局部二进制模式（Local Bimary Pattern）是应用于掌纹特征提取的一种方法，是一种有效的纹理描述算子。
        设 T 为灰度图像某领域内个像素点灰度值的联合分布函数， 即
                      
其中，gc 为中心像素点的灰度值，其余为周围的像素灰度值。在不丢失信息的情况

具体参考
http://www.doc88.com/p-8582216272472.html

LBP算子(局部二进制模式) 

出自2002 ojala PAMI 

纹理分类算子，LBP构造了衡量一个像素点和它邻域像素之间关系，即对于3*3的邻域，其各像素与中心像素大小关系，构成二进制数。当大于中心点的像素值时，则被二值化为1，小于二值化为0，然后以顺时针方向构成二进制数。 

LBP有2^p个二进制模式。其中p为周围像素点个数。 


LBP量化像素点与其周围的像素点，可以有效的去除光照对图像的影响，只要光照变化不足以改变两个像素点之间的大小关系，那么就不会改变LBP二值化的值。

下面有几个LBP变形： 
uniform模式 

LBP二进制模式与周围像素点个数有着直接关系，对于半径为R含有P个采样点的LBP算子有2^P个。当邻域越大时，其二进制的模式急剧递增。如8个采样点有256种二进制模式，而20个采样点有2^20=1048576种二进制模式。 

在实际图像中绝大多数LBP模式最多只包括两次从1到0或0到1的跳变。因此该模式叫uniform模式。而二进制模式种类从2^P个降到2+2*(P-1)+2*C_(P-1)^2=(P-1)P+2个。其中跳变0次有2种，跳变1次有2*(P-1)种，跳变2次有2*C_(P-1)^2种。 
旋转模式 

无论图像怎么旋转，对点提取的二进制特征的最小值是不变的，用最小值作为提取的LBP特征，这样LBP就是旋转不变的 

用途： 

可用于人脸识别和表情识别

优点：二进制数，可定点化，速度快，而效果可与Haar齐平。因为LBP和Haar检测的准确率，是依赖训练过程中的训练数据的质量和训练参数。

本篇文章仅为本人加深图像处理算法的理解，有不严谨的地方，不作为学习的参考。

参考书籍：精通Matlab数字图像处理与识别，张铮等，人民邮电出版社。
局部二进制模式（LBP），最早用于图像纹理的描述，其在描述局部区域的特征方面有着卓越的能力。
1.理论基础
图像多为分区图像，标准的LBP直方图的维数较高，且局部直方图过于稀疏。基于此提出统一化模式的概念。

统一化模式：二进制串***循环***变化的次数小于等于2.大于2的为非统一化模式。

每个统一化模式占一个收集箱，非统一化模式统一占一个收集箱。如8邻域，收集箱的个数为：2+0+56+1=59.

分为：

1.统一化LBP算子，即Uniform LBP，如$LBP_{8,2}^{u2}$，表示邻域为8，半径为2.

2.多块的LBP算子，即Multi-Block LBP算子，可以描述图像的粗粒度。通常用符号$MB_{S}-LBP_{8,2}^{u2}$表示，块大小为$S\times S$的$LBP_{8,2}^{u2}$。

3.分区的多块LBP算子。先将图像分区，再求各分区的MB-LBP，将直方图聚合。
2.程序结构
生成映射表：根据邻域，计算二进制串，判断二进制串为统一化模式还是非统一化模式，将其分别放在相应的收集箱。

计算图像LBP特征：首先计算各采样点的像素值，不在中心点的像素值，通常采用双线性插值，拟合得到。计算得到LBP响应的图像灰度；得到LBP直方图。
3.统一化LBP算子matlab程序实现
3.1生成映射表
function  vecmapping=getmapping1(sp);
%生成映射表
%  sp为采样点个数
cnt=sp;
bits=zeros(1,8);
vecmapping=zeros(1,256);
ibcnt=1;
for i=0:255
    num=i;
    icnt=0;
    while(num)
        bits(cnt-icnt)=mod(num,2);
        num=floor(num/2);
        icnt=icnt+1;
    end
    if IsUniform(bits)
        vecmapping(i+1)=ibcnt;
        ibcnt=ibcnt+1;
    else
        vecmapping(i+1)=59;
    end
    end
save('LBPmapping.mat','vecmapping');
function result = IsUniform( bits )
n=length(bits);
njump=0;
for i=1:n-1
    if bits(i)~=bits(i+1);
        njump=njump+1;
    end
end
if bits(n)~=bits(1);
     njump=njump+1;
end
if njump>2
    result=false;
else
    result=true;
end


3.2 得到图像的LBP81
function histLBP = getimageLBP( B,r )
%LBP81
load 'LBPmapping.mat';
image=B;
[m,n]=size(image);
if (m<=2*r) ||  (n<=2*r)
    error('image is too small');
end
 imageLBP=zeros(m-2*r,n-2*r);
 image_LBP=zeros(1,8);
 histLBP=zeros(1,59);
for i=1+r:m-r
    for j=1+r:n-r
        ncn=1;
        image_LBP(ncn)=image(i,j-r);
        ncn=ncn+1;
        value1=image(i-1,j-1)+0.2929*(image(i-1,j)-image(i-1,j-1));
        value2=image(i,j-1)+0.2929*(image(i,j)-image(i,j-1));
        value=value1+0.2929*(value2-value1);
        image_LBP(ncn)=value;
        ncn=ncn+1;
          image_LBP(ncn)=image(i-1,j);
          ncn=ncn+1;
        value1=image(i-1,j)+0.7071*(image(i-1,j+1)-image(i-1,j));
        value2=image(i,j)+0.7071*(image(i,j+1)-image(i,j));
        value=value1+0.2929*(value2-value1);
        image_LBP(ncn)=value;
        ncn=ncn+1;
        image_LBP(ncn)=image(i,j+1);
        ncn=ncn+1;
          value1=image(i+1,j)+0.7071*(image(i+1,j+1)-image(i+1,j));
        value2=image(i,j)+0.7071*(image(i,j+1)-image(i,j));
        value=value1+0.2929*(value2-value1);
        image_LBP(ncn)=value;
        ncn=ncn+1;
         image_LBP(ncn)=image(i+1,j);
          ncn=ncn+1;
        value1=image(i+1,j-1)+0.2929*(image(i+1,j)-image(i+1,j-1));
        value2=image(i,j-1)+0.2929*(image(i,j)-image(i,j-1));
        value=value1+0.2929*(value2-value1);
        image_LBP(ncn)=value;
         for i1=1:ncn
            if   image_LBP(i1)>=image(i,j)
                imageLBP(i-r,j-r)=imageLBP(i-r,j-r)+2^(ncn-i1);
            end
        end
    end
end
for i2=1:m-2*r
    for j2=1:n-2*r
    histLBP(vecmapping(imageLBP(i2,j2)+1))= histLBP(vecmapping(imageLBP(i2,j2)+1))+1;
    end
end
end
       

基本LBP： 

逐行扫描图像，以图像中的每个像素点得灰度值为阈值，对其周围3*3的8邻域进行二值化，并从左上点开始按照顺时针方向（或逆时针，统一即可）将二值化结果组成一个二进制数，转换为十进制作为中心点的响应。这样可以得到一个LBP图像。 

例如： 


这个响应图像的直方图称为LBP统计直方图或LBP直方图。 

生成LBP图像MATLAB代码：



%局部二进制模式LBP
close all
clear all

img=imread('sophie.bmp');
[m n]=size(img);
I=zeros(m,n);

for i=1:m
    for j=1:n        
        b0=0;
        b1=0;
        b2=0;
        b3=0;
        b4=0;
        b5=0;
        b6=0;
        b7=0;

        if(i-1>0 && j-1>0 && i+1<=m && j+1<=n)
            if(img(i-1,j-1)>img(i,j))
                b0=1;
            end

            if(img(i-1,j)>img(i,j))
                b1=1;
            end            

            if(img(i-1,j+1)>img(i,j))
                b2=1;
            end           

            if(img(i,j+1)>img(i,j))
                b3=1;
            end            

            if(img(i+1,j+1)>img(i,j))
                b4=1;
            end            

            if(img(i+1,j)>img(i,j))
                b5=1;
            end 

            if(img(i+1,j-1)>img(i,j))
                b6=1;
            end      

            if(img(i,j-1)>img(i,j))
                b7=1;
            end        

            if(img(i+1,j-1)>img(i,j))
                b5=1;
            end              
        b=b0+b1*2^1+b2*2^2+b3*2^3+b4*2^4+b5*2^5+b6*2^6+b7*2^7;
        I(i,j)=b;
    end
end
figure
subplot(1,2,1),subimage(img);
title('原图');
subplot(1,2,2),subimage(I);
title('LBP图像');


运行结果如下：