lbp（local binary pattern，區域性二值模式）是一種用來描述影象區域性紋理特徵的運算元；它具有旋轉不變性和灰度不變性等顯著的優點。它是首先由t. ojala, m.pietikäinen, 和 d. harwood 在2023年提出，用於紋理特徵提取。而且，提取的特徵是影象的區域性的紋理特徵；
原始的lbp運算元定義為在3*3的視窗內，以視窗中心畫素為閾值，將相鄰的8個畫素的灰度值與其進行比較，若周圍畫素值大於中心畫素值，則該畫素點的位置被標記為1，否則為0。這樣，3*3鄰域內的8個點經比較可產生8位二進位制數（通常轉換為十進位制數即lbp碼，共256種），即得到該視窗中心畫素點的lbp值，並用這個值來反映該區域的紋理資訊。如下圖所示：基本的 lbp運算元的最大缺陷在於它只覆蓋了乙個固定半徑範圍內的小區域，這顯然不能滿足不同尺寸和頻率紋理的需要。為了適應不同尺度的紋理特徵，並達到灰度和旋轉不變性的要求，ojala等對 lbp 運算元進行了改進，將 3×3鄰域擴充套件到任意鄰域，並用圓形鄰域代替了正方形鄰域，改進後的 lbp 運算元允許在半徑為 r 的圓形鄰域內有任意多個畫素點。從而得到了諸如半徑為r的圓形區域內含有p個取樣點的lbp運算元；
從 lbp 的定義可以看出，lbp 運算元是灰度不變的，但卻不是旋轉不變的。影象的旋轉就會得到不同的 lbp值。
maenpaa等人又將 lbp運算元進行了擴充套件，提出了具有旋轉不變性的 lbp 運算元，即不斷旋轉圓形鄰域得到一系列初始定義的 lbp值，取其最小值作為該鄰域的 lbp 值。
下圖給出了求取旋轉不變的 lbp 的過程示意圖，圖中運算元下方的數字表示該運算元對應的 lbp值，圖中所示的 8 種 lbp模式，經過旋轉不變的處理，最終得到的具有旋轉不變性的 lbp值為 15。也就是說，圖中的 8種 lbp 模式對應的旋轉不變的 lbp模式都是 00001111。
乙個lbp運算元可以產生不同的二進位制模式，對於半徑為r的圓形區域內含有p個取樣點的lbp運算元將會產生p^2種模式。很顯然，隨著鄰域集內取樣點數的增加，二進位制模式的種類是急劇增加的。例如：5×5鄰域內20個取樣點，有220＝1,048,576種二進位制模式。如此多的二值模式無論對於紋理的提取還是對於紋理的識別、分類及資訊的訪問都是不利的。同時，過多的模式種類對於紋理的表達是不利的。例如，將lbp運算元用於紋理分類或人臉識別時，常採用lbp模式的統計直方圖來表達影象的資訊，而較多的模式種類將使得資料量過大，且直方圖過於稀疏。因此，需要對原始的lbp模式進行降維，使得資料量減少的情況下能最好的代表影象的資訊。
為了解決二進位制模式過多的問題，提高統計性，ojala提出了採用一種「等價模式」（uniform pattern）來對lbp運算元的模式種類進行降維。ojala等認為，在實際影象中，絕大多數lbp模式最多隻包含兩次從1到0或從0到1的跳變。因此，ojala將「等價模式」定義為：當某個lbp所對應的迴圈二進位制數從0到1或從1到0最多有兩次跳變時，該lbp所對應的二進位制就稱為乙個等價模式類。如00000000（0次跳變），00000111（只含一次從0到1的跳變），10001111（先由1跳到0，再由0跳到1，共兩次跳變）都是等價模式類。除等價模式類以外的模式都歸為另一類，稱為混合模式類，例如10010111（共四次跳變）（。
通過這樣的改進，二進位制模式的種類大大減少，而不會丟失任何資訊。模式數量由原來的2^p種減少為 p ( p-1)+2種，其中p表示鄰域集內的取樣點數。對於3×3鄰域內8個取樣點來說，二進位制模式由原始的256種減少為58種，這使得特徵向量的維數更少，並且可以減少高頻雜訊帶來的影響。
顯而易見的是，上述提取的lbp運算元在每個畫素點都可以得到乙個lbp「編碼」，那麼，對一幅影象（記錄的是每個畫素點的灰度值）提取其原始的lbp運算元之後，得到的原始lbp特徵依然是「一幅」（記錄的是每個畫素點的lbp值）。lbp的應用中，如紋理分類、人臉分析等，一般都不將lbp圖譜作為特徵向量用於分類識別，而是採用lbp特徵譜的統計直方圖作為特徵向量用於分類識別。
因為，從上面的分析我們可以看出，這個「特徵」跟位置資訊是緊密相關的。直接對兩幅提取這種「特徵」，並進行判別分析的話，會因為「位置沒有對準」而產生很大的誤差。後來，研究人員發現，可以將一幅劃分為若干的子區域，對每個子區域內的每個畫素點都提取lbp特徵，然後，在每個子區域內建立lbp特徵的統計直方圖。如此一來，每個子區域，就可以用乙個統計直方圖來進行描述；整個就由若干個統計直方圖組成；
例如：一幅100*100畫素大小的，劃分為10*10=100個子區域（可以通過多種方式來劃分區域），每個子區域的大小為10*10畫素；在每個子區域內的每個畫素點，提取其lbp特徵，然後，建立統計直方圖；這樣，這幅就有10*10個子區域，也就有了10*10個統計直方圖，利用這10*10個統計直方圖，就可以描述這幅了。之後，我們利用各種相似性度量函式，就可以判斷兩幅影象之間的相似性了；
（1）首先將檢測視窗劃分為16×16的小區域（cell）；（2）對於每個cell中的乙個畫素，將相鄰的8個畫素的灰度值與其進行比較，若周圍畫素值大於中心畫素值，則該畫素點的位置被標記為1，否則為0。這樣，3*3鄰域內的8個點經比較可產生8位二進位制數，即得到該視窗中心畫素點的lbp值；
（3）然後計算每個cell的直方圖，即每個數字（假定是十進位制數lbp值）出現的頻率；然後對該直方圖進行歸一化處理。
（4）最後將得到的每個cell的統計直方圖進行連線成為乙個特徵向量，也就是整幅圖的lbp紋理特徵向量；然後便可利用svm或者其他機器學習演算法進行分類了。
黃非非，基於 lbp 的人臉識別研究，重慶大學碩士學位**，2009.5
LBP特徵提取
基本原理 lbp的基本思想是以影象中某個畫素為中心，對相鄰畫素進行閾值比較。如果中心畫素的亮度大於等於它的相鄰畫素，把相鄰畫素標記為1，否則標記為0。我們可以用二進位制數字來表示lbp圖中的每個畫素的lbp編碼，比如下圖中的中心畫素，它的lbp編碼為 00010011，其十進位制值為19。用公式表示...
LBP特徵提取實現
捯飭了一兩天才搞好！在lbp.m下輸入下面 執行結果如圖 i imread rice.png using uniform patterns subplot 2,1,1 stem h1 h2 lbp i subplot 2,1,2 stem h2 sp 1 1 1 0 1 1 0 1 0 1 1 1 ...
LBP特徵提取冗餘處理
lbp特徵提取冗餘處理.cpp 定義控制台應用程式的入口點。include stdafx.h include include include include include include include include include using namespace cv using namesp...