http://blog.csdn.net/carson2005/article/details/6292905
LBP(Local Binary Pattern, 局部二值模式)是一種用來描述圖像局部紋理特征的算子；顯然，它的作用是進行特征提取，而且，提取的特征是圖像的紋理特征，并且，是局部的紋理特征；
原始的LBP算子定義為在3*3的視窗内，以視窗中心像素為門檻值，将相鄰的8個像素的灰階值與其進行比較，若周圍像素值大于中心像素值，則該像素點的位置被标記為1，否則為0。這樣，3*3領域内的8個點可産生8bit的無符号數，即得到該視窗的LBP值，并用這個值來反映該區域的紋理資訊。如下圖所示：
原始的LBP提出後，研究人員不斷對其提出了各種改進和優化，進而得到了諸如半徑為R的圓形區域内含有P個采樣點的LBP算子
；LBP均勻模式；LBP旋轉不變模式；LBP等價模式等等，具體請參考T. Ojala在IEEE TPAMI上2002年發表的那篇文章“Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns”。另外，LBP算子的中文參考文章，可以參考以下：
（1）基于LBP的人臉識别研究，黃非非，重慶大學碩士畢業論文，2009年
（2）基于LBP的特征提取研究，王玲，北京交通大學碩士畢業論文，2009年
（3）基于局部二值模式的人臉識别方法研究，周凱，中南大學碩士畢業論文，2009年
顯而易見的是，上述提取的LBP算子在每個像素點都可以得到一個LBP“編碼”，那麼，對一幅圖像提取其原始的LBP算子之後，得到的原始LBP特征依然是“一幅圖檔”。不過，這裡我們已經将物體從圖檔（圖檔可以了解為物體在原始測量空間得到的測量特征）轉換為二次特征，也就是得到了我們通常說的“特征”。不過，這個所謂的“特征”并不能直接用于判别分析。因為，從上面的分析我們可以看出，這個“特征”跟位置資訊是緊密相關的。直接對兩幅圖檔提取這種“特征”，并進行判别分析的話，會因為“位置沒有對準”而産生很大的誤差。後來，研究人員發現，可以将一幅圖檔劃分為若幹的子區域，對每個子區域内的每個像素點都提取LBP特征，然後，在每個子區域内建立LBP特征的統計直方圖。如此一來，每個子區域，就可以用一個統計直方圖來進行描述；整個圖檔就由若幹個統計直方圖組成；例如：一幅100*100像素大小的圖檔，劃分為10*10=100個子區域，每個子區域的大小為10*10像素；在每個子區域内的每個像素點，提取其LBP特征，然後，建立統計直方圖；這樣，這幅圖檔就有10*10個子區域，也就有了10*10個統計直方圖，利用這10*10個統計直方圖，就可以描述這幅圖檔了。之後，我們利用各種相似性度量函數，就可以判斷兩幅圖像之間的相似性了；
目前，LBP局部紋理提取算子，已經成功應用在指紋識别、字元識别、人臉識别、車牌識别等領域。
另一篇，介紹的也不錯，這裡放上：
LBP(local banary patter)是一種非常經典的用來描述圖像局部紋理特征的算子。
1，基本LBP
LBP方法自1994年提出，此後就作為一個有效的紋理特征，不斷的被人使用和改進。LBP非常簡單，也非常有效。
左邊的圖是從一個圖檔上拿下來的3*3矩陣，矩陣上的值就是像素值，現在我們要計算的中間那個點的LBP。除了它此外的8個點依次與中間點比較，比它(也就是15)大的記成1，比它小的記成0，然後我們就得到右面的圖檔。然後我們標明一個起始點-這個圖檔選的是左上角第一個點，然後按照順時針方向得到一個二進制串10011010，轉換為十進制則為154。到此，我們得到了中間點的LBP值--154。對整個圖檔的所有點都這樣處理，也就是以它為中心與附近的8個點相比較，這樣就得到整個圖所有點的LBP值。那麼得到這麼個與源圖像大小相等的LBP值矩陣有什麼用呢？通常我們統計它的直方圖，得到一個直方圖矩陣向量，然後每一個圖檔對應一個直方圖向量，這個直方圖向量就是此圖檔的一個特征。我們由兩個圖像的直方圖向量進而得到它們的相似度，進而來分類。
2， LBP均勻模式LBP (uniform LBP)
均勻模式就是一個二進制序列從0到1或是從1到0的變過不超過2次（這個二進制序列首尾相連）。比如：10100000的變化次數為3次是以不是一個uniform pattern。所有的8位二進制數中共有58個uniform pattern.為什麼要提出這麼個uniform LBP呢，因為研究者發現他們計算出來的大部分值都在這58種之中，是以他們把值分為59類，58個uniform pattern為一類，其它的所有值為第59類。這樣直方圖從原來的256維變成59維。
3，旋轉不變模式LBP
旋轉不變模式LBP能夠在圖檔發生一定的傾斜時也能得到相同的結果。它的定義可以看下圖：
我們看到中心點的鄰居不再是它上下左右的8個點（補充一句，不一定非要是3*3的鄰域，這個自己定，但是鄰域大了意味着直方圖向量次元的增加），而是以它為圓心的一個圈，規定了這個圓的半徑和點的個數，就可以求出各個點的坐标，但是點的坐标不一定是整數，如果是整數那麼這個點的像素值就是對應點的值，如果不是整數，就用內插補點的方式得到。
其他基于LBP的算法
1，MBP
将整個鄰域内的所有點的中值作為門檻值進行比較，中值不是平局值哦，是所有的值按照從小到大排列，最中間的那個。話說這個MBP可以用matlab的一個函數實作:medfilt2
2，
利用鄰域内所有點的平局值作為門檻值。
3，
第三種不是在門檻值上做改動，而是将大圖檔切分成小圖檔，然後再小圖檔上用LBP方法，然後把小些小圖檔的直方圖矩陣連接配接起來，成為大圖的特征。為什麼這麼做呢？因為很明顯的LBP 直方圖會丢失局部資訊，比如得到一個值為100那麼不管你這個值是從哪裡得到的--比如人臉，不管是眼睛處得到這個值還是鼻子處得到，應該不管，都放到lable=100這裡。
http://blog.csdn.net/carson2005/article/details/6292905
http://www.cnblogs.com/nani/archive/2012/04/12/2444314.html