为了保护数据隐私，私密图像在上传到云服务器之前需要进行加密，然而，加密会导致传统的图像特征无法提取，进而给图像检索带来困难。针对密文图像的检索问题，提出了一种云环境下JPEG图像的安全检索方法：数据拥有者部分解码JPEG码流得到图像的DCT（discrete cosine transform）系数，对系数进行置乱加密然后生成密文图像并上传到云服务器；云服务器在图像密文上提取DC系数差分特征以及LBP（local binary patterns）特征，通过比较图像的特征向量之间的距离来确定图像的相似度，最后返回相似图像。该方法不仅减少了计算复杂度，而且使得数据拥有者与云服务器之间的交互次数尽可能地减少，同时，与其他几种目前有代表性的方法相比，具有更好的安全性和检索准确度，能实现对JPEG图像安全高效的检索。最后基于该方法做了简单的仿真系统，进一步验证了该方法的有效性。

该文档描述了一个基于LBP的树叶识别系统的实现。主要用到图像方面的知识。

matlab的egde源代码 LBP-DBN-face-recognition 使用LBP特征提取算法提取人脸特征，DBN网络来实现人脸识别，测试数据库-ORL数据库，识别率可达90%以上 ###工程使用方法： clone下工程，要根据实际情况修改test_example_DBN.m中的文件路径 我们在该文件中，a=imread(strcat('E:\My RBM-DBN matlab\ORL\ORL\s',num2str(i),'_',num2str(j),'.bmp')); ###工程说明： ####英文简称注释： DBN-深度信念网络、RBM-受限的玻尔兹曼机 、LBP-局部二值模式 ####几点说明： 0-这个程序的功能，使用DBN算法来实现人脸识别，数据库使用ORL数据库，在迭代次数达到3000时，识别准确率98%左右 2-此程序还附带了画学习曲线的功能，画正则参数，隐层结点数，训练样本数的学习曲线 3-DBN是有几层RBM构成，我这个程序实现的是4层网络，输入层-隐层1-隐层2-输出层 4-DBN的训练基本上分为两步，先用RBM的训练方法训练网络得到初始值，来初始化整个网络

LBP是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen,和 D. Harwood 在1994年提出，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

LBP的C++代码，这个是我自己写的，之前那个Matlab代码是别人的，自己也没搞太懂，比如mapping的含义，这个C++的代码需要pgm格式的图像，大家可以百度一下如何转pgm的matlab代码，这个转格式的算法还是挺简单的。最后运行结果跟文献的应该是一模一样的，图片文件也跟文献中的一样，从FERET数据库取的.最后的data.txt是输出数据，貌似是一维数据，要在matlab中转成二维再画图

人脸识别训练文件，配合博文《基于OPencv LBP的人脸识别代码》

1. （由于原图像的尺寸太小，所以先对原图像进行插值）zm2_interp2函数是对矩阵进行自然边界条件的三次样条插值：zm为需要进行插值的数据，coeff为插值密度，密度越大插值越多。 2. zm_gradient135函数是为了将漏磁图像进行135度微分：datain为原数据，沿着135度角去除股波纹理特征。 3. smooth_d函数是为了对图像进行平滑处理：dataout为要处理的图像数据，选择lowess方法用23点平均处理，对每一行进行平滑处理。 4. gen_lbp_j函数是先对漏磁图像进行局部二值化处理，再从找出的点中找原图幅值大于一个值的点，从而找出漏磁点的位置：f为原图像的数据；函数中l为选取窗口矩阵的大小，即边长，这里选取 11×11的窗口矩阵；函数最后minl为选取漏磁点的最小幅值，这里取0.06。

LBP运用研究是非常好的，这是用Ｍａｔｌａｂ编写的代码。

lbp MATLAB代码，包括lbp,getmapping两个函数，另外有自己修改的图像化界面

内附Olivetti数据集，400张人脸，20个ID，人脸识别的小型数据库 第1步、训练集、测试集制作 第2步、提取人脸LBP特征 第3步、KNN分类器，k=5时，精度最高，82.5%