基于图像特征检测——使用相位拉伸变换（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

💥1 概述

在过去的几十年里，深度学习和计算机视觉在目标检测、目标跟踪、行人检测和自动驾驶汽车方面发挥了趋势引导作用。一些方法被提出来解决这些计算机视觉和基于深度学习的检测、跟踪技术、算法和数据源的问题。近年来，这一领域变得越来越重要，研究人员利用有关图像和视频的在线/离线数据，集中进行情绪建模和计算分析。比较了灰度和相位的两种不同的图像边缘提取方法及其提取结果。相位的边缘检测方法是以Hilbert变换为出发点建立的相位一致性模型，并且它有一种计算量比较小的近似算法——局部能量模型。最后通过logGabor函数构造的小波，对图像边缘进行提取并比较了结果，说明了相位边缘的通用性；通过对马赫带现象的检测，说明相位一致性模型更符合人类视觉系统的特性。图像锐化是图像增强的主要内容之一，在图像分析、图像理解以及医学图像等领域均有重要的应用。现有图像锐化方法对图像中的弱强度变化特征增强效果不明显，并且在边缘附近还会出现毛刺与噪声。为解决这些问题，提出一种基于相位拉伸变换结合相对总变分的图像锐化算法，本文章就用Matlab代码实现。

📚2 运行结果

 部分代码：

% test script to test PST function

clc  % clear screen
clear all  % clear all variables
close all   % close all figures

% import original image
Image_orig=imread('lena_gray_512.tif');

% if image is a color image, convert it to grayscale
try
    Image_orig=rgb2gray(Image_orig);
catch
end

%show the original image
subplot(1,2,1)
imshow(Image_orig)
title('Original Image')

% convert the grayscale image do a 2D double array
Image_orig=double(Image_orig);

% low-pass filtering (also called localization) parameter
handles.LPF=0.21; % Gaussian low-pass filter Full Width at Half Maximum (FWHM) (min:0 , max : 1)

% PST parameters
handles.Phase_strength=0.48;  % PST  kernel Phase Strength
handles.Warp_strength=12.14;  % PST Kernel Warp Strength

% Thresholding parameters (for post processing)
handles.Thresh_min=-1;      % minimum Threshold  (a number between 0 and -1)
handles.Thresh_max=0.0019;  % maximum Threshold  (a number between 0 and 1)

% choose to compute the analog or digital edge
Morph_flag = 1 ; %  Morph_flag=0 to compute analog edge and Morph_flag=1 to compute digital edge.

% Apply PST and find features (sharp transitions)
[Edge PST_Kernel]= PST(Image_orig,handles,Morph_flag);

if Morph_flag ==0
    % show the detected features    
    subplot(1,2,2)
    imshow(Edge/max(max(Edge))*3)
    title('Detected features using PST')
   
else
    subplot(1,2,2)
    imshow(Edge)
    title('Detected features using PST')
    
    % overlay original image with detected features
    overlay = double(imoverlay(Image_orig, Edge/1000000, [1 0 0]));
    figure
    imshow(overlay/max(max(max(overlay))));
    title('Detected features using PST overlaid with original image')
end

% show the PST phase kernel gradient
figure
[D_PST_Kernel_x D_PST_Kernel_y]=gradient(PST_Kernel);
mesh(sqrt(D_PST_Kernel_x.^2+D_PST_Kernel_y.^2))
title('PST Kernel phase Gradient')

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]索子恒.图像特征检测与特征提取综述[J].产业创新研究,2022(04):33-35.

[2]吕尧新,刘志强,朱祥华. 基于相位一致性原理的图像特征检测技术[C]//中国通信学会.第九届全国青年通信学术会议论文集.电子工业出版社,2004:1115-1119.

[3]甘金来,刘钊.基于相位的图像特征检测算法[J].实验科学与技术,2006(02):16-19+61.

🌈4 Matlab代码实现