1.算法簡介
LBP是一種簡單，有效的紋理分類的特征提取算法。LBP算子是由Ojala等人於1996年提出的，主要的論文是"Multiresolution gray-scale and rotation invariant texture classification with local binary patterns", pami, vol 24, no.7, July 2002。LBP就是"local binary pattern"的縮寫。
關於論文的講解可參考鏈接 http://blog.sina.com.cn/s/blog_916b71bb0100w043.html
從紋理分析的角度來看，圖像上某個像素點的紋理特征，大多數情況下是指這個點和周圍像素點的關系，即這個點和它的鄰域內點的關系。從哪個角度對這種關系提取特征，就形成了不同種類的特征。有了特征，就能根據紋理進行分類。LBP構造了一種衡量一個像素點和它周圍像素點的關系。
對圖像中的每個像素，通過計算以其為中心的3*3鄰域內各像素和中心像素的大小關系，把像素的灰度值轉化為一個八位二進制序列。具體計算過程如下圖所示，對於圖像的任意一點Ic，其LBP特征計算為，以Ic為中心，取與Ic相鄰的8各點，按照順時針的方向記為 I0,I1,...,I7；以Ic點的像素值為閾值，如果 Ii 點的像素值小於Ic，則 Ii 被二值化為0，否則為1；將二值化得到的0、1序列看成一個8位二進制數，將該二進制數轉化為十進制就可得到Ic點處的LBP算子的值。
基本的LBP算子只局限在3*3的鄰域內，對於較大圖像大尺度的結構不能很好的提取需要的紋理特征，因此研究者們對LBP算子進行了擴展。新的LBP算子LBP（P,R） 可以計算不同半徑鄰域大小和不同像素點數的特征值，其中P表示周圍像素點個數，R表示鄰域半徑，同時把原來的方形鄰域擴展到了圓形，下圖給出了四種擴展后的LBP例子，其中，R可以是小數，對於沒有落到整數位置的點，根據軌道內離其最近的兩個整數位置像素灰度值，利用雙線性差值的方法可以計算它的灰度值。
LBP(P,R)有2^p個值，也就是說圖像共有2^p種二進制模型，然而實際研究中發現，所有模式表達信息的重要程度是不同的，統計研究表明，一幅圖像中少數模式特別集中，達到總模式的百分之九十左右的比例，Ojala等人定義這種模式為Uniform模式，如果一個二進制序列看成一個圈時，0-1以及1-0的變化出現的次數總和不超過兩次，那么這個序列就是Uniform模式 ，比如，00000000、00011110、00100001、11111111，在使用LBP表達圖像紋理時，通常只關心Uniform模式，而將所有其他的模式歸到同一類中。
人臉圖像的各種LBP模式如下圖所示，由圖中可以看出，變化后的圖像和原圖像相比，能更清晰的體現各典型區域的紋理，同時又淡化了對於研究價值不大的平滑區域的特征，同時降低了特征的維數。比較而言，Uniform模式表現的更逼真，在人臉識別和表情識別應用中，都是采用這種模式。
在表情識別中，最常用的是把LBP的統計柱狀圖作為表情圖像的特征向量。為了考慮特征的位置信息，把圖像分成若干個小區域，在每個小區域里進行直方圖統計，即統計該區域內屬於某一模式的數量，最后再把所有區域的直方圖一次連接到一起作為特征向量接受下一級的處理。
LBP算子利用了周圍點與該點的關系對該點進行量化。量化后可以更有效地消除光照對圖像的影響。只要光照的變化不足以改變兩個點像素值之間的大小關系，那么LBP算子的值不會發生變化，所以一定程度上，基於LBP的識別算法解決了光照變化的問題，但是當圖像光照變化不均勻時，各像素間的大小關系被破壞，對應的LBP模式也就發生了變化。
如果圖像旋轉了，那么紋理特征就旋轉了，這時得到的2進制串也就旋轉了，LBP值會相應變化。為了讓LBP具有旋轉不變性，將二進制串進行旋轉。假設一開始得到的LBP特征為10010000，那么將這個二進制特征，按照順時針方向旋轉，可以轉化為00001001的形式，這樣得到的LBP值是最小的。無論圖像怎么旋轉，對點提取的二進制特征的最小值是不變的，用最小值作為提取的LBP特征，這樣LBP就是旋轉不變的了。當P=8時，能產生的不同的二進制特征數量是2^8個，經過上述表示，就變為36個。(我以為應當是2^8/8=32個)