الگوي باینري محلی اولین بار به عنوان یک توصیف کننده ي الگوي غیرحساس به دوران براي تصاویر طیف خاکستري معرفی شد. این الگوریتم با آستانه گیري همسایگی 3×3 براي هر پیکسل مرکزي با شدت سطح خاکستري Pc، تعداد 8 پیکسل همسایهي آن را (7...1 ,0=n) Pn محاسبه نموده و نتیجه را به عنوان یک عدد باینري بر میگرداند.
میخواهیم یک مثال با استفاده از این تکنیک در متلب ارایه دهیم.
مرحله اول: ابتدا دو تصویراولیه در متلب خوانده میشود:
;(brickWall = imread('bricks.jpg'
;(rotatedBrickWall = imread('bricksRotated.jpg'
;('carpet = imread('carpet.jpg
تصویر اول ، تصویر اصلی و تصویر دوم تصویر دوران یافته تصویر اول میباشد.اکنون تصویر سومی که متفاوت از این دو تصویر است را در متلب میخوانیم:
مرحله دوم: اکنون به کمک تکنیک LBP ویژگی های باقت تصویر را استخراج میکنیم:
;(lbpBricks1 = extractLBPFeatures(brickWall,'Upright',false
;(lbpBricks2 = extractLBPFeatures(rotatedBrickWall,'Upright',false
;(lbpCarpet = extractLBPFeatures(carpet,'Upright',false
مرحله سوم: اندازه گیری میکنیم میزان شباهت تصویر اولیه را جداگانه با تصویر دوم و سوم با استفاده از مربع خطا
;brickVsBrick = (lbpBricks1 - lbpBricks2).^2
;brickVsCarpet = (lbpBricks1 - lbpCarpet).^2
اگر این مربع خطا را ترسیم کنیم مقدار ان برای تصویر اول نسبت به تصویر دوم کمتر است تا نسبت به تصویر سوم:
('bar([brickVsBrick; brickVsCarpet]','grouped
('title('Squared Error of LBP Histograms
('xlabel('LBP Histogram Bins
('legend('Bricks vs Rotated Bricks','Bricks vs Carpet