LBP局部二值模式：原理、C++实现与纹理特征工程实战

LBP这个算子，我最早是在做工业表面缺陷检测的时候被它救过一次场。当时产线上光照条件极不稳定，用灰度阈值和边缘算子做出来的结果飘得厉害，后来换成LBP纹理特征，误检率一下就压下去了。这件事让我对"看起来简单、实际很能打"的传统特征算法有了新的认识。LBP（Local Binary Pattern，局部二值模式）本质上就是拿每个像素和它周围一圈邻居比大小，比出来的0/1串编码成一个整数，用这个整数去描述局部纹理。它计算量小、对单调光照变化天然免疫、还不需要训练，特别适合嵌入式视觉、缺陷检测、人脸分析、医学图像纹理分类这类场景。这篇内容我会从原理拆到C++实现，把我在工程里踩过的坑、调过的参数、做过的加速都摊开讲，适合刚接触图像处理想搞懂纹理特征的同学，也适合手上有个C++项目正愁特征选型的老手。

1. 为什么在C++项目里还值得认真对待LBP

1.1 一个被低估的传统特征

现在一提到图像特征，很多人第一反应是丢进深度网络里学。但在实际工程里，尤其是C++写的、跑在工控机或者嵌入式板子上的项目，模型体积、推理延迟、标注成本这三座山压下来，传统特征往往才是那个"能落地"的选项。LBP就是其中的典型代表：它的核心运算只有比较和移位，没有浮点乘除，一个3x3邻域算下来就是8次比较加几次位操作，在ARM Cortex-A系列上单帧1080p图像做全图LBP，优化得当可以压到几毫秒级别。

我之所以在C++项目里反复用LBP，是因为它解决了一个很具体的问题：纹理描述。灰度直方图只能告诉你"图里有多少亮多少暗"，丢掉了空间结构；边缘算子能告诉你"哪里有边"，但对"边怎么排列"不敏感。LBP恰好卡在中间——它编码的是局部邻域内的相对明暗关系，也就是纹理的微观模式。布料有没有织疵、金属表面有没有麻点、纸张有没有起皱，这些在LBP编码后的直方图分布上会呈现出明显差异。

1.2 LBP到底"免疫"什么、"敏感"什么

这一点必须讲清楚，否则用起来会莫名其妙。LBP的比较是"中心像素 vs 邻居像素"，只要整体亮度发生单调变化（比如光照整体变亮或变暗），所有比较的相对结果不变，编码就不变。这就是它对单调光照变化免疫的根源。但反过来，如果光照变化是非单调的，比如局部打了高光、出现了阴影梯度，那比较结果就会翻转，编码就变了。所以LBP不是"抗光照"的万能药，它抗的是全局单调光照。

它对噪声敏感。因为比较是逐像素的，一个邻居像素被噪声扰动跨过了中心值，那一位就翻转了。这也是为什么工程里几乎没人直接对原始图算LBP，前面基本都会跟一个高斯平滑或者中值滤波。我在一个低照度相机项目里就吃过这个亏，没做预平滑，LBP直方图的类间距离被噪声拉得很近，分类器怎么调都上不去，加了3x3高斯之后准确率直接涨了六七个点。

1.3 适合谁、不适合谁

LBP适合的场景很明确：纹理分类、表面缺陷检测、人脸表情与年龄的粗粒度分析、医学图像的纹理区分（比如组织切片）、材质识别。这些场景的共同点是"局部微观模式的统计分布"能区分目标。它不适合的场景同样明确：需要精确位置或形状的任务（比如关键点定位、轮廓提取），以及纹理本身极其平滑、几乎没有局部变化的图像（比如纯色背景上的几何图形检测），这时候LBP编码几乎全是同一个值，信息量为零。

2. 把LBP的数学掰开：从3x3到圆形邻域

2.1 原始LBP的编码过程

最经典的LBP是3x3窗口。取中心像素的灰度值作为阈值，周围8个邻居逐个比较：邻居大于等于中心记1，小于记0。然后从某个固定起点（通常取左上角或正上方）开始，按顺时针方向把这8个bit串成一个8位二进制数，再转成十进制，这个十进制数就是中心像素的LBP值，范围0到255。

举个具体例子。假设3x3邻域灰度如下：

6 5 2 7 6 1 9 8 7

中心是6。从左上角开始顺时针比较：6>=6记1，5>=6记0，2>=6记0，1>=6记0，7>=6记1，8>=6记1，9>=6记1，7>=6记1。得到的二进制串（按起点到终点顺序）是10001111，转十进制是143。这个143就是中心像素的LBP编码。

这里有个细节很多人第一次实现会搞错：bit的拼接顺序必须全局一致。因为LBP值本身没有绝对意义，它的意义在于"同一套编码规则下不同区域的分布差异"。如果你在训练阶段用一种顺序，推理阶段换了另一种顺序，直方图就对不上了。我在代码里习惯把起点定在正上方（12点钟方向），顺时针走，这样和大多数文献的图示一致，方便对照。

2.2 圆形邻域与双线性插值

3x3的方形邻域有个硬伤：它只能覆盖半径固定为1的8个点，尺度不可调。而且方形邻域在对角线方向的采样距离是√2，和轴向的1不一致，导致编码对方向有偏。为了解决这个，后来提出了圆形LBP：给定半径R和采样点数P，在半径为R的圆上均匀取P个点。

问题来了：圆上的采样点坐标通常不是整数，落在像素之间。这时候必须做双线性插值取灰度值。以半径R=2、采样点P=8为例，第p个采样点的角度是2πp/P，坐标是(x + R·cos θ, y - R·sin θ)（注意图像坐标系y轴向下，所以是减）。拿到浮点坐标后，取它周围四个整数像素，按距离加权求和。

双线性插值的公式不复杂，但实现时要注意边界处理。采样点落到图像外怎么办？常见做法有两种：一是对图像做边界填充（比如复制边缘像素），二是直接跳过边界像素不计算LBP。我在工程里倾向第二种，因为填充会引入虚假纹理，边界那一圈本来也不该参与统计。代价是输出图像会比原图小一圈，尺寸是(rows - 2R, cols - 2R)，这个在后续拼接时要留意。

2.3 等价模式：把256维砍到59维

原始LBP的直方图是256维（8位）。维度不算高，但有个问题：这256种模式里，绝大多数在自然图像中出现频率极低，而且很多模式只是同一个纹理的旋转或轻微扰动。更关键的是，256维里有大量冗余，对分类器的区分贡献很小，反而稀释了有效信息。

等价模式（Uniform Pattern）就是来解决这个的。它的定义是：把LBP的二进制串首尾相接看成一个环，环上0和1之间的跳变次数不超过2次的，称为等价模式。比如00000000跳变0次，00011100跳变2次（0→1一次，1→0一次），都是等价模式；而01010101跳变8次，就不是。统计下来，8位LBP的等价模式一共58种，加上所有非等价模式归为一类，总共59维。

这个降维不是拍脑袋的。研究表明，自然图像中等价模式能覆盖绝大多数（通常90%以上）的局部纹理，非等价模式往往是噪声或者极端结构。所以59维直方图既保留了主要信息，又大幅降低了维度，还顺带提升了抗噪性。我在实际项目里默认就用等价模式，除非有特殊理由才用全256维。

2.4 旋转不变性：什么时候需要，什么时候是坑

纹理如果会旋转（比如传送带上的零件朝向不固定），那普通LBP的直方图会随旋转变化，分类就不稳。旋转不变LBP的做法是：对一个二进制串做所有可能的循环移位，取其中最小的那个值作为编码。这样同一个纹理无论怎么转，编码都归一化到同一个值。

但这里有个大坑我得提醒：旋转不变性会损失方向信息。如果你的任务恰恰需要区分方向（比如判断织物纹理是横纹还是竖纹），用了旋转不变LBP反而把关键信息抹掉了。我在一个方向性纹理分类的项目里就犯过这个错，一开始图省事用了旋转不变，结果横竖两类完全分不开，换成普通等价模式后立刻正常。所以选不选旋转不变，取决于你的纹理有没有"方向"这个语义。

3. C++实现：从朴素版本到可用的工程代码

3.1 朴素3x3版本的完整实现

先把最基础的版本写出来，不依赖任何图像库的LBP函数，纯手写，这样你能看清每一步。假设输入是单通道灰度图，用std::vector<unsigned char>按行优先存储，宽高分别是w和h。

#include <vector> #include <cstdint> // 朴素3x3 LBP，边界一圈不处理 std::vector<uint8_t> lbp3x3(const std::vector<uint8_t>& gray, int w, int h) { std::vector<uint8_t> out(w * h, 0); // 8邻域偏移，从正上方开始顺时针 const int dx[8] = { 0, 1, 1, 1, 0, -1, -1, -1}; const int dy[8] = {-1, -1, 0, 1, 1, 1, 0, -1}; for (int y = 1; y < h - 1; ++y) { for (int x = 1; x < w - 1; ++x) { uint8_t center = gray[y * w + x]; uint8_t code = 0; for (int k = 0; k < 8; ++k) { uint8_t nb = gray[(y + dy[k]) * w + (x + dx[k])]; if (nb >= center) code |= (1 << k); } out[y * w + x] = code; } } return out; }

这段代码有几个点值得说。第一，dx/dy数组的顺序决定了bit的权重，我这里k=0对应正上方，权重是1<<0，也就是最低位。这个顺序一旦定了就不能改，训练推理必须一致。第二，边界一圈直接留0，因为3x3窗口在边界会越界。第三，比较用的是>=而不是>，这个也有讲究——用>=时，平坦区域（邻居全等于中心）会编码成全1（255），用>时全编码成0。两种约定都有人用，但必须全局统一，否则直方图对不上。我习惯用>=，因为平坦区域编码成255在直方图里是个很明显的峰，便于观察。

3.2 圆形LBP与双线性插值的实现细节

圆形LBP的代码要复杂一些，核心是预计算采样点的偏移和插值权重。因为对同一组(R, P)，每个像素用的偏移和权重都一样，所以可以提前算好，避免在双重循环里反复算三角函数。

struct CircularLBP { int R, P; std::vector<float> cosTable, sinTable; CircularLBP(int r, int p) : R(r), P(p) { cosTable.resize(P); sinTable.resize(P); for (int i = 0; i < P; ++i) { float ang = 2.0f * 3.14159265f * i / P; cosTable[i] = std::cos(ang); sinTable[i] = std::sin(ang); } } // 双线性插值取灰度 float sample(const std::vector<uint8_t>& g, int w, int h, float fx, float fy) { int x0 = (int)std::floor(fx), y0 = (int)std::floor(fy); int x1 = x0 + 1, y1 = y0 + 1; float tx = fx - x0, ty = fy - y0; auto at = [&](int x, int y) -> float { x = std::min(std::max(x, 0), w - 1); y = std::min(std::max(y, 0), h - 1); return (float)g[y * w + x]; }; float v00 = at(x0, y0), v10 = at(x1, y0); float v01 = at(x0, y1), v11 = at(x1, y1); return v00 * (1 - tx) * (1 - ty) + v10 * tx * (1 - ty) + v01 * (1 - tx) * ty + v11 * tx * ty; } };

这里at函数做了边界钳制（clamp），这是最省事的边界处理方式，虽然会引入一点边缘重复，但对统计直方图影响很小。如果你追求严格，可以在外层循环时把边界R圈直接跳过。插值权重tx/ty是浮点，整个采样过程是浮点运算，这是圆形LBP比3x3慢的主要原因。实测下来，同样1080p图像，3x3版本比R=2/P=8的圆形版本快大概3到4倍，所以如果尺度不是刚需，优先用3x3。

3.3 直方图统计与归一化

LBP算出来的是每个像素一个编码，真正喂给分类器的是直方图。统计直方图时，等价模式的映射需要一张查找表：对每个可能的编码值（0到255），预先算好它属于哪个bin（0到58，非等价归到58）。

// 预计算等价模式查找表 std::vector<int> buildUniformTable() { std::vector<int> table(256, 58); // 默认非等价 int idx = 0; for (int code = 0; code < 256; ++code) { int transitions = 0; for (int i = 0; i < 8; ++i) { int cur = (code >> i) & 1; int nxt = (code >> ((i + 1) % 8)) & 1; if (cur != nxt) ++transitions; } if (transitions <= 2) table[code] = idx++; } return table; }

注意这里idx的递增顺序决定了bin的编号，只要训练和推理用同一张表就没问题。统计完直方图后一定要归一化，通常除以总像素数，让直方图各bin之和为1。这样不同尺寸的图像块之间才有可比性。我在项目里还习惯对直方图做一次开方（sqrt）或者对数变换，目的是压缩大bin、拉伸小bin，让分布更平滑，对后续的卡方距离或SVM都更友好。

3.4 分块直方图：空间信息的补救

全局直方图有个致命问题：它丢掉了空间信息。一张图里左边是布纹、右边是麻点，和左右反过来，全局LBP直方图是一样的。解决办法是分块统计：把图像切成m×n个网格，每块单独算直方图，最后拼接起来。这样特征维度是m×n×59，空间信息就回来了。

分块粒度是个需要调的参数。块太大，空间信息弱；块太小，每块像素少，直方图统计不稳（尤其59维，块内像素最好不少于几千）。我一般从3×3或4×4起步，根据图像分辨率和纹理尺度微调。有个经验：块的大小最好不小于纹理基元的2到3倍，否则块内可能连一个完整纹理周期都覆盖不到，统计出来的分布没有代表性。

4. 工程实战里那些文档不会写的事

4.1 预处理顺序：平滑、归一化、LBP，谁先谁后

这个顺序错了，效果会差很多。正确的顺序是：先平滑，再（可选）光照归一化，最后算LBP。平滑是为了压噪声，前面说过LBP对噪声敏感。光照归一化（比如直方图均衡或者局部对比度归一化）是为了让不同图像的整体亮度分布一致，虽然LBP对单调光照免疫，但极端欠曝或过曝会让大量像素挤在0或255附近，比较结果失真。

但这里有个反直觉的点：不要做锐化。锐化会放大高频噪声，而LBP恰恰吃高频噪声的亏。我在一个项目里见过有人为了"增强纹理"先做了USM锐化再算LBP，结果直方图被噪声主导，分类器学到的全是噪声模式。平滑的核也别太大，3x3高斯足够，5x5以上会把细纹理抹平，LBP编码就退化了。

4.2 参数选择的经验法则

半径R和采样点P的选择，直接决定LBP描述的是哪个尺度的纹理。R小，捕捉细纹理；R大，捕捉粗纹理。P决定角度分辨率，P越大方向分辨越细，但计算量也越大。我的经验法则：

• 细纹理（织物、纸张、金属拉丝）：R=1或2，P=8
• 中等纹理（木材、石材、皮肤）：R=2或3，P=8或16
• 粗纹理（大颗粒材料、宏观图案）：R=4以上，P=16或24

P一般取8的倍数，因为8位编码最自然，也方便用uint8_t存。P超过8就得用uint16_t甚至更大，直方图维度也会涨（等价模式下P=16是243维），要权衡。我做过一个对比实验，同一批石材样本，R=2/P=8和R=3/P=16的分类准确率差了不到2个点，但后者计算时间是前者的2.5倍，所以除非准确率卡在瓶颈，否则R=2/P=8是性价比最高的默认值。

4.3 多尺度融合：一个便宜又好用的技巧

单一尺度的LBP只能描述一个尺度的纹理。如果目标纹理的尺度不确定（比如零件大小不一），单尺度就会漏。多尺度融合的做法是：对同一张图算多个(R, P)组合的LBP直方图，拼接成一个长向量。比如R=1/P=8、R=2/P=16、R=3/P=24三组，拼起来维度是59+243+555（具体看等价模式维度），虽然维度高了，但描述能力显著增强。

这个技巧的代价是计算量和特征维度都上去了，所以适合离线训练、在线推理对延迟不敏感的场景。在线场景我一般只用单尺度，或者用两个尺度（R=1和R=2）折中。融合时记得每个尺度的直方图都要单独归一化再拼接，否则大尺度的bin数值会压过小尺度。

4.4 加速：从查表到SIMD

朴素实现的瓶颈在双重循环里的逐像素比较。几个加速手段，按投入产出比排序：

第一，预计算偏移索引。把(y+dy)*w+(x+dx)这种乘法提前算成相对偏移，循环里只做加法。这个改动几乎零成本，能快10%到20%。

第二，展开内层循环。8次比较手动展开，去掉循环开销，编译器也更容易做指令级并行。这个能再快15%左右。

第三，用查找表替代比较。对3x3版本，可以预先把"中心值和8个邻居的相对关系"编码成一个索引，但8个邻居每个都可能大于或小于中心，组合太多，查找表不现实。所以这条路对LBP不通，别浪费时间。

第四，SIMD。用SSE/AVX对多个像素并行做比较和位拼接，理论上有4到8倍加速。但LBP的位拼接是串行的（每个邻居占一位），SIMD化需要巧妙的位操作重排，实现复杂度高。我在一个对实时性要求极高的项目里做过AVX2版本，确实快，但调试花了两天，而且可移植性差。除非你的场景真的卡在性能上，否则不建议一上来就上SIMD。

第五，多线程。按行分块，每个线程处理一段，最后合并直方图。这个最简单，用OpenMP一行#pragma omp parallel for就能搞定，加速比接近核数。直方图合并时注意用线程局部直方图再归并，避免锁竞争。

4.5 一个真实的排查链路：分类准确率上不去

说个我印象最深的排查过程。有个表面缺陷分类的项目，LBP特征加SVM，准确率卡在78%上不去，怎么调SVM的C和gamma都没用。我按下面的链路一步步查：

第一步，先怀疑特征本身有没有区分度。我把两类样本的LBP直方图画出来对比，发现两类直方图几乎重合，只有个别bin有差异。这说明问题不在分类器，在特征。

第二步，查预处理。发现原始图没做平滑，而且相机在低照度下噪声很大。加了3x3高斯后，两类直方图的差异明显了一些，准确率到82%。

第三步，查尺度。缺陷的尺寸大概十几个像素，而我用的是R=1，捕捉的是更细的纹理，缺陷本身的宏观模式没被描述到。换成R=3/P=16后，准确率到87%。

第四步，查分块。缺陷只出现在图像局部，全局直方图被大量正常区域稀释了。改成分块（4x4网格）后，准确率到91%。

第五步，查归一化。发现分块后有些块几乎全是背景，直方图很平，这些块的噪声特征干扰了分类。加了块内方差筛选，方差过低的块直接跳过不参与拼接，准确率到93%。

这个链路说明一个道理：LBP效果不好，八成不是LBP本身的问题，而是预处理、尺度、空间组织、归一化这些外围环节没调对。每次只改一个变量，观察准确率变化，是最靠谱的排查方式。

5. 和其他特征怎么配合，以及什么时候该换掉它

5.1 LBP + 梯度特征的互补

LBP描述的是"局部明暗相对关系"，它对梯度方向不敏感。而HOG（方向梯度直方图）恰恰描述梯度方向分布。两者是天然互补的：LBP管纹理的微观模式，HOG管边缘的方向结构。我在做材质分类时，把LBP直方图和HOG特征拼接，准确率比单用任何一个都高5到8个点。

拼接时要注意量纲。LBP直方图归一化后各bin在0到1之间，HOG通常也做了块归一化，两者量级接近，直接拼问题不大。但如果某一方没归一化，就得先做标准化（减均值除标准差），否则量级大的那方会主导距离计算。

5.2 什么时候该果断放弃LBP

有三种情况我会果断换掉LBP。第一，纹理极其平滑，局部几乎没有灰度变化，LBP编码退化成单一值，信息量为零，这时候该用颜色特征或者形状特征。第二，目标需要精确的语义分割而不是图像级分类，LBP给的是统计分布，没有像素级定位能力，这时候该上语义分割网络。第三，样本量极大且标注充足，深度网络能学到比手工特征更丰富的表示，LBP的优势（无需训练、计算快）就不明显了。

但反过来说，样本量小、需要可解释性、部署环境算力受限，这三个条件只要占一个，LBP就仍然值得作为基线方案先跑起来。我个人的习惯是：任何纹理相关的任务，先花半天用LBP搭个基线，看看准确率大概在什么水平，再决定要不要上更重的方案。这个基线往往比想象中能打，有时候直接就用它交付了。

5.3 特征工程上的两个小技巧

第一个是直方图交叉核。如果下游是SVM，别用RBF核，用直方图交叉核（Histogram Intersection Kernel），它对直方图类特征更合适，实测比RBF稳定，且不需要仔细调gamma。第二个是空间金字塔。比单纯分块更进一步，做多级分块（比如1x1、2x2、4x4三层），每层直方图加权拼接，权重按层递减。这个思路来自空间金字塔匹配，对纹理的空间分布建模更细，代价是维度涨得快，要配合降维（比如PCA）使用。

代码上，直方图交叉核就是两个直方图逐bin取min再求和，实现简单：

double histIntersection(const std::vector<float>& a, const std::vector<float>& b) { double s = 0; for (size_t i = 0; i < a.size(); ++i) s += std::min(a[i], b[i]); return s; }

这个核函数的值在0到1之间（归一化直方图下），可以直接当相似度用，也可以喂给核SVM。我在小样本场景下经常直接用它做最近邻分类，简单粗暴但有效。

6. 收尾前再聊几句实操体会

LBP这个算法，代码量不大，原理也不复杂，但真正用好它，功夫全在那些"外围"上——预处理做不做平滑、尺度选多大、要不要分块、直方图怎么归一化、和什么特征拼。我见过太多人把LBP当黑盒，调不通就换算法，其实往往是某个环节的参数没对上。我自己的习惯是，每换一个数据集，先把LBP直方图可视化出来看一眼，两类样本的分布有没有肉眼可见的差异，如果没有，那后面分类器再怎么调都是白搭，得回头查特征和预处理。

还有一个我踩过的坑值得提：训练和推理的编码规则必须严格一致。包括bit的拼接顺序、比较用>=还是>、等价模式的查找表、分块的方式、归一化的方法，任何一处不一致，特征分布就会偏移，模型直接失效。我的做法是把这些规则全部封装进一个配置结构体，训练时序列化存盘，推理时加载，从根上杜绝不一致。这个习惯帮我省过好几次线上事故。

如果你的项目正好在做纹理相关的特征，不妨先拿LBP搭个基线跑跑看，成本很低，半天就能出结果。跑通了再考虑要不要上更复杂的方案，很多时候这个基线就够用了。