lbg模型是由Linde，Buzo，Gray三人在1980年提出的。
它其實相當於Lord-Max方法的多維推廣，但它並不需要知道輸入向量的概率分佈，lbg模型通過訓練向量集和一定的迭代算法來逼近最優的再生碼本。
1、隨意選取n個圖像塊作為碼向量。
2、由這n個碼向量對所有的圖像塊進行劃分，即分成n個集合，使每個集合中的圖像塊，都是與各碼向量距離中，與對應的碼向量的距離最小的。
3、由這n個集合的重心，得到n個新的碼向量。
4、如果這些個碼向量與原來的碼向量變化不大（收斂），就完成碼書的訓練，否則重新進行2、3步。
lbg模型侷限性:
1、最優量化器是對於訓練向量集而言，對於實際的未經訓練的向量集是否最優還很難説，這要依賴於訓練向量的代表性到底真實到何種程度。
2、由於優化分割的過程沒有依據數據結構方面的規則或者限制，而是自由進行，這就使得對碼本進行有效組織時遇到極大的困難。
3、在有些時候根本無法找到真正有代表性的訓練向量集。
