LBP（局部二值模式）是用于图像局部信息提取的方法，常用于人脸识别和表情识别。通过计算像素与周围像素的关系生成LBP值，然后通过直方图统计进行数据降维。为了提高分类效果，使用Uniform LBP减少特征维数，如将原始的256维降至58维。在实际操作中，通过对图像分块和权重调整，进一步优化分类性能。
最近一直在看LBP的东西，就说说LBP吧。先从最基本的LBP说起，LBP的全称是Local Binary
Pattern即局部二值模式，是局部信息提取中的一种方法。目前LBP有很多应用，如人脸识别，表情识别等。局部信息有很多，比如HOG，SIFT等等。那么我们为什么要提取局部特征呢？原因很简单，因为一幅图像的信息比较多，如灰度，边缘等等，计算机很难处理这种复杂的信息，所以就需要对这些信息进行处理。
LBP就是一种局部信息，它反应的内容是每个像素与周围像素的关系。举最基本的LBP为例，它反应了像素与周围8个点灰度值的关系，如下图所示：
如上图所示，中间像素的灰度值为54，我们如下定义：当周围像素的灰度值大于等于中间像素值时，则LBP的一位值为1，否则为零。由这个九宫格，我们就得到了8位二进制数，顺时针取值，就得到了一个像素的LBP值，即11010011。那么我们如何表示这个二进值数呢，很简单，我们将它转化为十进制数即可，也就是211，即这一点的LBP值为211。就这样对整个图像进行LBP运算，就可以得到这幅图像的LBP特征。但是得到这些特征有什么作用呢？提取图像特征的目标无非就是为了进行分类，我们把一幅灰度图像转化为了LBP特征图像，从理论上讲并没有实现降维，
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
