💥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.
