参考https://blog.csdn.net/q1007729991/article/details/52995734 和https://blog.csdn.net/qq_37577735/article/details/80041586 这两篇博文，由这两篇描述知道，要了解LBP就要先学习插值，以双线性插值为例。
插值
首先看最简单的线性插值如下：
接下来就是将线性插值用在双线性插值中，如下：
由这个推导的最后结果就可与下面所述f(i+u,j+v)对上，说明推导正确。可以明显看到对某个像素点的插值结果其实就是附近4个相邻像素点的加权。
到此，我们已明白双线性插值的意思。
圆形LBP特征
原始LBP：
接下来我们看LBP的原理，由文章开头发的链接中作者介绍可知：像素3*3的邻域内，以邻域中心像素为阈值，相邻的8个像素的灰度值与邻域中心的像素值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为0。那么对于某个中心周围的8个邻域点，就有pow(2,8)=256种可能，取值范围就是[0,255]，所以出来的LBP特征图就是一个灰度图。
可以由上图看到此时采样点组成了一个正方形，我觉得原始LBP可以叫做正方形LBP，自然此时不用插值。如作者给的opencv代码所述，就是从左上角顺时针一圈的结果：
//原始LBP特征计算
template <typename _tp>
void getOriginLBPFeature(InputArray _src,OutputArray _dst)
{
Mat src = _src.getMat();
_dst.create(src.rows-2,src.cols-2,CV_8UC1);
Mat dst = _dst.getMat();
dst.setTo(0);
for(int i=1;i<src.rows-1;i++)
{
for(int j=1;j<src.cols-1;j++)
{
_tp center = src.at<_tp>(i,j);
unsigned char lbpCode = 0;
lbpCode |= (src.at<_tp>(i-1,j-1) > center) << 7;
lbpCode |= (src.at<_tp>(i-1,j ) > center) << 6;
lbpCode |= (src.at<_tp>(i-1,j+1) > center) << 5;
lbpCode |= (src.at<_tp>(i ,j+1) > center) << 4;
lbpCode |= (src.at<_tp>(i+1,j+1) > center) << 3;
lbpCode |= (src.at<_tp>(i+1,j ) > center) << 2;
lbpCode |= (src.at<_tp>(i+1,j-1) > center) << 1;
lbpCode |= (src.at<_tp>(i ,j-1) > center) << 0;
dst.at<uchar>(i-1,j-1) = lbpCode;
}
}
}
可以看到左上角的那个点放在最高位上，顺时针以此类推。这个原始LBP很好理解，不用赘述。
圆形LBP：
作者后面说的圆形LBP中说了两个词：半径radius和采样点neighbors：
可以看到上图的LBP的右上角值就是radius，右下角值就是neighbors。可以看到不一定要求neighbors=8*radius，而是**<=**即可，因为以radius为半径的周长就是当前半径下最大采样点数。以radius=1,neighbors=8为例：根据作者提供的代码：
template <typename _tp>
void getCircularLBPFeature(InputArray _src,OutputArray _dst,int radius,int neighbors)
{
Mat src = _src.getMat();
//LBP特征图像的行数和列数的计算要准确
_dst.create(src.rows-2*radius,src.cols-2*radius,CV_8UC1);
Mat dst = _dst.getMat();
dst.setTo(0);
//循环处理每个像素
for(int i=radius;i<src.rows-radius;i++)
{
for(int j=radius;j<src.cols-radius;j++)
{
//获得中心像素点的灰度值
_tp center = src.at<_tp>(i,j);
unsigned char lbpCode = 0;
for(int k=0;k<neighbors;k++)
{
//根据公式计算第k个采样点的坐标，这个地方可以优化，不必每次都进行计算radius*cos，radius*sin
float x = i + static_cast<float>(radius * \
cos(2.0 * CV_PI * k / neighbors));
float y = j - static_cast<float>(radius * \
sin(2.0 * CV_PI * k / neighbors));
//根据取整结果进行双线性插值，得到第k个采样点的灰度值
//1.分别对x，y进行上下取整
int x1 = static_cast<int>(floor(x));
int x2 = static_cast<int>(ceil(x));
int y1 = static_cast<int>(floor(y));
int y2 = static_cast<int>(ceil(y));
//2.计算四个点(x1,y1),(x1,y2),(x2,y1),(x2,y2)的权重
//将坐标映射到0-1之间
float tx = x - x1;
float ty = y - y1;
//根据0-1之间的x，y的权重计算公式计算权重
float w1 = (1-tx) * (1-ty);
float w2 = tx * (1-ty);
float w3 = (1-tx) * ty;
float w4 = tx * ty;
//3.根据双线性插值公式计算第k个采样点的灰度值
float neighbor = src.at<_tp>(x1,y1) * w1 + src.at<_tp>(x1,y2) *w2 \
+ src.at<_tp>(x2,y1) * w3 +src.at<_tp>(x2,y2) *w4;
//通过比较获得LBP值，并按顺序排列起来
lbpCode |= (neighbor>center) <<(neighbors-k-1);
}
dst.at<uchar>(i-radius,j-radius) = lbpCode;
}
}
}
可以看到使用了双线性插值，因为不再像原始LBP那样使用正方形，这里是圆形就必须插值，如下图所示0、2、4、6位置是插值所得：
由上图还可以看到，原始LBP与圆形LBP的二进制放的起始位置变了，比如最高位原始LBP在左上角，但圆形LBP最高位在正下方。但没关系，8个采样点组成了圆形所以是符合原理的。
突然看到https://blog.csdn.net/xhdmtx_hcf/article/details/80060963 这里也介绍了圆形LBP，但这个作者给的elbp_函数中，却不对，以中心点(1,1)为例，radius=1,neighbors=8：
from function elbp_():
1,1 bitpos:0 biliear:2,1 - 2,1 - 2,1 - 2,1
1,1 bitpos:1 biliear:1,0 - 2,0 - 1,1 - 2,1
1,1 bitpos:2 biliear:1,0 - 2,0 - 1,0 - 2,0
1,1 bitpos:3 biliear:0,0 - 1,0 - 0,1 - 1,1
1,1 bitpos:4 biliear:0,0 - 0,0 - 0,1 - 0,1
1,1 bitpos:5 biliear:0,1 - 1,1 - 0,2 - 1,2
1,1 bitpos:6 biliear:0,2 - 1,2 - 0,2 - 1,2
1,1 bitpos:7 biliear:1,1 - 2,1 - 1,2 - 2,2
from function getCircularLBPFeature():
1,1 bitpos:7 biliear:1,2 - 1,2 - 1,2 - 1,2
1,1 bitpos:6 biliear:0,1 - 1,1 - 0,2 - 1,2
1,1 bitpos:5 biliear:0,1 - 0,1 - 0,1 - 0,1
1,1 bitpos:4 biliear:0,0 - 1,0 - 0,1 - 1,1
1,1 bitpos:3 biliear:1,0 - 1,0 - 1,0 - 1,0
1,1 bitpos:2 biliear:1,0 - 2,0 - 1,1 - 2,1
1,1 bitpos:1 biliear:2,1 - 2,1 - 2,1 - 2,1
1,1 bitpos:0 biliear:1,1 - 2,1 - 1,2 - 2,2
看为什么elbp_函数中二进制位2的时候，怎么是由(1,0)、(2,0)这两个点插值的结果作为bitpos2的结果呢？！明显不对啊，然后这几个点画出来也不是圆形。再看getCircularLBPFeature()中二进制位2上的结果是由(1,0)、(2,0)、(1,1)、(2,1)插值得到的，就是符合我上面画的“圆形LBP”的图，的确组合成了圆形。（更新：不好意思 这个elbp_函数是我大意了，是没问题的，毕竟opencv的源码可信度还是高的，原因如下，我之前没有看权重，输出权重后可以看到基本是一个圆形）
所以可opencv的函数elbp_是可以使用的：
template <typename _Tp> static
inline void elbp_(InputArray _src, OutputArray _dst, int radius, int neighbors) {
//get matrices
Mat src = _src.getMat();
// allocate memory for result
_dst.create(src.rows-2*radius, src.cols-2*radius, CV_32SC1);
Mat dst = _dst.getMat();
// zero
dst.setTo(0);
for(int n=0; n<neighbors; n++) {
// sample points
float x = static_cast<float>(radius * cos(2.0*CV_PI*n/static_cast<float>(neighbors)));
float y = static_cast<float>(-radius * sin(2.0*CV_PI*n/static_cast<float>(neighbors)));
// relative indices
int fx = static_cast<int>(floor(x));
int fy = static_cast<int>(floor(y));
int cx = static_cast<int>(ceil(x));
int cy = static_cast<int>(ceil(y));
// fractional part
float ty = y - fy;
float tx = x - fx;
// set interpolation weights
float w1 = (1 - tx) * (1 - ty);
float w2 = tx * (1 - ty);
float w3 = (1 - tx) * ty;
float w4 = tx * ty;
// iterate through your data
for(int i=radius; i < src.rows-radius;i++) {
for(int j=radius;j < src.cols-radius;j++) {
// calculate interpolated value
float t = static_cast<float>(w1*src.at<_Tp>(i+fy,j+fx) + w2*src.at<_Tp>(i+fy,j+cx) + w3*src.at<_Tp>(i+cy,j+fx) + w4*src.at<_Tp>(i+cy,j+cx));
// floating point precision, so check some machine-dependent epsilon
dst.at<int>(i-radius,j-radius) += ((t > src.at<_Tp>(i,j)) || (std::abs(t-src.at<_Tp>(i,j)) < std::numeric_limits<float>::epsilon())) << n;
}
}
}
}
等价LBP
参考https://blog.csdn.net/zfjBIT/article/details/90638844 这个博文讲述很详细，等价LBP其实是对上面的原理得到的结果进行降维，比如上面radius=1，neighbors=8时总共有256种情况，即取值范围是[0,255]。等价LBP即uniform LBP则是统计一串二进制数从0到1或从1到0的跳变次数times，如00000000(0次跳变)，00000111(只含一次从0到1的跳变，参考的这个博文作者这里笔误写错了，因为这是没考虑首尾所以只有1次跳变。而实际应该是2次跳变，因为考虑首尾后还有1次 0到1的跳变，所以总共这里有2次跳变)，10001111(先由1跳到0，再由0跳到1，共两次跳变)。如果times<3，则是等价模式，否则则是混合模式（混合模式则直接赋值为0即可）。依据这个原理，对于采样点P或者说neighbors，LBP的情况直接从2^P种减少为 （等价模式：（P ( P-1)+2）+ 混合模式：1）种，实现了降维。如P=8时，原来的LBP总共有256种情况，现在则只有58+1种情况了。
下图以P=3和4分别画了等价模式的图（一定要考虑首尾），很好理解。同时也证明了P(P-1）+2的正确性。
编程出来就是，运行如下图p=3时跳变0次的有2种，跳变1次的0种，跳变2次的有6种，故总共8=p(p-1)+2种，符合规律：
再试下p=4时如下图所示，跳变0次的2种，跳变1次的0种，跳变2次的是12种，总共14=p(p-1)+2种，符合规律。count=4是混合模式，不纳入计算范围内：
以此类推到p=8，如下图，可以看到等价模式有2+0+56=58=p(p-1)+2，也符合规律：
大家可以看到对于p=8有跳变次数为8次的情况，出现2次，就是下面这两个数：
利用我之前画的图，考虑首尾，大家很容易知道这两个数的确跳变次数都为8。
刚刚参考的这篇博文中作者给了一个函数，可是getUniformPatternLBPFeature(srcimg, dst,1,8)求出来：
template <typename _tp>
void getUniformPatternLBPFeature(cv::Mat src, cv::Mat &dst, int radius, int neighbors)
{
//LBP特征图像的行数和列数的计算要准确
dst = cv::Mat::zeros(src.rows - 2 * radius, src.cols - 2 * radius, CV_8UC1);
//LBP特征值对应图像灰度编码表，直接默认采样点为8位
uchar temp = 1;
uchar table[256] = { 0 };
for (int i = 0; i<256; i++)
{
if (getHopTimes(i)<3)
{
table[i] = temp;
temp++;
}
}
//是否进行UniformPattern编码的标志
bool flag = false;
//计算LBP特征图
for (int k = 0; k<neighbors; k++)
{
if (k == neighbors - 1)
{
flag = true;
}
//计算采样点对于中心点坐标的偏移量rx，ry
float rx = static_cast<float>(radius * cos(2.0 * CV_PI * k / neighbors));
float ry = -static_cast<float>(radius * sin(2.0 * CV_PI * k / neighbors));
//为双线性插值做准备
//对采样点偏移量分别进行上下取整
int x1 = static_cast<int>(floor(rx));
int x2 = static_cast<int>(ceil(rx));
int y1 = static_cast<int>(floor(ry));
int y2 = static_cast<int>(ceil(ry));
//将坐标偏移量映射到0-1之间
float tx = rx - x1;
float ty = ry - y1;
//根据0-1之间的x，y的权重计算公式计算权重，权重与坐标具体位置无关，与坐标间的差值有关
float w1 = (1 - tx) * (1 - ty);
float w2 = tx * (1 - ty);
float w3 = (1 - tx) * ty;
float w4 = tx * ty;
//循环处理每个像素
for (int i = radius; i<src.rows - radius; i++)
{
for (int j = radius; j<src.cols - radius; j++)
{
//获得中心像素点的灰度值
_tp center = src.at<_tp>(i, j);
//根据双线性插值公式计算第k个采样点的灰度值
float neighbor = src.at<_tp>(i + x1, j + y1) * w1 + src.at<_tp>(i + x1, j + y2) *w2 \
+ src.at<_tp>(i + x2, j + y1) * w3 + src.at<_tp>(i + x2, j + y2) *w4;
//LBP特征图像的每个邻居的LBP值累加，累加通过与操作完成，对应的LBP值通过移位取得
dst.at<uchar>(i - radius, j - radius) |= (neighbor>center) << (neighbors - k - 1);
//进行LBP特征的UniformPattern编码
if (flag)
{
dst.at<uchar>(i - radius, j - radius) = table[dst.at<uchar>(i - radius, j - radius)];
}
}
}
}
}
//计算跳变次数
int getHopTimes(int n)
{
int count = 0;
bitset<8> binaryCode = n;//头文件#include<bitset>
for (int i = 0; i<8; i++)
{
if (binaryCode[i] != binaryCode[(i + 1) % 8])
{
count++;
}
}
return count;
}
//from https://blog.csdn.net/zfjBIT/article/details/90638844
以中心点(1,1)为例：
from function getUniformPatternLBPFeature(srcimg, dst,1,8):
1,1 bitpos:7 biliear:1,2 - 1,2 - 1,2 - 1,2
1,1 bitpos:6 biliear:0,1 - 1,1 - 0,2 - 1,2
1,1 bitpos:5 biliear:0,1 - 0,1 - 0,2 - 0,2
1,1 bitpos:4 biliear:0,0 - 1,0 - 0,1 - 1,1
1,1 bitpos:3 biliear:0,0 - 1,0 - 0,0 - 1,0
1,1 bitpos:2 biliear:1,0 - 2,0 - 1,1 - 2,1
1,1 bitpos:1 biliear:2,0 - 2,0 - 2,1 - 2,1
1,1 bitpos:0 biliear:1,1 - 2,1 - 1,2 - 2,2
以中心点(1,1)为例，取的就是上图这8个采样点，这不对吧？怎么是这个形状？！（更新：其实上图是因为没考虑权重，考虑权重后是正确的，是圆形。）大家重新看之前getCircularLBPFeature()中就是8个采样点组成一个圆形，我觉得那才是正确的。所以将作者这个函数改成下面这样：
//by wd
void changeUniformLBPFeature(InputArray _src,OutputArray _dst,int radius,int neighbors)
{
Mat src = _src.getMat();
//LBP特征图像的行数和列数的计算要准确
_dst.create(src.rows-2*radius,src.cols-2*radius,CV_8UC1);
Mat dst = _dst.getMat();
dst.setTo(0);
//LBP特征值对应图像灰度编码表，直接默认采样点为8位
uchar temp = 1;
uchar table[256] = { 0 };
for (int i = 0; i<256; i++)
{
if (getHop_Times(i,neighbors)<3)
{
table[i] = temp;
temp++;
}
}
//循环处理每个像素
for(int i=radius;i<src.rows-radius;i++)
{
for(int j=radius;j<src.cols-radius;j++)
{
//获得中心像素点的灰度值
ushort center = src.at<ushort>(i,j);
unsigned char lbpCode = 0;
for(int k=0;k<neighbors;k++)
{
//根据公式计算第k个采样点的坐标，这个地方可以优化，不必每次都进行计算radius*cos，radius*sin
float x = i + static_cast<float>(radius * \
cos(2.0 * CV_PI * k / neighbors));
float y = j - static_cast<float>(radius * \
sin(2.0 * CV_PI * k / neighbors));
//根据取整结果进行双线性插值，得到第k个采样点的灰度值
//1.分别对x，y进行上下取整
int x1 = static_cast<int>(floor(x));
int x2 = static_cast<int>(ceil(x));
int y1 = static_cast<int>(floor(y));
int y2 = static_cast<int>(ceil(y));
//2.计算四个点(x1,y1),(x1,y2),(x2,y1),(x2,y2)的权重
//将坐标映射到0-1之间
float tx = x - x1;
float ty = y - y1;
//根据0-1之间的x，y的权重计算公式计算权重
float w1 = (1-tx) * (1-ty);
float w2 = tx * (1-ty);
float w3 = (1-tx) * ty;
float w4 = tx * ty;
//3.根据双线性插值公式计算第k个采样点的灰度值
float neighbor = src.at<ushort>(x1,y1) * w1 + src.at<ushort>(x1,y2) *w2 \
+ src.at<ushort>(x2,y1) * w3 +src.at<ushort>(x2,y2) *w4;
//通过比较获得LBP值，并按顺序排列起来
if(i==radius && j==radius)
{
cout<<j<<","<<i<<" bitpos:"<<neighbors-k-1<<" biliear:"<<y1<<","<<x1<<" - "<<y2<<","<<x1<<" - "<<y1<<","<<x2<<" - "<<y2<<","<<x2<<endl;
}
lbpCode |= (neighbor>center) <<(neighbors-k-1);
}
//此像素为中心周围neighbors个采样点序列计算完毕后 取出对应编码为最终结果
dst.at<uchar>(i-radius,j-radius) = table[lbpCode];
}
}
double minvalue,maxvalue;
cv::minMaxLoc(dst,&minvalue,&maxvalue);
cout<<"uniform LBP data,during: "<<minvalue<<"~"<<maxvalue<<endl;
}
看这个结果、这些插值后形成的8个采样点才符合圆形，也表达了uniform LBP是基于圆形LBP的结果进行降维。
旋转不变性等价LBP
在python中的计算uniform LBP的函数为：
getlbp=skimage.feature.local_binary_pattern(图像，采样点数neighbors，半径radius，模式'uniform')
这个就是python中求LBP的函数，可以看到当选择uniform时，是具有灰度不变性和旋转不变性的。而我们上面写的那个uniform LBP还不具备旋转不变性，所以现在就是要在之前写的“等价LBP”的基础上增加“旋转不变性”。而我看到https://blog.csdn.net/q1007729991/article/details/52995734 这个作者提供的getRotationInvariantLBPFeature函数中是直接对基本LBP的结果图的数值循环左移来达到旋转不变性的目的。但是他这样处理只是出来的LBP数值种类/情况变少了由p(p-1)+2减少到p+1，但取值范围仍旧是[0,255]不变！！！而这与python这个函数出来的结果图数值取值范围只有0~9不符合，说明不能像这个作者一样处理。结合我之前画的图，经过推理可知，旋转不变性应该像下面这样增加才能实现数值种类/情况变少（下图所示）的同时 取值范围也减少（下下图）：
由上图可知P=3时，旋转不变性后，等价模式的取值种类从p(p-1)+2变成了p+1，P=4时的证明大家也可这样画出来。易证明，跳变0次的一定有2种，这两种旋转后仍旧是times0=2种！而上图跳变2次的有6种，旋转后种类有2种。所以此时P=3时旋转不变性后种类为4=P+1。所以如果P=8，那么旋转不变性的uniform LBP应该取值范围是0~8+1（这里的0是混合模式都取值为0）！大家可以去看python下的这个函数就是如此。编程时为了方便，我们可根据原理先将下图（此时不是种类，而是将LBP数值范围降到了p+1，注意我说的取值情况/种类与取值范围的区别）画出（可以看到data中取值范围已经从[1,8]变到[1,4]）：
由上图可以看到p=3时，id是序号或者说是下标或者说是二进制转十进制后的数值，times是二进制数的跳变次数，data就是最后的LBP数值。可以从上图看到等价LBP加入旋转不变性后范围如何从[1,8]变成[1,4]。下面我们根据上图的原理编程后输出p=3时id经过旋转不变性后由0~7即8个值变成了0、1、3、7共4个值（与我上面画的图中一致），符合p+1规律：
我们将代码p改成4试试，如下图可知由原来的0~15（排除红色线所示的2种混合模式后）共14种，旋转不变性后变成了0、1、3、7、15共5种，符合p+1规律。大家可类推到p=8，道理相同：
全部编写完毕后，输出如下，可以看到加入旋转不变性后，输出的LBP特征图取值范围由[0,58]变成了[0,9]。：
写成更通用一点的函数，因为上面的changewithRotateUniformLBPFeature没有适用于不同类型的原图以及更大的采样点，因为采样点不一定是8啊，还可能是9、10、11等等更大的数。所以应该改成更通用的版本如下：
看p=3时与我上面推理的是一样的，LBP的数值已经从[1,8]变成了[1,4]，再看p=4时如下：
从[1,14]变成了[1,5]，继续看p=8、p=10时均与之前所述相符：
radius=3 , P=8
primer uniform LBP table:
0:1 1:2 2:3 3:4 4:5 5:0 6:6 7:7 8:8 9:0 10:0 11:0 12:9 13:0 14:10 15:11 16:12 17:0 18:0 19:0 20:0 21:0 22:0 23:0 24:13 25:0 26:0 27:0 28:14 29:0 30:15 31:16 32:17 33:0 34:0 35:0 36:0 37:0 38:0 39:0 40:0 41:0 42:0 43:0 44:0 45:0 46:0 47:0 48:18 49:0 50:0 51:0 52:0 53:0 54:0 55:0 56:19 57:0 58:0 59:0 60:20 61:0 62:21 63:22 64:23 65:0 66:0 67:0 68:0 69:0 70:0 71:0 72:0 73:0 74:0 75:0 76:0 77:0 78:0 79:0 80:0 81:0 82:0 83:0 84:0 85:0 86:0 87:0 88:0 89:0 90:0 91:0 92:0 93:0 94:0 95:0 96:24 97:0 98:0 99:0 100:0 101:0 102:0 103:0 104:0 105:0 106:0 107:0 108:0 109:0 110:0 111:0 112:25 113:0 114:0 115:0 116:0 117:0 118:0 119:0 120:26 121:0 122:0 123:0 124:27 125:0 126:28 127:29 128:30 129:31 130:0 131:32 132:0 133:0 134:0 135:33 136:0 137:0 138:0 139:0 140:0 141:0 142:0 143:34 144:0 145:0 146:0 147:0 148:0 149:0 150:0 151:0 152:0 153:0 154:0 155:0 156:0 157:0 158:0 159:35 160:0 161:0 162:0 163:0 164:0 165:0 166:0 167:0 168:0 169:0 170:0 171:0 172:0 173:0 174:0 175:0 176:0 177:0 178:0 179:0 180:0 181:0 182:0 183:0 184:0 185:0 186:0 187:0 188:0 189:0 190:0 191:36 192:37 193:38 194:0 195:39 196:0 197:0 198:0 199:40 200:0 201:0 202:0 203:0 204:0 205:0 206:0 207:41 208:0 209:0 210:0 211:0 212:0 213:0 214:0 215:0 216:0 217:0 218:0 219:0 220:0 221:0 222:0 223:42 224:43 225:44 226:0 227:45 228:0 229:0 230:0 231:46 232:0 233:0 234:0 235:0 236:0 237:0 238:0 239:47 240:48 241:49 242:0 243:50 244:0 245:0 246:0 247:51 248:52 249:53 250:0 251:54 252:55 253:56 254:57 255:58
new uniform LBP table after rotation:
0:1 1:2 2:0 3:3 4:0 5:0 6:0 7:4 8:0 9:0 10:0 11:0 12:0 13:0 14:0 15:5 16:0 17:0 18:0 19:0 20:0 21:0 22:0 23:0 24:0 25:0 26:0 27:0 28:0 29:0 30:0 31:6 32:0 33:0 34:0 35:0 36:0 37:0 38:0 39:0 40:0 41:0 42:0 43:0 44:0 45:0 46:0 47:0 48:0 49:0 50:0 51:0 52:0 53:0 54:0 55:0 56:0 57:0 58:0 59:0 60:0 61:0 62:0 63:7 64:0 65:0 66:0 67:0 68:0 69:0 70:0 71:0 72:0 73:0 74:0 75:0 76:0 77:0 78:0 79:0 80:0 81:0 82:0 83:0 84:0 85:0 86:0 87:0 88:0 89:0 90:0 91:0 92:0 93:0 94:0 95:0 96:0 97:0 98:0 99:0 100:0 101:0 102:0 103:0 104:0 105:0 106:0 107:0 108:0 109:0 110:0 111:0 112:0 113:0 114:0 115:0 116:0 117:0 118:0 119:0 120:0 121:0 122:0 123:0 124:0 125:0 126:0 127:8 128:0 129:0 130:0 131:0 132:0 133:0 134:0 135:0 136:0 137:0 138:0 139:0 140:0 141:0 142:0 143:0 144:0 145:0 146:0 147:0 148:0 149:0 150:0 151:0 152:0 153:0 154:0 155:0 156:0 157:0 158:0 159:0 160:0 161:0 162:0 163:0 164:0 165:0 166:0 167:0 168:0 169:0 170:0 171:0 172:0 173:0 174:0 175:0 176:0 177:0 178:0 179:0 180:0 181:0 182:0 183:0 184:0 185:0 186:0 187:0 188:0 189:0 190:0 191:0 192:0 193:0 194:0 195:0 196:0 197:0 198:0 199:0 200:0 201:0 202:0 203:0 204:0 205:0 206:0 207:0 208:0 209:0 210:0 211:0 212:0 213:0 214:0 215:0 216:0 217:0 218:0 219:0 220:0 221:0 222:0 223:0 224:0 225:0 226:0 227:0 228:0 229:0 230:0 231:0 232:0 233:0 234:0 235:0 236:0 237:0 238:0 239:0 240:0 241:0 242:0 243:0 244:0 245:0 246:0 247:0 248:0 249:0 250:0 251:0 252:0 253:0 254:0 255:9
radius=2 , P=10
primer uniform LBP table:
0:1 1:2 2:3 3:4 4:5 5:0 6:6 7:7 8:8 9:0 10:0 11:0 12:9 13:0 14:10 15:11 16:12 17:0 18:0 19:0 20:0 21:0 22:0 23:0 24:13 25:0 26:0 27:0 28:14 29:0 30:15 31:16 32:17 33:0 34:0 35:0 36:0 37:0 38:0 39:0 40:0 41:0 42:0 43:0 44:0 45:0 46:0 47:0 48:18 49:0 50:0 51:0 52:0 53:0 54:0 55:0 56:19 57:0 58:0 59:0 60:20 61:0 62:21 63:22 64:23 65:0 66:0 67:0 68:0 69:0 70:0 71:0 72:0 73:0 74:0 75:0 76:0 77:0 78:0 79:0 80:0 81:0 82:0 83:0 84:0 85:0 86:0 87:0 88:0 89:0 90:0 91:0 92:0 93:0 94:0 95:0 96:24 97:0 98:0 99:0 100:0 101:0 102:0 103:0 104:0 105:0 106:0 107:0 108:0 109:0 110:0 111:0 112:25 113:0 114:0 115:0 116:0 117:0 118:0 119:0 120:26 121:0 122:0 123:0 124:27 125:0 126:28 127:29 128:30 129:0 130:0 131:0 132:0 133:0 134:0 135:0 136:0 137:0 138:0 139:0 140:0 141:0 142:0 143:0 144:0 145:0 146:0 147:0 148:0 149:0 150:0 151:0 152:0 153:0 154:0 155:0 156:0 157:0 158:0 159:0 160:0 161:0 162:0 163:0 164:0 165:0 166:0 167:0 168:0 169:0 170:0 171:0 172:0 173:0 174:0 175:0 176:0 177:0 178:0 179:0 180:0 181:0 182:0 183:0 184:0 185:0 186:0 187:0 188:0 189:0 190:0 191:0 192:31 193:0 194:0 195:0 196:0 197:0 198:0 199:0 200:0 201:0 202:0 203:0 204:0 205:0 206:0 207:0 208:0 209:0 210:0 211:0 212:0 213:0 214:0 215:0 216:0 217:0 218:0 219:0 220:0 221:0 222:0 223:0 224:32 225:0 226:0 227:0 228:0 229:0 230:0 231:0 232:0 233:0 234:0 235:0 236:0 237:0 238:0 239:0 240:33 241:0 242:0 243:0 244:0 245:0 246:0 247:0 248:34 249:0 250:0 251:0 252:35 253:0 254:36 255:37 256:38 257:0 258:0 259:0 260:0 261:0 262:0 263:0 264:0 265:0 266:0 267:0 268:0 269:0 270:0 271:0 272:0 273:0 274:0 275:0 276:0 277:0 278:0 279:0 280:0 281:0 282:0 283:0 284:0 285:0 286:0 287:0 288:0 289:0 290:0 291:0 292:0 293:0 294:0 295:0 296:0 297:0 298:0 299:0 300:0 301:0 302:0 303:0 304:0 305:0 306:0 307:0 308:0 309:0 310:0 311:0 312:0 313:0 314:0 315:0 316:0 317:0 318:0 319:0 320:0 321:0 322:0 323:0 324:0 325:0 326:0 327:0 328:0 329:0 330:0 331:0 332:0 333:0 334:0 335:0 336:0 337:0 338:0 339:0 340:0 341:0 342:0 343:0 344:0 345:0 346:0 347:0 348:0 349:0 350:0 351:0 352:0 353:0 354:0 355:0 356:0 357:0 358:0 359:0 360:0 361:0 362:0 363:0 364:0 365:0 366:0 367:0 368:0 369:0 370:0 371:0 372:0 373:0 374:0 375:0 376:0 377:0 378:0 379:0 380:0 381:0 382:0 383:0 384:39 385:0 386:0 387:0 388:0 389:0 390:0 391:0 392:0 393:0 394:0 395:0 396:0 397:0 398:0 399:0 400:0 401:0 402:0 403:0 404:0 405:0 406:0 407:0 408:0 409:0 410:0 411:0 412:0 413:0 414:0 415:0 416:0 417:0 418:0 419:0 420:0 421:0 422:0 423:0 424:0 425:0 426:0 427:0 428:0 429:0 430:0 431:0 432:0 433:0 434:0 435:0 436:0 437:0 438:0 439:0 440:0 441:0 442:0 443:0 444:0 445:0 446:0 447:0 448:40 449:0 450:0 451:0 452:0 453:0 454:0 455:0 456:0 457:0 458:0 459:0 460:0 461:0 462:0 463:0 464:0 465:0 466:0 467:0 468:0 469:0 470:0 471:0 472:0 473:0 474:0 475:0 476:0 477:0 478:0 479:0 480:41 481:0 482:0 483:0 484:0 485:0 486:0 487:0 488:0 489:0 490:0 491:0 492:0 493:0 494:0 495:0 496:42 497:0 498:0 499:0 500:0 501:0 502:0 503:0 504:43 505:0 506:0 507:0 508:44 509:0 510:45 511:46 512:47 513:48 514:0 515:49 516:0 517:0 518:0 519:50 520:0 521:0 522:0 523:0 524:0 525:0 526:0 527:51 528:0 529:0 530:0 531:0 532:0 533:0 534:0 535:0 536:0 537:0 538:0 539:0 540:0 541:0 542:0 543:52 544:0 545:0 546:0 547:0 548:0 549:0 550:0 551:0 552:0 553:0 554:0 555:0 556:0 557:0 558:0 559:0 560:0 561:0 562:0 563:0 564:0 565:0 566:0 567:0 568:0 569:0 570:0 571:0 572:0 573:0 574:0 575:53 576:0 577:0 578:0 579:0 580:0 581:0 582:0 583:0 584:0 585:0 586:0 587:0 588:0 589:0 590:0 591:0 592:0 593:0 594:0 595:0 596:0 597:0 598:0 599:0 600:0 601:0 602:0 603:0 604:0 605:0 606:0 607:0 608:0 609:0 610:0 611:0 612:0 613:0 614:0 615:0 616:0 617:0 618:0 619:0 620:0 621:0 622:0 623:0 624:0 625:0 626:0 627:0 628:0 629:0 630:0 631:0 632:0 633:0 634:0 635:0 636:0 637:0 638:0 639:54 640:0 641:0 642:0 643:0 644:0 645:0 646:0 647:0 648:0 649:0 650:0 651:0 652:0 653:0 654:0 655:0 656:0 657:0 658:0 659:0 660:0 661:0 662:0 663:0 664:0 665:0 666:0 667:0 668:0 669:0 670:0 671:0 672:0 673:0 674:0 675:0 676:0 677:0 678:0 679:0 680:0 681:0 682:0 683:0 684:0 685:0 686:0 687:0 688:0 689:0 690:0 691:0 692:0 693:0 694:0 695:0 696:0 697:0 698:0 699:0 700:0 701:0 702:0 703:0 704:0 705:0 706:0 707:0 708:0 709:0 710:0 711:0 712:0 713:0 714:0 715:0 716:0 717:0 718:0 719:0 720:0 721:0 722:0 723:0 724:0 725:0 726:0 727:0 728:0 729:0 730:0 731:0 732:0 733:0 734:0 735:0 736:0 737:0 738:0 739:0 740:0 741:0 742:0 743:0 744:0 745:0 746:0 747:0 748:0 749:0 750:0 751:0 752:0 753:0 754:0 755:0 756:0 757:0 758:0 759:0 760:0 761:0 762:0 763:0 764:0 765:0 766:0 767:55 768:56 769:57 770:0 771:58 772:0 773:0 774:0 775:59 776:0 777:0 778:0 779:0 780:0 781:0 782:0 783:60 784:0 785:0 786:0 787:0 788:0 789:0 790:0 791:0 792:0 793:0 794:0 795:0 796:0 797:0 798:0 799:61 800:0 801:0 802:0 803:0 804:0 805:0 806:0 807:0 808:0 809:0 810:0 811:0 812:0 813:0 814:0 815:0 816:0 817:0 818:0 819:0 820:0 821:0 822:0 823:0 824:0 825:0 826:0 827:0 828:0 829:0 830:0 831:62 832:0 833:0 834:0 835:0 836:0 837:0 838:0 839:0 840:0 841:0 842:0 843:0 844:0 845:0 846:0 847:0 848:0 849:0 850:0 851:0 852:0 853:0 854:0 855:0 856:0 857:0 858:0 859:0 860:0 861:0 862:0 863:0 864:0 865:0 866:0 867:0 868:0 869:0 870:0 871:0 872:0 873:0 874:0 875:0 876:0 877:0 878:0 879:0 880:0 881:0 882:0 883:0 884:0 885:0 886:0 887:0 888:0 889:0 890:0 891:0 892:0 893:0 894:0 895:63 896:64 897:65 898:0 899:66 900:0 901:0 902:0 903:67 904:0 905:0 906:0 907:0 908:0 909:0 910:0 911:68 912:0 913:0 914:0 915:0 916:0 917:0 918:0 919:0 920:0 921:0 922:0 923:0 924:0 925:0 926:0 927:69 928:0 929:0 930:0 931:0 932:0 933:0 934:0 935:0 936:0 937:0 938:0 939:0 940:0 941:0 942:0 943:0 944:0 945:0 946:0 947:0 948:0 949:0 950:0 951:0 952:0 953:0 954:0 955:0 956:0 957:0 958:0 959:70 960:71 961:72 962:0 963:73 964:0 965:0 966:0 967:74 968:0 969:0 970:0 971:0 972:0 973:0 974:0 975:75 976:0 977:0 978:0 979:0 980:0 981:0 982:0 983:0 984:0 985:0 986:0 987:0 988:0 989:0 990:0 991:76 992:77 993:78 994:0 995:79 996:0 997:0 998:0 999:80 1000:0 1001:0 1002:0 1003:0 1004:0 1005:0 1006:0 1007:81 1008:82 1009:83 1010:0 1011:84 1012:0 1013:0 1014:0 1015:85 1016:86 1017:87 1018:0 1019:88 1020:89 1021:90 1022:91 1023:92
new uniform LBP table after rotation:
0:1 1:2 2:0 3:3 4:0 5:0 6:0 7:4 8:0 9:0 10:0 11:0 12:0 13:0 14:0 15:5 16:0 17:0 18:0 19:0 20:0 21:0 22:0 23:0 24:0 25:0 26:0 27:0 28:0 29:0 30:0 31:6 32:0 33:0 34:0 35:0 36:0 37:0 38:0 39:0 40:0 41:0 42:0 43:0 44:0 45:0 46:0 47:0 48:0 49:0 50:0 51:0 52:0 53:0 54:0 55:0 56:0 57:0 58:0 59:0 60:0 61:0 62:0 63:7 64:0 65:0 66:0 67:0 68:0 69:0 70:0 71:0 72:0 73:0 74:0 75:0 76:0 77:0 78:0 79:0 80:0 81:0 82:0 83:0 84:0 85:0 86:0 87:0 88:0 89:0 90:0 91:0 92:0 93:0 94:0 95:0 96:0 97:0 98:0 99:0 100:0 101:0 102:0 103:0 104:0 105:0 106:0 107:0 108:0 109:0 110:0 111:0 112:0 113:0 114:0 115:0 116:0 117:0 118:0 119:0 120:0 121:0 122:0 123:0 124:0 125:0 126:0 127:8 128:0 129:0 130:0 131:0 132:0 133:0 134:0 135:0 136:0 137:0 138:0 139:0 140:0 141:0 142:0 143:0 144:0 145:0 146:0 147:0 148:0 149:0 150:0 151:0 152:0 153:0 154:0 155:0 156:0 157:0 158:0 159:0 160:0 161:0 162:0 163:0 164:0 165:0 166:0 167:0 168:0 169:0 170:0 171:0 172:0 173:0 174:0 175:0 176:0 177:0 178:0 179:0 180:0 181:0 182:0 183:0 184:0 185:0 186:0 187:0 188:0 189:0 190:0 191:0 192:0 193:0 194:0 195:0 196:0 197:0 198:0 199:0 200:0 201:0 202:0 203:0 204:0 205:0 206:0 207:0 208:0 209:0 210:0 211:0 212:0 213:0 214:0 215:0 216:0 217:0 218:0 219:0 220:0 221:0 222:0 223:0 224:0 225:0 226:0 227:0 228:0 229:0 230:0 231:0 232:0 233:0 234:0 235:0 236:0 237:0 238:0 239:0 240:0 241:0 242:0 243:0 244:0 245:0 246:0 247:0 248:0 249:0 250:0 251:0 252:0 253:0 254:0 255:9 256:0 257:0 258:0 259:0 260:0 261:0 262:0 263:0 264:0 265:0 266:0 267:0 268:0 269:0 270:0 271:0 272:0 273:0 274:0 275:0 276:0 277:0 278:0 279:0 280:0 281:0 282:0 283:0 284:0 285:0 286:0 287:0 288:0 289:0 290:0 291:0 292:0 293:0 294:0 295:0 296:0 297:0 298:0 299:0 300:0 301:0 302:0 303:0 304:0 305:0 306:0 307:0 308:0 309:0 310:0 311:0 312:0 313:0 314:0 315:0 316:0 317:0 318:0 319:0 320:0 321:0 322:0 323:0 324:0 325:0 326:0 327:0 328:0 329:0 330:0 331:0 332:0 333:0 334:0 335:0 336:0 337:0 338:0 339:0 340:0 341:0 342:0 343:0 344:0 345:0 346:0 347:0 348:0 349:0 350:0 351:0 352:0 353:0 354:0 355:0 356:0 357:0 358:0 359:0 360:0 361:0 362:0 363:0 364:0 365:0 366:0 367:0 368:0 369:0 370:0 371:0 372:0 373:0 374:0 375:0 376:0 377:0 378:0 379:0 380:0 381:0 382:0 383:0 384:0 385:0 386:0 387:0 388:0 389:0 390:0 391:0 392:0 393:0 394:0 395:0 396:0 397:0 398:0 399:0 400:0 401:0 402:0 403:0 404:0 405:0 406:0 407:0 408:0 409:0 410:0 411:0 412:0 413:0 414:0 415:0 416:0 417:0 418:0 419:0 420:0 421:0 422:0 423:0 424:0 425:0 426:0 427:0 428:0 429:0 430:0 431:0 432:0 433:0 434:0 435:0 436:0 437:0 438:0 439:0 440:0 441:0 442:0 443:0 444:0 445:0 446:0 447:0 448:0 449:0 450:0 451:0 452:0 453:0 454:0 455:0 456:0 457:0 458:0 459:0 460:0 461:0 462:0 463:0 464:0 465:0 466:0 467:0 468:0 469:0 470:0 471:0 472:0 473:0 474:0 475:0 476:0 477:0 478:0 479:0 480:0 481:0 482:0 483:0 484:0 485:0 486:0 487:0 488:0 489:0 490:0 491:0 492:0 493:0 494:0 495:0 496:0 497:0 498:0 499:0 500:0 501:0 502:0 503:0 504:0 505:0 506:0 507:0 508:0 509:0 510:0 511:10 512:0 513:0 514:0 515:0 516:0 517:0 518:0 519:0 520:0 521:0 522:0 523:0 524:0 525:0 526:0 527:0 528:0 529:0 530:0 531:0 532:0 533:0 534:0 535:0 536:0 537:0 538:0 539:0 540:0 541:0 542:0 543:0 544:0 545:0 546:0 547:0 548:0 549:0 550:0 551:0 552:0 553:0 554:0 555:0 556:0 557:0 558:0 559:0 560:0 561:0 562:0 563:0 564:0 565:0 566:0 567:0 568:0 569:0 570:0 571:0 572:0 573:0 574:0 575:0 576:0 577:0 578:0 579:0 580:0 581:0 582:0 583:0 584:0 585:0 586:0 587:0 588:0 589:0 590:0 591:0 592:0 593:0 594:0 595:0 596:0 597:0 598:0 599:0 600:0 601:0 602:0 603:0 604:0 605:0 606:0 607:0 608:0 609:0 610:0 611:0 612:0 613:0 614:0 615:0 616:0 617:0 618:0 619:0 620:0 621:0 622:0 623:0 624:0 625:0 626:0 627:0 628:0 629:0 630:0 631:0 632:0 633:0 634:0 635:0 636:0 637:0 638:0 639:0 640:0 641:0 642:0 643:0 644:0 645:0 646:0 647:0 648:0 649:0 650:0 651:0 652:0 653:0 654:0 655:0 656:0 657:0 658:0 659:0 660:0 661:0 662:0 663:0 664:0 665:0 666:0 667:0 668:0 669:0 670:0 671:0 672:0 673:0 674:0 675:0 676:0 677:0 678:0 679:0 680:0 681:0 682:0 683:0 684:0 685:0 686:0 687:0 688:0 689:0 690:0 691:0 692:0 693:0 694:0 695:0 696:0 697:0 698:0 699:0 700:0 701:0 702:0 703:0 704:0 705:0 706:0 707:0 708:0 709:0 710:0 711:0 712:0 713:0 714:0 715:0 716:0 717:0 718:0 719:0 720:0 721:0 722:0 723:0 724:0 725:0 726:0 727:0 728:0 729:0 730:0 731:0 732:0 733:0 734:0 735:0 736:0 737:0 738:0 739:0 740:0 741:0 742:0 743:0 744:0 745:0 746:0 747:0 748:0 749:0 750:0 751:0 752:0 753:0 754:0 755:0 756:0 757:0 758:0 759:0 760:0 761:0 762:0 763:0 764:0 765:0 766:0 767:0 768:0 769:0 770:0 771:0 772:0 773:0 774:0 775:0 776:0 777:0 778:0 779:0 780:0 781:0 782:0 783:0 784:0 785:0 786:0 787:0 788:0 789:0 790:0 791:0 792:0 793:0 794:0 795:0 796:0 797:0 798:0 799:0 800:0 801:0 802:0 803:0 804:0 805:0 806:0 807:0 808:0 809:0 810:0 811:0 812:0 813:0 814:0 815:0 816:0 817:0 818:0 819:0 820:0 821:0 822:0 823:0 824:0 825:0 826:0 827:0 828:0 829:0 830:0 831:0 832:0 833:0 834:0 835:0 836:0 837:0 838:0 839:0 840:0 841:0 842:0 843:0 844:0 845:0 846:0 847:0 848:0 849:0 850:0 851:0 852:0 853:0 854:0 855:0 856:0 857:0 858:0 859:0 860:0 861:0 862:0 863:0 864:0 865:0 866:0 867:0 868:0 869:0 870:0 871:0 872:0 873:0 874:0 875:0 876:0 877:0 878:0 879:0 880:0 881:0 882:0 883:0 884:0 885:0 886:0 887:0 888:0 889:0 890:0 891:0 892:0 893:0 894:0 895:0 896:0 897:0 898:0 899:0 900:0 901:0 902:0 903:0 904:0 905:0 906:0 907:0 908:0 909:0 910:0 911:0 912:0 913:0 914:0 915:0 916:0 917:0 918:0 919:0 920:0 921:0 922:0 923:0 924:0 925:0 926:0 927:0 928:0 929:0 930:0 931:0 932:0 933:0 934:0 935:0 936:0 937:0 938:0 939:0 940:0 941:0 942:0 943:0 944:0 945:0 946:0 947:0 948:0 949:0 950:0 951:0 952:0 953:0 954:0 955:0 956:0 957:0 958:0 959:0 960:0 961:0 962:0 963:0 964:0 965:0 966:0 967:0 968:0 969:0 970:0 971:0 972:0 973:0 974:0 975:0 976:0 977:0 978:0 979:0 980:0 981:0 982:0 983:0 984:0 985:0 986:0 987:0 988:0 989:0 990:0 991:0 992:0 993:0 994:0 995:0 996:0 997:0 998:0 999:0 1000:0 1001:0 1002:0 1003:0 1004:0 1005:0 1006:0 1007:0 1008:0 1009:0 1010:0 1011:0 1012:0 1013:0 1014:0 1015:0 1016:0 1017:0 1018:0 1019:0 1020:0 1021:0 1022:0 1023:11
此函数若实在要设置比16更大的采样点，则只需改三处：旧、新LBP table的类型从uchar改成更大数据类型，结果图的数据类型也改大即可。 至此，我们已理解了旋转不变性等价LBP。
接下来我们看下上面提到的python计算LBP的函数：
skimage.feature.local_binary_pattern
（看这个函数前，大家可以忘记上面所有内容，因为这个函数的原理与上面大多数博主所述略有不同）python的这个函数上面已发过有下面这几种模式：
import numpy as np
from skimage.feature import local_binary_pattern
image = np.array([[7, 9, 10, 3, 1, 6],
[4, 7, 9, 3, 2, 8],
[2, 9, 5, 2, 2, 6],
[3, 9, 9, 3, 8, 2],
[9, 4, 7, 9, 9, 1],
[1, 4, 9, 4, 6, 3]]).astype(np.uint8)
defaultlbp=local_binary_pattern(image, 4, 1, "default")
#只对default结果 旋转的最小值作为最终结果
defaultrotalbp=local_binary_pattern(image, 4, 1, "ror")
nri_uniformlbp = local_binary_pattern(image, 4, 1, "nri_uniform")
uniformlbp = local_binary_pattern(image,4, 1, "uniform")
varlbp = local_binary_pattern(image, 4, 1, "var")
print("image =")
print(image)
print("default lbp =")
print(defaultlbp)
print("default ratate lbp =")
print(defaultrotalbp)
print("nri_uniform lbp =")
print(nri_uniformlbp)
print("uniformlbp lbp =")
print(uniformlbp)
print("var lbp =")
print(varlbp)
运行完，结果如下：
image =
[[ 7 9 10 3 1 6]
[ 4 7 9 3 2 8]
[ 2 9 5 2 2 6]
[ 3 9 9 3 8 2]
[ 9 4 7 9 9 1]
[ 1 4 9 4 6 3]]
default lbp =
[[ 1. 1. 0. 12. 13. 8.]
[ 3. 11. 2. 6. 13. 0.]
[11. 8. 14. 15. 15. 2.]
[ 9. 3. 4. 13. 8. 6.]
[ 0. 15. 11. 1. 4. 14.]
[ 3. 3. 0. 7. 2. 4.]]
default ratate lbp =
[[ 1. 1. 0. 3. 7. 1.]
[ 3. 7. 1. 3. 7. 0.]
[ 7. 1. 7. 15. 15. 1.]
[ 3. 3. 1. 7. 1. 3.]
[ 0. 15. 7. 1. 1. 7.]
[ 3. 3. 0. 7. 1. 1.]]
nri_uniform lbp =
[[ 1. 1. 0. 7. 11. 2.]
[ 5. 10. 4. 8. 11. 0.]
[10. 2. 12. 13. 13. 4.]
[ 6. 5. 3. 11. 2. 8.]
[ 0. 13. 10. 1. 3. 12.]
[ 5. 5. 0. 9. 4. 3.]]
uniformlbp lbp =
[[1. 1. 0. 2. 3. 1.]
[2. 3. 1. 2. 3. 0.]
[3. 1. 3. 4. 4. 1.]
[2. 2. 1. 3. 1. 2.]
[0. 4. 3. 1. 1. 3.]
[2. 2. 0. 3. 1. 1.]]
var lbp =
[[13.6875 13.5 15.1875 15.25 4.6875 11.1875]
[ 9.5 4.6875 6.6875 8.5 7.25 6.75 ]
[10.5 6.6875 9.1875 1.1875 6.75 9. ]
[16.5 7.6875 5. 8.5 8.5 11.1875]
[ 2.5 4.1875 4.6875 5.6875 9.5 11.25 ]
[13.6875 12.25 6.1875 13.5 10.5 6.1875]]
上面是以半径r=1，采样点p=4（即不用插值，像p=8等其他情况根据原论文指导需要插值得到几个采样点，但原理与p=4一样，此处只以p=4讲述）为例。由原论文可知，如下图所示，default模式是：中心点正下方的比较后放在最高位，然后顺时针转，转成十进制后作为default的最终结果：
default lbp =
[[ 1. 1. 0. 12. 13. 8.]
[ 3. 11. 2. 6. 13. 0.]
[11. 8. 14. 15. 15. 2.]
[ 9. 3. 4. 13. 8. 6.]
[ 0. 15. 11. 1. 4. 14.]
[ 3. 3. 0. 7. 2. 4.]]
由此结果可知，图像四周填充r距离，全都填0，这样LBP结果图与原图大小一致。以(1,1)=7这个点为例，四个采样点值为9,4,9,9，那么二进制为1011=11 结果正确。
然后再看"ror"模式，这个模式是在default模式结果图的基础上对数值的二进制进行旋转，旋转的最小值作为最终结果：
default ratate lbp =
[[ 1. 1. 0. 3. 7. 1.]
[ 3. 7. 1. 3. 7. 0.]
[ 7. 1. 7. 15. 15. 1.]
[ 3. 3. 1. 7. 1. 3.]
[ 0. 15. 7. 1. 1. 7.]
[ 3. 3. 0. 7. 1. 1.]]
依旧以(1,1)=11这个点为例，旋转1011到最小即0111=7可以看到结果正确。
接下来，我们看uniform模式，根据原论文我们知道，这个模式具有灰度不变性和旋转不变性：
由论文中的公式我们知道，这与之前大部分博主所述略有不同，所以我们就直接按这个论文来讲以下内容，这个模式的结果为：
uniformlbp lbp =
[[1. 1. 0. 2. 3. 1.]
[2. 3. 1. 2. 3. 0.]
[3. 1. 3. 4. 4. 1.]
[2. 2. 1. 3. 1. 2.]
[0. 4. 3. 1. 1. 3.]
[2. 2. 0. 3. 1. 1.]]
这个函数的"uniform"模式是在原图的基础上，对采样点比较后的结果相加，所以不用在乎哪个放二进制的高位、低位，直接比较后的结果相加即可。依旧以(1,1)=7为例，四个采样点为9，4，9，9，那么结果就是(9>7)+(4>7)+(9>7)+(9>7)=3。结果正确！我们编程完再试一次p=8,r=3时，如下图左边是python的结果，右边是C++我编完跑的结果，可以看到几乎一致，略有差别的原因我估计是插值导致的（测试代码与图片放在此链接： https://download.csdn.net/download/wd1603926823/86892032 ）：
对于这个uniform模式，我们由上图的原理知道，网上很多人讲的都是错的，不是直接将比较结果转化为二进制，如下图论文作者说第一行只有0和8跳变次数是0，其它7个都是2次跳变，以我高亮出来的5为例，并不是将5转成二进制00000101（跳变4次，这与论文作者所述不符合），而是按顺时针/逆时针去比较每个采样点结果之间的跳变次数。（其实也可以说是转成二进制，但是不是将结果转二进制，而是按每个采样点结果转，如高亮部分应转成00011111，这样跳变次数就是2次。这个点的uniform lbp结果就是5）：
即编程出来与之前的差别就是不要直接转二进制的：
//from <Multiresolution Gray Scale and Rotation Invariant Texture Classification with Local Binary Patterns>
tmp += (neighbor>=center) ;
接下来我们看下一个模式var模式，这个模式的原理如下，由公式知道这个模式也不用考虑高位、低位：
运行结果如下：
var lbp =
[[13.6875 13.5 15.1875 15.25 4.6875 11.1875]
[ 9.5 4.6875 6.6875 8.5 7.25 6.75 ]
[10.5 6.6875 9.1875 1.1875 6.75 9. ]
[16.5 7.6875 5. 8.5 8.5 11.1875]
[ 2.5 4.1875 4.6875 5.6875 9.5 11.25 ]
[13.6875 12.25 6.1875 13.5 10.5 6.1875]]
依旧以(1,1)这个点为例，每个采样点与所有采样点的均值的平方和的均值，作为最终结果。带入计算后可知结果正确。接下来继续看最后一个模式nri_uniform 模式：对于这个模式是非旋转不变性的等价LBP，网上资料比较少，我要先去看原论文再实现
290
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
