纹理分类是计算机视觉和模式识别研究的一个重要领域。基于纹理的描述符用于对象、场景和人脸的分类。在许多方法中，局部二进制模式(LBP) (Ojala et al.， 2002)由于计算简单和良好的性能而受到欢迎。

局部二进制模式(简称LBPs)是一种纹理描述符，由Ojala等人在2002年的论文《用局部二进制模式进行多分辨率灰度和旋转不变纹理分类》(尽管LBPs的概念早在1993年就被引入)中得到广泛应用。

LBPs计算纹理的局部表示。这种局部表示是通过比较每个像素与其周围像素的邻域来构造的。LBP检查中心点周围的点，并测试周围点是否大于或小于中心点(即给出二进制结果)。

构建LBP纹理描述符的第一步是将图像转换为灰度。

对于灰度图像中的每个像素，我们选择围绕中心像素的大小为r的邻域。然后计算该中心像素的LBP值，并将其存储在输出2D阵列中，其宽度和高度与输入图像相同。

为了考虑可变邻域大小，引入了两个参数：

要考虑的圆形对称邻域中的点数p（从而去除依赖于正方形邻域）。圆r的半径，这使我们能够考虑不同的尺度。

例如，让我们看看原始LBP描述符，它就像这样（这里p = 3，r = 1）在固定的3 x 3像素邻域上运行：

在此图中，我们将中心像素（以红色突出显示）和阈值与其邻居 - 8像素进行对比。如果中心像素的强度大于或等于其邻居，则我们将该值设置为1; 否则，我们将其设置为0.对于8个周围像素，我们总共有2 ^ 8 = 256种可能的LBP代码组合。

LBP检测到不同的纹理基元

从这里开始，我们需要计算中心像素的LBP值。我们可以从任何相邻像素开始，顺时针或逆时针方向工作，但我们的排序必须保持一致，我们的图像中的所有像素和数据集中的所有图像。鉴于3 x 3邻域，我们因此有8个邻居，我们必须对其进行二进制测试。这个二进制测试的结果存储在一个8位数组中，然后我们将其转换为十进制数，如下所示：

在这个例子中，我们从右上角开始，按顺时针顺序累积二进制字符串。然后我们可以将这个二进制字符串转换为十进制，产生一个值23。

该值存储在输出LBP 2D数组中，我们可以在下面看到它：

然后对输入图像中的每个像素重复该阈值处理，累积二进制串以及将输出十进制值存储在LBP阵列中的处理。

最后一步是计算输出LBP阵列上的直方图。由于3 x 3邻域具有2 ^ 8 = 256种可能的模式，因此我们的LBP 2D阵列具有最小值0和最大值255，允许我们构造256-bin LBP码直方图作为我们的最终特征向量：

以下是计算和可视化完整LBP 2D阵列及其直方图的示例：

现在可以使用支持向量机，极端学习机或一些其他机器学习算法来处理特征向量（LB）以对图像进行分类。这种分类器可用于面部识别或纹理分析。

近年来，它在图像处理和计算机视觉的许多领域引起了越来越多的兴趣，并在许多应用中显示出了它的有效性，特别是在面部图像分析方面，包括从人脸检测、人脸识别、面部表情分析到人口统计分类等任务。