注：本文是笔者在阅读相关英文文献后，翻译、整理所得；原文是：Local Intensity Order Pattern for Feature Description； Zhenhua Wang, Bin Fan, and Fuchao Wu；ICCV2011
LIOP: Local Intensity Order Pattern,一种用来刻画图像局部亮度顺序信息的特征描述方法。该特征描述方法利用图像（块）整体的亮度顺序信息将图像块分割为若干个局部子区域，以此来加快LIOP的计算速度。整个图像块的整体和局部亮度顺序信息被提取出来，构成LIOP特征。这种特征不仅对光照变换不敏感，对视角变化，图像模糊，图像有损压缩等也同样不敏感。
图像局部特征在计算机视觉中有着广泛的应用，例如：目标识别，纹理识别，图像检索，全景图像拼接等。其基本原理是：首先检测图像的感兴趣的点或感兴趣的区域（可以理解为关键性的、显著性的点或区域）。一旦特征确定下来了，剩下的工作就是如何计算两个图像之间的关联性，专业术语叫做：相关性。而关联性或者相关性，通常是以距离作为度量方式。
很多特征提取方法对于图像的变换（如：仿射变换）具有一定的鲁棒性。例如，Harris 角点和DoG(Difference of Gaussian)用于特征点检测，Harris-affine, Hessian-affine，MSER(Maximally Stable Extremal Region)，IBR(Intensity Based Region)，EBR（Edge Based Region），这些特征提取方法则对图像区域的仿射变换不敏感。
LIOP特征提取流程：
首先，图像的亮度值（像素值）被用来将局部块分割为若干个子区间（ordinal bin），每个子区间的所有像素的像素值都在某个区间段之内。接着，每个像素的LIOP特征通过该像素及其周围采样点的灰度信息来计算得到。最后，LIOP特征向量是通过局部顺序区间内所有点的LIOP特征串联起来而构成。其图示如下：
温馨提示，LIOP特征的matlab, c代码已经由VLFeat提供了，需要的请去这里下载：
http://www.vlfeat.org/sandbox/matlab/vl_liop.html
