# Lbp Fourier Texture

> Análisis de micro-textura mediante LBP y Fourier para detectar patrones de papel o píxel de pantalla

- Skill: `davidcastagnetoa/lbp-fourier-texture` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add davidcastagnetoa/lbp-fourier-texture`
- Raw SKILL.md: https://api.skillmd.com/api/skills/davidcastagnetoa/lbp-fourier-texture/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: davidcastagnetoa (https://skillmd.com/u/davidcastagnetoa)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/davidcastagnetoa/lbp-fourier-texture

---


# lbp_fourier_texture

Local Binary Patterns (LBP) y el análisis de frecuencias de Fourier detectan las micro-texturas características de materiales falsos: granos de papel en fotos impresas, patrones de subpíxel en pantallas.

## When to use

Usar como capa adicional de liveness pasivo, especialmente para detectar ataques de impresión de alta calidad que engañan a los modelos CNN.

## Instructions

1. Instalar: `pip install scikit-image`.
2. **LBP**: Extraer región facial. Calcular LBP: `lbp = local_binary_pattern(gray_face, P=8, R=1, method='uniform')`. Calcular histograma LBP normalizado. Clasificar con SVM o threshold estadístico preentrenado.
3. **Análisis Fourier**: Aplicar FFT 2D: `f = np.fft.fft2(gray_face)`. Calcular espectro de magnitud: `magnitude = np.abs(np.fft.fftshift(f))`. Analizar distribución de energía en frecuencias altas (pantallas muestran picos periódicos regulares en Fourier).
4. Combinar score LBP y score Fourier con media ponderada.
5. Umbral de rechazo: `combined_score < 0.5` → spoof detectado.

## Notes

- Los patrones de pantalla (LCD/OLED) crean frecuencias periódicas muy características en el espectro de Fourier.
- LBP es especialmente sensible a texturas de papel de baja resolución.