模式識別中進行匹配識別或者分類器分類識別時，判斷的依據就是圖像特征。用提取的特征表示整幅圖像內容，根據特征匹配或者分類圖像目標。
常見的特征提取算法主要分為以下3類：
- 基於顏色特征：如顏色直方圖、顏色集、顏色矩、顏色聚合向量等；
- 基於紋理特征：如Tamura紋理特征、自回歸紋理模型、Gabor變換、小波變換、MPEG7邊緣直方圖等；
- 基於形狀特征：如傅立葉形狀描述符、不變矩、小波輪廓描述符等；
LBP特征提取算法
LBP（Local Binary Patterns，局部二值模式）是提取局部特征作為判別依據的，一種有效的紋理描述算子，度量和提取圖像局部的紋理信息，它具有旋轉不變性和灰度不變性等顯著的優點，對光照具有不變性。用於紋理特征提取。而且，提取的特征是圖像的局部的紋理特征。有多種改進型，LBP結合BP神經網絡已經用於人臉識別等領域。
灰度不變性：指的是光照變化是否會對描述產生影響。以上面的8鄰域來說，光照變化很難改變中心像素點的灰度值與周圍8個像素的大小關系。因為光照是一種區域性質的變化，而不是單像素性質的變化。
1、LBP特征描述
LBP的基本思想是定義於像素的8鄰域中（3x3的窗口）, 以中心像素的灰度值為閾值, 將周圍8 個像素的值與其比較, 如果周圍的像素值小於中心像素的灰度值, 該像素位置就被標記為0, 否則標記為1。這樣3x3的鄰域內的八個點經過比較能夠產生8位二進制數（通常轉換為十進制，即LBP碼，共256種），每個像素得到一個二進制組合, 即得到該窗口中心像素點的LBP值，並用這個值來反映該區域的紋理信息。
2、LBP的改進版本：
（1）圓形LBP算子
基本的 LBP算子的最大缺陷在於它只覆蓋了一個固定半徑范圍內的小區域，這顯然不能滿足不同尺寸和頻率紋理的需要。為了適應不同尺寸的紋理特征，達到灰度和旋轉不變性的要求。將 3×3鄰域擴展到任意鄰域，並用圓形鄰域代替了正方形鄰域，改進后的 LBP 算子允許在半徑為 R的圓形鄰域內有任意多個像素點。從而得到了諸如半徑為R的圓形區域內含有P個采樣點的LBP算子。
（2）LBP旋轉不變模式
從 LBP 的定義可以看出，LBP 算子是灰度不變的，但卻不是旋轉不變的。圖像的旋轉就會得到不同的LBP值。
Maenpaa等人又將 LBP算子進行了擴展，提出了具有旋轉不變性的 LBP 算子，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，圖中算子下方的數字表示該算子對應的 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。
（3）LBP等價模式
一個LBP算子可以產生不同的二進制模式，對於半徑為R的圓形區域內含有P個采樣點的LBP算子將會產生2p種模式。很顯然，隨着鄰域集內采樣點數的增加，二進制模式的種類是急劇增加的。例如：5×5鄰域內20個采樣點，有220＝1,048,576種二進制模式。
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、分類及信息的存取都是不利的。同時，過多的模式種類對於紋理的表達是不利的。例如，將LBP算子用於紋理分類或人臉識別時，常采用LBP模式的統計直方圖來表達圖像的信息，而較多的模式種類將使得數據量過大，且直方圖過於稀疏。因此，需要對原始的LBP模式進行降維，使得數據量減少的情況下能最好的代表圖像的信息。
為了解決二進制模式過多的問題，提高統計性，Ojala提出了采用一種“等價模式”（Uniform Pattern）來對LBP算子的模式種類進行降維。Ojala等認為，在實際圖像中，絕大多數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“等價模式”定義為：當某個LBP所對應的循環二進制數從0到1或從1到0最多有兩次跳變時，該LBP所對應的二進制就稱為一個等價模式類，除了等價模式以外的模式都歸一一類，稱為混合模式類。計算跳變的方法：如10010111，首先第一二位10，由1—>0跳變一次；第二、三位00，沒有跳變；第三、四位01，由0—>1跳變一次，第四、五位10，由1—>0跳變一次；第五六位01，由0—>1跳變一次；第六七位11，沒有跳變；第七八位11，沒有跳變；第八位和第一位11，沒有跳變；故總共跳變4次。
通過這種改進，二進制模式的種類大大減少，而不會丟失任何信息，模式種類由原來的2^p減少為p*(p-1)+2種。對於3×3鄰域內8個采樣點來說，二進制模式由原始的256種減少為58種，這使得特征向量的維數更少，並且可以減少高頻噪聲帶來的影響。
1、0次跳變，只有兩種，即000..或者1111....
2、1次跳變，兩種可能，0—>1或者1—>0：
（1）0開頭：0...01、0....011，一共有p-1種；
（2）1開頭：1...10、1...100、1..1000、等等，一種有p-1種；
綜合，一次跳變有2（p-1）種。
2、兩次跳變，0—>1—>0和1—>0—>1
0—>1—>0：第一次跳變位置在第2、第3、........p-1位置時，對應的第二次跳變有p-2種、p-3種....1種的跳變位置，所以共有(p-1)(p-2)/2種模式；
1—>0—>1：相應的也有(p-1)(p-2)/2種；
綜合有(p-1)(p-2)種模式
綜上一共有2+2(p-1)+(p-1)(p-2)=p(p-1)+2種模式可能。
等價模式代表了圖像的邊緣、斑點、角點等關鍵模式，等價模式占了總模式中的絕大多數，所以極大的降低了特征維度。利用這些等價模式和混合模式類直方圖，能夠更好地提取圖像的本質特征。
3、LBP特征用於檢測的原理
顯而易見的是，上述提取的LBP算子在每個像素點都可以得到一個LBP“編碼”，那么，對一幅圖像（記錄的是每個像素點的灰度值）提取其原始的LBP算子之后，得到的原始LBP特征依然是“一幅圖片”（記錄的是每個像素點的LBP值）。
LBP的應用中，如紋理分類、人臉分析等，LBP特征提取結果還是大小相同的一幅圖像，一般都不將LBP圖譜作為特征向量用於分類識別，而是采用LBP特征譜的統計直方圖作為特征向量用於分類識別。
因為，從上面的分析我們可以看出，這個“特征”跟位置信息是緊密相關的。直接對兩幅圖片提取這種“特征”，並進行判別分析的話，會因為“位置沒有對准”而產生很大的誤差。后來，研究人員發現，可以將一幅圖片划分為若干的子區域，對每個子區域內的每個像素點都提取LBP特征，然后，在每個子區域內建立LBP特征的統計直方圖。如此一來，每個子區域，就可以用一個統計直方圖來進行描述；整個圖片就由若干個統計直方圖組成；
例如：一幅100*100像素大小的圖片，划分為10*10=100個子區域（可以通過多種方式來划分區域），每個子區域的大小為10*10像素；在每個子區域內的每個像素點，提取其LBP特征，然后，建立統計直方圖；這樣，這幅圖片就有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，就可以描述這幅圖片了。之后，我們利用各種相似性度量函數，就可以判斷兩幅圖像之間的相似性了。
3、對LBP特征向量進行提取的步驟
（1）首先將檢測窗口划分為16×16的小區域（cell）；
（2）對於每個cell中的一個像素，將相鄰的8個像素的灰度值與其進行比較，若周圍像素值大於中心像素值，則該像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位二進制數，即得到該窗口中心像素點的LBP值；
（3）然后計算每個cell的直方圖，即每個數字（假定是十進制數LBP值）出現的頻率；然后對該直方圖進行歸一化處理。
（4）最后將得到的每個cell的統計直方圖進行連接成為一個特征向量，也就是整幅圖的LBP紋理特征向量；
然后便可利用SVM或者其他機器學習算法進行分類了。