模式识别中进行匹配识别或者分类器分类识别时，判断的依据就是图像特征。用提取的特征表示整幅图像内容，根据特征匹配或者分类图像目标。
常见的特征提取算法主要分为以下3类：
- 基于颜色特征：如颜色直方图、颜色集、颜色矩、颜色聚合向量等；
- 基于纹理特征：如Tamura纹理特征、自回归纹理模型、Gabor变换、小波变换、MPEG7边缘直方图等；
- 基于形状特征：如傅立叶形状描述符、不变矩、小波轮廓描述符等；
LBP特征提取算法
LBP（Local Binary Patterns，局部二值模式）是提取局部特征作为判别依据的，一种有效的纹理描述算子，度量和提取图像局部的纹理信息，它具有旋转不变性和灰度不变性等显著的优点，对光照具有不变性。用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征。有多种改进型，LBP结合BP神经网络已经用于人脸识别等领域。
灰度不变性：指的是光照变化是否会对描述产生影响。以上面的8邻域来说，光照变化很难改变中心像素点的灰度值与周围8个像素的大小关系。因为光照是一种区域性质的变化，而不是单像素性质的变化。
1、LBP特征描述
LBP的基本思想是定义于像素的8邻域中（3x3的窗口）, 以中心像素的灰度值为阈值, 将周围8 个像素的值与其比较, 如果周围的像素值小于中心像素的灰度值, 该像素位置就被标记为0, 否则标记为1。这样3x3的邻域内的八个点经过比较能够产生8位二进制数（通常转换为十进制，即LBP码，共256种），每个像素得到一个二进制组合, 即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。
