局部二值模式（LBP）首先是用來做圖像局部特徵比較的，傳統的LBP方法，首先通過閾值來標記中心點像素與其鄰域像素之間的差別。LBP是人臉識別中經常使用的一種方法。
最早的LBP運算元是定義在3*3的鄰域上的。它使用中心像素值來計算8的鄰域像素。然後在乘以領域的權值得到結果。下面我們給出一個例子：
Example
| 6 | 4 | 3 |
| 7 | 5 | 2 |
| 8 | 9 | 5 |
Threshold
| 1 | 0 | 0 |
| 1 | * | 0 |
| 1 | 1 | 1 |
（10001111）2 LBP=1+16+32+64+128 = 241
C = (6+7+8+9+5)/5 – (4+3+2)/3 =6
Weights
| 1 | 2 | 4 |
| 128 | * | 8 |
| 64 | 32 | 16 |
我們使用二維分布LBP和局部對比測量C作為該領域的特徵。
但是為了使得到的特徵更有代表性。矩形領域的大小是可以改變的，可以使用4*4或5*5的領域。相比矩形領域，圓形對稱領域的效果更好。
概念
LBP特徵向量最簡單的形式，是按照如下方式建立的：
（1）將檢測視窗劃分成小塊（比如16*16的小塊）；
（2）對小塊中的每個像素，比較與其相鄰的8個鄰居（左上，左中，左下，右上，等等）。順時針或逆時針沿著圓形跟隨像素；
（3） 如果中心像素的值比鄰居的值大，寫0，否則寫1。這樣就構造了一個8位的數字（通常，為了方便起見，會轉換為小數）；
（4）在小塊中計算每一個“數字”出現的頻率直方圖；
（5）可以選擇性地對直方圖進行規範化；
（6）連線所有小塊的（規範化的）直方圖。這樣就構成了整個視窗的特徵向量。
特徵向量可以使用支持向量機或一些其他的機器學習算法來進行圖片分類。
套用
可以用於人臉識別或紋理分析。
