LBP 获取图像的LBP特征：对图像的原始LBP模式、等价LBP模式、旋转不变LBP模式，以及等价旋转不变LBP模式的LBP特征进行提取以及显示。 get_LBP_from_Image.py 主要文件 获取图像的LBP特征 get_resolve_map.py和get_uniform_map.py主要是做降维后新的像素值的映射。已经将求出的结果写入了get_LBP_from_Image.py中，这两个主要是帮助理解算法降维后新的像素值怎么得到的。

LBP特征ADABOOST分类器，

题目描述 这篇博文是数字图像处理的大作业. 题目描述:给定40张不同风格的纹理图片,大小为512*512,要求将每张图片分为大小相同的9块,利用其中的5块作为训练集,剩余的4块作为测试集,构建适当的模型实现图片的分类. 图片如下图所示: 分析:由于数据集太小,所以神经网络模型并不适合此类的图像处理.就需要寻找方法提取图像的纹理信息.本文采用LBP的方法提取图像的纹理信息,然后转化成直方图作为图像的特征,然后使用多分类的方法进行分类. 环境 python2.7,jupyter notebook,anaconda 数据集的地址 实现 读取数据 Numpy包数组操作API格式化数据

matlab常用纹理特征提取方法代码（GLCM，GLDS，LBP，GMRF，FD，Gabor） 一些常用的纹理特征提取方法汇总 都是用matlab写的，经过测试后有效。希望对大家有所帮助。

MATLAB资源，包含LBP经典论文，以及论文中提及的LBP算法实现。

提出了一种基于HOG-LBP特征融合的人体头肩检测方法，其要点是将人体头肩图像等分为多个部分重叠的块，从每个块内提取HOG和LBP特征并加以融合，以得到更有效的人体头肩的边缘轮廓和纹理特征，融合后的特征送入支持向量机SVM（Support Vector Machine）通过Bootstrapping的方式进行训练，得到最终的判别模型。实验结果表明，该方法的检测效果优于基于单一HOG、LBP特征的方法。

LBP含义为局部二进制模式，是用来描述图像局部特征的算子，由T.Ojala, M.Pietikäinen, 和 D. Harwood在1994年提出，最初是为纹理描述而设计的。由于LBP对单调灰度变化的不变性和计算效率高，其适用于高要求的图像分析任务，在计算机视觉的许多领域都得到了广泛的应用：比如人脸识别、目标检测、应用LBP特征来进行训练目标检测分类器。 ​ 本文将介绍LBP特征算法的三种模式，分别为：原始的LBP，Circular LBP又称Extended LBP，Uniform Pattern LBP

LBP 文理图像检索 算法

这计算了 CSLBP 算子的直方图，它是 LBP 的扩展。 使用 CSLBP 对于照明和模糊类型的图像转换非常有效。 它返回长度为 16 的未归一化的 CSLBP 直方图。人们可以根据他的应用程序轻松进行归一化。 大多数情况下，它用作关键点描述符。 检测关键点，估计关键点周围的局部补丁，然后计算 CSLBP 描述符。 然而，为了简单起见，下面的示例计算图像级描述符而不是局部关键点描述符。 例子： %% 加载图像img = imread('myImage.jpg'); 如果RGB，%%转换为灰度img = rgb2gray(img); h = CSLBP(img); % 它返回给定图像/补丁的 CSLBP 直方图。 可以很容易地按照原始论文中的建议将向量归一化为 0-1 之间h = h./sum(h);

为了保护数据隐私，私密图像在上传到云服务器之前需要进行加密，然而，加密会导致传统的图像特征无法提取，进而给图像检索带来困难。针对密文图像的检索问题，提出了一种云环境下JPEG图像的安全检索方法：数据拥有者部分解码JPEG码流得到图像的DCT（discrete cosine transform）系数，对系数进行置乱加密然后生成密文图像并上传到云服务器；云服务器在图像密文上提取DC系数差分特征以及LBP（local binary patterns）特征，通过比较图像的特征向量之间的距离来确定图像的相似度，最后返回相似图像。该方法不仅减少了计算复杂度，而且使得数据拥有者与云服务器之间的交互次数尽可能地减少，同时，与其他几种目前有代表性的方法相比，具有更好的安全性和检索准确度，能实现对JPEG图像安全高效的检索。最后基于该方法做了简单的仿真系统，进一步验证了该方法的有效性。