LBP方法（Local binary patterns）是一个计算机视觉中用于图像特征分类的一个方法。LBP方法在1994年首先由T. Ojala, M.Pietikäinen, 和 D. Harwood 提出，用于纹理特征提取。后来LBP方法与HOG特征分类器联合使用，改善了一些数据集[45]上的检测效果。
对LBP特征向量进行提取的步骤如下：
首先将检测窗口划分为16×16的小区域（cell）,对于每个cell中的一个像素，将其环形邻域内的B个点（也可以是环形邻域多个点，如下图，使用LBP算法的三个邻域示例）进行顺时针或者逆时针的比较，如果中心像素值比该邻域点大，则将邻点赋值为1，否则赋值为0，这样每个点都会获得一个8位二进制数（通常转换为十进制数）。然后计算每个cell的直方图，即每个数字（假定是十进制数）出现的频率（也就是一个关于每一个像素点是否比邻域内点大的一个二进制序列进行统计），然后对该直方图进行归一化处理。最终将每个cell的统计直方图进行连接，就得到了整幅图的LBP纹理特征，然后便可利用SVM或者其他机器学习算法进行分类了。
首先定义一个纹理图片，它是一个随以下变量变化的函数：纹理表面材质，反射率，光照，照相机和他的角度。现在纹理分类比较流行的有两种方法：一个是全局特征，如lbp,gabor,另一个是基于局部特征的，如：harris-laplace,基于局部特征的方法主要基于texton的框架，也就是现在图片分类的bag-of-words框架。
今天我们先介绍一下基于全局的特征，全局特征LBP最简单有效，下面我们介绍一个LBP及其变种。
1、LBP
以R为半径的P点邻域，gc为中心，gp为邻域点；区分邻域比中心亮度大还是小
改变PR,形成多尺度LBP
目前，我了解这些已经够了，若是还想继续了解，看