شناسایی چهره در شرایط روشنایی مختلف هنوز بعنوان یک مسئله باز حل نشده می باشد، یکی از چالشهای موجود در دنیای واقعی برای سیستم تشخیص چهره تغییرات روشنایی است، در[Illumination Invariant Face Recognition using SQI and Weighted LBP Histogram]یک رویکرد جدیدی در مقابل تغییرات روشنایی بر پایه SQI و هیستوگرام LBP وزندار معرفی شده است، در این سیستم، کارآیی سیستم با استفاده از مقادیر مختلف سیگما در SQI در تستهای مختلف بالا رفته است، علاوه بر اینکه استفاده از دو عملگر LBP یکنواخت چند ناحیه ای برای استخراج ویژگی همزمان بکار رفته است و سیستم را در برابر تغییرات روشنایی قویتر ساخته است.این رویکرد اطلاعات تصویر را از سطوخ متفاوت محلی و سراسری جمع می نماید.
طبقه بندی بافت تصویر نقش بسیار مهمی در بینایی ماشین و پردازش تصویر دارد. اولین و مهمترین مرحله در طبقه بندی بافت تصویر، استخراج ویژگی از تصویر میباشد. تاکنون روش های بسیار زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شده اند اما از میان روش های موجود الگوهای باینری محلی، در شکل اصلی و بهبودیافته خود، به دلیل سادگی در پیاده سازی و استخراج ویژگی های مناسب با دقت طبقه بندی بالا، مورد توجه بسیاری از متخصصان این زمینه قرار گرفته است. شکل اصلی الگوهای باینری محلی هرچند از نظر پیاده سازی بسیار ساده است، اما زمانی که شعاع همسایگی افزایش یابد پیچیدگی محاسباتی بالایی دارد. شکل بهبودیافته الگوهای باینری محلی نیز به الگوهای همگن برچسبهای متمایز و به تمام الگوهای غیر همگن یک برچسب یکسان انتساب می دهد و این امر، طبقه بندی تصاویری که دارای درصد بالایی از الگوهای غیر همگن می باشند را با مشکل مواجه می سازد. در[ارائه یک شکل جدیدی از الگوهای باینری محلی به منظور طبقه بندی بافت تصویر]، یک شکل جدید از الگوهای باینری محلی ارائه شده است که پیچیدگی محاسباتی آن نسبت به شکل اصلی الگوهای باینری محلی کمتر و دقت طبقه بندی آن نیز از شکل اصلی و بهبودیافته الگوهای باینری محلی بیشترمی باشد. روش ارائه شده در این مقاله نه تنها تصاویر با الگوهای همگن را به خوبی طبقه بندی می کند، بلکه در مورد تصاویری که دارای حجم بسیار بالایی از الگوهای غیر همگن می باشند نیز به خوبی عمل می کند. همچنین می توان با تغییر در بازه های شدت روشنایی، محلی یا سراسری بودن ویژگی ها را کنترل کرد.
کتابی مناسب برای علاقه مندان در حوزه پردازش تصویر موازی بر روی پلتفرم CUDA در اینجا معرفی شده است که توسط1 Tolga Soyata در سال 2018 به چاپ رسیده است که در ابتدا به بررسی ساختار حافظه در CPU پرداخته، سپس با بررسی ساختار حافظه در GPU به نحوه پردازش تصویر در GPU بر روی پلتفرم CUDA و همچنین توابعی که در این زمینه وجود دارد پرداخته است.