# LBP

## Codificación

Tomo un punto y lo comparo con sus vecinos, y binarizo "localmente"


## Mapeo

Verdes son 1 y blancos son 0

Veo los patrones que se están dando (cantidad de cambios que se han dado, es 0, 2-7)

Hay 56 combinaciones con 2 círculos


No uniforme es que hay mucho ruido. Todo lo que es ruido es mapeado al 58, el resto son uniformes

Aghora mapeo todo a números entre el 0 y 58

## Histograma

Cuento cuantos han sido mapeado a cada número, y eso en si es el descriptor


Los vectores LBP de imagénes similares son similares, las de diferentes son diferentes

NO invariante a la rotación

Se puede hacer una partición de 4x4 = 16


Si los vectores son similares, entonces es probable que sea la misma persona. La idea de esto se basa en que la persona tiene que estar alineadas y en posiciones similares.

Lo que hace LBP es extraer como "estadísticas" de cómo es cada cuadrado.

Se hace de 4x4 para tener una resolución intermedia de la cara: no es ni tan baja ni tan alta, si, por ejemplo, lo aumento a 8x8, sería demasiada (probalemente) la precisión con la que se está trabajando.

Las particiones tienen que (idealmente) todas ser iguales.

## Método del vecino más cercano
Se escoge EL vecino más cercano con alguna métrica de distancia. (Busco minimizar/maximizar el resultado numérico o alguna métrica)

## KNN (K vecinos más cercanos)
Funciona con sistema de votos para ver cuál es la clase que tiene más votos