一、LBP介绍

LBP（Local Binary Pattern，局部二值模式），是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点；

作者： T. Ojala, M.Pietikäinen, 和 D. Harwood ；

提出时间： 1994年

二、LBP原理

LBP算子定义在一个 3 × 3 的窗口内，以窗口中心像素为阈值，与相邻的8个像素的灰度值比较，若周围的像素值大于中心像素值，则该位置被标记为1；否则标记为0。如此可以得到一个8位二进制数（通常还要转换为10进制，即LBP码，共256种）， 将这个值作为窗口中心像素点的LBP值，以此来反应这个3× 3区域的纹理信息。

在这里插入图片描述
用数学公式表示：

其中， p表示 3 × 3 窗口中除中心像素点外的第p个像素点；I( c )表示中心像素点的灰度值， I( p )表示领域内第p个像素点的灰度值；s(x)公式如下：

LBP记录的是中心像素点与领域像素点之间的差值;
当光照变化引起像素灰度值同增同减时， LBP变化并不明显;
LBP对与光照变化不敏感， LBP检测的仅仅是图像的纹理信息；

三、代码应用

import cv2
import numpy as npdef LBP(src):''':param src:灰度图像:return:'''height = src.shape[0]width = src.shape[1]dst = src.copy()lbp_value = np.zeros((1, 8), dtype=np.uint8)# print(lbp_value)neighbours = np.zeros((1, 8), dtype=np.uint8)# print(neighbours)for x in range(1, width - 1):for y in range(1, height - 1):neighbours[0, 0] = src[y - 1, x - 1]neighbours[0, 1] = src[y - 1, x]neighbours[0, 2] = src[y - 1, x + 1]neighbours[0, 3] = src[y, x - 1]neighbours[0, 4] = src[y, x + 1]neighbours[0, 5] = src[y + 1, x - 1]neighbours[0, 6] = src[y + 1, x]neighbours[0, 7] = src[y + 1, x + 1]center = src[y, x]for i in range(8):if neighbours[0, i] > center:lbp_value[0, i] = 1else:lbp_value[0, i] = 0lbp = lbp_value[0, 0] * 1 + lbp_value[0, 1] * 2 + lbp_value[0, 2] * 4 + lbp_value[0, 3] * 8 \+ lbp_value[0, 4] * 16 + lbp_value[0, 5] * 32 + lbp_value[0, 6] * 64 + lbp_value[0, 7] * 128# print(lbp)dst[y, x] = lbpreturn dstimg = cv2.imread('image/people.jpg', 0)
print(img.shape)
cv2.imshow('src', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
new_img = LBP(img)cv2.imshow('dst', new_img)
cv2.waitKey(0)
cv2.destroyAllWindows()