原文參考自?目標(biāo)檢測(cè)的圖像特征提取之（二）LBP特征，做了少量修改并添加自己的理解
LBP是由T. Ojala, M.Pietik?inen, 和 D. Harwood 在1994年提出，具有旋轉(zhuǎn)不變性和灰度不變性。
1. 基本的（正方形鄰域）LBP
在3*3的窗口內(nèi)，將相鄰的8個(gè)像素的灰度值與窗口中心像素進(jìn)行比較，若周圍像素值大于中心像素值，則該像素點(diǎn)的位置被標(biāo)記為1，否則為0。顯然3*3鄰域內(nèi)可產(chǎn)生8位二進(jìn)制數(shù)（共256種），轉(zhuǎn)換為十進(jìn)制即得到該窗口中心像素點(diǎn)的LBP值。如下圖所示：
但其缺點(diǎn)也很明顯——它只覆蓋了一個(gè)固定半徑范圍內(nèi)的小區(qū)域，無(wú)法滿足不同尺寸和頻率紋理的需要。
2.尺度不變的（圓形鄰域）LBP
為了適應(yīng)不同尺度的紋理特征，Ojala等對(duì) LBP 算子進(jìn)行了改進(jìn)，將 3×3鄰域擴(kuò)展到任意鄰域，并用圓形鄰域代替了正方形鄰域，改進(jìn)后的 LBP 算子允許在半徑為 R 的圓形鄰域內(nèi)有任意多個(gè)像素點(diǎn)。從而得到半徑為R的圓形區(qū)域內(nèi)含有P個(gè)采樣點(diǎn)的LBP算子，如圖
3.?旋轉(zhuǎn)不變的 LBP（取模式中的最小值）
從1中的定義可以看出，LBP 算子是灰度不變的，但卻不是旋轉(zhuǎn)不變的。旋轉(zhuǎn)的圖像會(huì)得到不同的 LBP值。
Maenpaa等人又將 LBP算子進(jìn)行了擴(kuò)展，提出了具有旋轉(zhuǎn)不變性的 LBP 算子，即不斷旋轉(zhuǎn)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。
如下圖所示
經(jīng)過(guò)旋轉(zhuǎn)不變的處理，最終得到的具有旋轉(zhuǎn)不變性的 LBP值（圖中算子下方的數(shù)字表示該算子對(duì)應(yīng)的 LBP值）為 15（8種模式中的最小值）。即圖中的 8種 LBP 模式對(duì)應(yīng)的旋轉(zhuǎn)不變的 LBP模式都是 00001111
4. 等價(jià)模式的 LBP（降維，跳變<=2）
提出等價(jià)模式的原因：以圓形 LBP 為例，對(duì)于半徑為R的圓形區(qū)域內(nèi)含有P個(gè)采樣點(diǎn)的LBP算子將會(huì)產(chǎn)生2^P種模式。很顯然，隨著鄰域集內(nèi)采樣點(diǎn)數(shù)的增加，二進(jìn)制模式的種類是急劇增加的。如此多的二進(jìn)制模式無(wú)論對(duì)于紋理的提取還是對(duì)于紋理的識(shí)別、分類及信息的存取都是不利的。例如，將LBP算子用于紋理分類或人臉識(shí)別時(shí)，常采用LBP模式的統(tǒng)計(jì)直方圖來(lái)表達(dá)圖像的信息，而較多的模式種類將使得數(shù)據(jù)量過(guò)大，且直方圖過(guò)于稀疏。因此，需要對(duì)原始的LBP模式進(jìn)行降維，使得數(shù)據(jù)量減少的情況下能最好的代表圖像的信息。
為了解決二進(jìn)制模式過(guò)多的問(wèn)題，提高統(tǒng)計(jì)性，Ojala提出了采用一種“等價(jià)模式”（Uniform Pattern）來(lái)對(duì)LBP算子的模式種類進(jìn)行降維。Ojala等認(rèn)為，在實(shí)際圖像中，絕大多數(shù)LBP模式最多只包含兩次從1到0或從0到1的跳變。因此，Ojala將“等價(jià)模式”定義為：當(dāng)某個(gè)LBP所對(duì)應(yīng)的循環(huán)二進(jìn)制數(shù)從0到1或從1到0最多有兩次跳變時(shí)，該LBP所對(duì)應(yīng)的二進(jìn)制就稱為一個(gè)等價(jià)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(jià)模式類。除等價(jià)模式類以外的模式都?xì)w為另一類，稱為混合模式類，例如10010111（共四次跳變）。
通過(guò)這樣的改進(jìn)，二進(jìn)制模式的種類大大減少。模式數(shù)量由原來(lái)的2^P種減少為 P ( P-1)+2種，其中P表示鄰域集內(nèi)的采樣點(diǎn)數(shù)。
對(duì)于3×3鄰域內(nèi)8個(gè)采樣點(diǎn)來(lái)說(shuō)，二進(jìn)制模式由原始的256種減少為58種（0-255中只有58個(gè)數(shù)跳變數(shù)<= 2），這使得特征向量的維數(shù)更少，并且可以減少高頻噪聲帶來(lái)的影響。
實(shí)際開發(fā)中可以事先建立等價(jià)模式查找表，例如0-255中跳變數(shù)小于等于2的個(gè)數(shù)，以加速計(jì)算。
5. 實(shí)際應(yīng)用的 LBP（統(tǒng)計(jì)直方圖）
LBP的應(yīng)用中，如紋理分類、人臉?lè)治龅龋话愣疾粚BP圖譜作為特征向量用于分類識(shí)別，而是采用LBP特征的統(tǒng)計(jì)直方圖作為特征向量用于分類識(shí)別。
因?yàn)椋瑥纳厦娼榻B的原理我們可以看出，這個(gè)“特征”跟位置信息是緊密相關(guān)的。直接對(duì)兩幅圖片提取這種“特征”，并進(jìn)行判別分析的話，會(huì)因?yàn)椤拔恢脹](méi)有對(duì)準(zhǔn)”而產(chǎn)生很大的誤差。后來(lái)，研究人員發(fā)現(xiàn)，可以將一幅圖片劃分為若干的子區(qū)域，對(duì)每個(gè)子區(qū)域內(nèi)的每個(gè)像素點(diǎn)都提取LBP特征，然后，在每個(gè)子區(qū)域內(nèi)建立LBP特征的統(tǒng)計(jì)直方圖。如此一來(lái)，每個(gè)子區(qū)域，就可以用一個(gè)統(tǒng)計(jì)直方圖來(lái)進(jìn)行描述；整個(gè)圖片就由若干個(gè)統(tǒng)計(jì)直方圖組成；
具體步驟
（1）首先假設(shè)小區(qū)域（cell）的大小為16×16，據(jù)此將圖像分為若干小區(qū)域（一幅512x512的圖像可分出32x32個(gè)小區(qū)域）；
（2）對(duì)于每個(gè)cell中的一個(gè)像素，將其與相鄰的8個(gè)像素的灰度值進(jìn)行比較，若周圍像素值大于中心像素值，則該像素點(diǎn)的位置被標(biāo)記為1，否則為0。
這樣，3*3鄰域內(nèi)的8個(gè)點(diǎn)經(jīng)比較可產(chǎn)生8位二進(jìn)制數(shù)，即得到該窗口中心像素點(diǎn)的LBP值；
（3）然后計(jì)算每個(gè)cell的直方圖，即每個(gè)數(shù)字（十進(jìn)制數(shù)LBP值）出現(xiàn)的頻率；然后對(duì)該直方圖進(jìn)行歸一化處理；
（4）然后將得到的每個(gè)cell的統(tǒng)計(jì)直方圖進(jìn)行連接成為一個(gè)特征向量，也就是整幅圖的LBP紋理特征向量；
（5）最后便可利用機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練分類了。
