lbp指區域性二值模式，英文全稱：local binary patterns。最初功能為輔助影象區域性對比度，並不是乙個完整的特徵描述子。
中文名線性反投影演算法
外文名local binary patterns
簡 稱
lbp別 名
累加法屬 性
區域性二值模式
1 數字影象處理
2 介紹
3 演算法
4 符號
編輯在數字影象處理和模式識別領域，
後來提公升為一種有效的紋理描述運算元，度量和提取影象區域性的紋理資訊，對光照具有不變性。lbp有很多變種，或說改進。單純的lbp記錄畫素點與其周圍畫素點的對比資訊，或說差異。從圖1我們看到，最左邊的是原圖，標號為example。我們要檢測某個畫素點的某些資訊，在圖1中，對於9個方格中中間方格（方格中的數字是畫素點灰度值大小），做乙個閾值化處理。大於等於中心點畫素的，則標記為1，小於的則標記為0。最後將中心畫素點周圍的11110001二進位制數化為十進位制數，得到lbp值。
二進位制數11110001的順序並無硬性要求，只要在同一處理中保持相同的順序即可。
lbp運算元可以取多個周圍畫素點和取樣半徑。
但是這樣的lbp描述特徵能力有限，且不具備旋轉不變性。很容易想象，如果進行了旋轉，則lbp值也會隨之改變。因此有了下面的改進。
將lbp周圍的二進位製碼（如11110001）按位旋轉，取二進位製碼最小的值。對於11110001情況，我們按位旋轉，得到11100011,11000111,10001111,0001111,00111110,01111100,11111000七個不同的二進位制數，最小值為00011111，則取該種模式（pattern）為最終lbp。這又稱為lbprot，或寫為lbpp,r ri。
對於取樣半徑為1，周圍畫素點數為8的情況，lbprot運算元（即具有旋轉不變性的lbp模式）總共有36個。
但是對於lbprot來說，其實驗結果並不好。不能提供很好的解析度。
在以上的基礎上，又有了uniform lbp的出現。
所謂uniform lbp,指在lbp二進位制數中，0到1和1到0的跳變總數不超過兩次。如00000000和11111111，並沒有0,1跳變，u=0。對於11110000和00001111，則有一次跳變，u=1。對於uniform lbp來說，具備旋轉不變性的pattern只有9個，如圖3lbprot中第一排標號為0-8的pattern。因此，最終結果為統計uniform lbp pattern的直方圖，把所謂的nonuniform放入直方圖的另乙個bin中，得到最終的特徵向量。
uniform lbp在區域性紋理描述上取得了較好的描述效果，原因在於，uniform lbp 的各種模式佔據了影象中所有模式的絕大部分。不同取樣半徑和周圍畫素點個數會不同，但uniform lbp佔據了所有模式的50%~95%。
lbp還有很多變種，如clbp，lbphf等等。有興趣的讀者可以閱讀相關文獻 [1-2] 。
lbp已經成功應用於人臉檢測，唇語識別，表情檢測，動態紋理等等領域。其演算法複雜度低，消耗記憶體小，原理簡單，但並不一定適合所有的特徵描述。
編輯線性反投影演算法（linear back projection，簡稱 lbp）又稱累加法，是最早使用的一種簡單（ect影象重建）成像演算法。它將通過某點的所有投影射線進行累加，再反向估算出該點的密度值。從成像觀點分析，它是不完全的雷登逆變換（完整的雷登逆變換包括微分、希爾伯特變換、反投影和歸一化等步驟）。
編輯對於 ect 技術，假設被測介質變化對靈敏場的影響可以忽略，若被成像的兩相介質分別為 a 相和 b 相，介電常數分別為 ε a和 ε b，且 ε a < εb，則重建影象中第 k 個畫素的灰度
其中， ce i ,j、 ci f,j分別為管中充滿 a 相和 b 相時的電容，mci ,j為管中同時存在 a 相和 b 相介質時的電容。線性反投影的數學解釋為：假設s是介電常數向量空間到電容向量空間的對映，則 st 可視為電容向量空間到介電常數空間的對映，由於 s－ 1不存在，用 st 取代 s－1 ，則線性反投影的矩陣形式為
由於線性反投影只是一種定性的演算法，研究者在此基礎上提出了迭代反投影演算法。其計算步驟如下：
1) 基於均質靈敏度資訊，利用線性反投影演算法獲得初始影象；
2) 利用已獲得的介電常數分布，求解正問題，得到一組**電容值，將該值與測量電容值進行比較，若誤差已達到滿意值，演算法結束，否則進行下步；
3) 修正靈敏度資訊；
4) 根據上步已經修正後的靈敏度資訊，利用測量電壓重新進行線性反投影；返回第二步，並進行迴圈迭代，直到獲得滿意的結果為止，迭代結束。
使用opencv訓練LBP識別模型
import cv2 import os import numpy as np def detect face img gray cv2.cvtcolor img,cv2.color bgr2gray face cascade cv2.cascadeclassifier haarcascade fr...
LBP演算法分析
lbp是一種簡單，有效的紋理分類的特徵提取演算法。主要的 是 multiresolution gray scale androtation invariant texture classification with local binarypatterns pami,vol 24,no.7,july...
使用vivado hls實現 lbp演算法
lbp演算法的原理不再介紹，下面只介紹一下使用vivado hls如何實現lbp演算法。首先，需要對輸入影象做灰度變換，將rgb影象轉為灰度影象。呼叫hls中的 hls axivideo2mat input1,img 1 函式即可實現，完成影象灰度的轉換。接下來針對灰度影象做lbp變換。使用hls中...