針對(duì)原始的局部相位量化（ Local phaseα quantization，LPQ算法對(duì)具有模糊不變性的相位特征描述不準(zhǔn)確、缺少對(duì)圖像重要細(xì)節(jié)信息描述的缺點(diǎn)，提岀了一種結(jié)合高斯拉普拉斯（ Laplace of gaussian，LoG邊緣檢測(cè)和增強(qiáng)局部相位量化（Enhanced Local Phase Quantization，ELPQ的模糊圖像識(shí)別算法，記為 MRELPQ& MSLOG（ Multi-- resolution ELPQ and Multi-scaleLoG）。首先，在頻域中，將圖像進(jìn)行短時(shí)傅里葉變換后得到的實(shí)部與虛部進(jìn)行正負(fù)量化和幅值量化，得到互補(bǔ)的符號(hào)特征ELPQ S和幅值特征ELPQ_M;其次，在空間域中，利用多尺度高斯拉普拉斯與圖像進(jìn)行卷積得到圖像空間域的邊緣特征;最后，將頻域上的符號(hào)特征巸LPQS和幅值特征 ELPQ M與空間域上的邊緣特征結(jié)合，生成最終的特征直方圖，采用SVM進(jìn)行識(shí)別。在有模糊干擾的 Brodatz和KTH-TIPS紋理庫(kù)中，文中提出的ELPQ算法相比原始的LPQ算法有較大的性能提升，且空間域和頻域結(jié)合的 MRELPQ& MSLOG算法能進(jìn)一步提高算法的識(shí)別性能;在具有模糊的AR、 Extend Yale b人臉庫(kù)和實(shí)際拍攝的鐵路扣件庫(kù)中，將 MRELPQ& MSLOG算法與目前模糊魯棒性較妤的算法進(jìn)行對(duì)比發(fā)現(xiàn)， MRELPQ& MSLOG算法保持著較髙的識(shí)別率。實(shí)驗(yàn)結(jié)果表明， MRELPQ& MSLOG算法對(duì)模糊具有較強(qiáng)的魯棒性，且特征提取時(shí)間較短，具有實(shí)時(shí)性。