的图案（或标签）。如果一个模式在遍历 循环 时最多有两个 1->0 或 0->1 转换，则该模式是统一的。我们将为每个统一模式分配一个唯一的标签，并为所有非统一模式分配相同的标签，如下所示。
pattern circular uniform label
transitions
0000 0 yes lbl0
0001 2 yes lbl1
0010 2 yes lbl2
0011 2 yes lbl3
0100 2 yes lbl4
0101 4 no lbl5 ***
0110 2 yes lbl6
0111 2 yes lbl7
1000 2 yes lbl8
1001 2 yes lbl9
1010 4 no lbl5 ***
1011 2 yes lblA
1100 2 yes lblB
1101 2 yes lblC
1110 2 yes lblD
1111 0 yes lblE
最初我们有 16 个标签，这意味着我们在直方图中有 16 个 bin，或者在特征向量中有 16 个特征。随着统一模式概念的引入，现在我们只有 15 个标签，或者直方图中的 15 个 bin，或者特征向量中的 15 个特征（与原来相比没有显着改进。但是对于 8 个采样点，这将是最初的256 个，只有 59 个具有统一的模式。
统一模式的概念
- 当涉及到更多的采样点时，大大减少了特征向量的大小
- 实验表明，与非均匀图案相比，均匀图案在纹理图像中出现的频率更高（摘录形式 [link]：“Ojala 等人（2002 年）在他们的纹理实验中注意到使用 (8,1) 邻域时，均匀图案占所有图案的比例略低于 90%，而在 (16,2) 邻域中占约 70%。").
因此，统一的模式使得使用 LBP 在计算上更加高效，而不会影响其准确性。
但是，如果您对 LBP 的特定应用并未表明统一模式在您的数据集中频繁出现，则使用统一模式可能无法获得准确的结果。
在统一 LBP（局部二进制模式）映射中，每个统一模式都有一个单独的输出标签，所有非统一模式都分配给一个 label.what 是这个概念背后的直觉，我需要你的帮助。
假设我们使用下图中半径为R的圆上的4个采样点（红色）作为我们的LBP。
因此，我们将得到 16 (= 2^4) 个不同的图案（或标签）。如果一个模式在遍历 循环 时最多有两个 1->0 或 0->1 转换，则该模式是统一的。我们将为每个统一模式分配一个唯一的标签，并为所有非统一模式分配相同的标签，如下所示。
pattern circular uniform label
transitions
0000 0 yes lbl0
0001 2 yes lbl1
0010 2 yes lbl2
0011 2 yes lbl3
0100 2 yes lbl4
0101 4 no lbl5 ***
0110 2 yes lbl6
0111 2 yes lbl7
1000 2 yes lbl8
1001 2 yes lbl9
1010 4 no lbl5 ***
1011 2 yes lblA
1100 2 yes lblB
1101 2 yes lblC
1110 2 yes lblD
1111 0 yes lblE
最初我们有 16 个标签，这意味着我们在直方图中有 16 个 bin，或者在特征向量中有 16 个特征。随着统一模式概念的引入，现在我们只有 15 个标签，或者直方图中的 15 个 bin，或者特征向量中的 15 个特征（与原来相比没有显着改进。但是对于 8 个采样点，这将是最初的256 个，只有 59 个具有统一的模式。
统一模式的概念
- 当涉及到更多的采样点时，大大减少了特征向量的大小
- 实验表明，与非均匀图案相比，均匀图案在纹理图像中出现的频率更高（摘录形式 [link]：“Ojala 等人（2002 年）在他们的纹理实验中注意到使用 (8,1) 邻域时，均匀图案占所有图案的比例略低于 90%，而在 (16,2) 邻域中占约 70%。").
因此，统一的模式使得使用 LBP 在计算上更加高效，而不会影响其准确性。
但是，如果您对 LBP 的特定应用并未表明统一模式在您的数据集中频繁出现，则使用统一模式可能无法获得准确的结果。