相位相關演算法雜訊

① 雙目視覺的匹配演算法是不是有好幾種具體是哪幾種

與普通的圖像模板匹配不同的是，立體匹配是通過在兩幅或多幅存在視點差異、幾何畸變、灰度畸變、雜訊干擾的圖像對之間進行的，不存在任何標准模板進行匹配。立體匹配方法一般包含以下三個問題:(1)基元的選擇，即選擇適當的圖像特徵如點、直線、相位等作為匹配基元;(2)匹配的准則，將關於物理世界的某些固有特徵表示為匹配所必須遵循的若干規則，使匹配結果能真實反映景物的本來面目;(3)演算法結構，通過利用適當的數學方法設計能正確匹配所選擇基元的穩定演算法。

根據匹配基元的不同，立體視覺匹配演算法目前主要分為三大類,即區域匹配、相位匹配和特徵匹配:

基於區域灰度的匹配演算法是把一幅圖像(基準圖)中某一點的灰度鄰域作為模板，在另一幅圖像(待匹配圖)中搜索具有相同(或相似)灰度值分布的對應點鄰域，從而實現兩幅圖像的匹配。這類演算法的性能取決於度量演算法及搜索策略的選擇。另外，也必須考慮匹配窗口大小、形式的選擇，大窗口對於景物中存在的遮擋或圖像不光滑的情況會更多的出現誤匹配，小窗口則不具有足夠的灰度變化信息，不同的窗口形式對匹配信息也會有不同的影響。因此應該合理選取匹配區域的大小和形式來達到較好的匹配結果。

相位匹配是近二十年發展起來的一種匹配演算法，相位作為匹配基元，即認為圖像對中的對應點局部相位是一致的。最常用的相位匹配演算法有相位相關法和相位差——頻率法，雖然該方法是一種性能穩定、具有較強的抗輻射抗透視畸變能力、簡單高效、能得到稠密視差圖的特徵匹配方法。但是，當局部結構存在的假設不成立時，相位匹配演算法因帶通輸出信號的幅度太低而失去有效性，也就是通常提到的相位奇點問題，在相位奇點附近，相位信息對位置和頻率的變化極為敏感，因此用這些像素所確定的相位差異來衡量匹配誤差將導致極不可靠的結果。此外，相位匹配演算法的收斂范圍與帶通濾波器的波長有關，通常要考慮相位卷繞，在用相位差進行視差計算時，由於所採用的相位只是原信號某一帶通條件下的相位，故視差估計只能限制在某一限定范圍之內，隨視差范圍的增大，其精確性會有所下降。

基於特徵的圖像匹配方法是目前最常用的方法之一，由於它能夠將對整個圖像進行的各種分析轉化為對圖像特徵(特徵點、特徵曲線等)的分析的優點，從而大大減小了圖像處理過程的計算量，對灰度變化、圖像變形、噪音污染以及景物遮擋等都有較好的適應能力。

基於特徵的匹配方法是為使匹配過程滿足一定的抗噪能力且減少歧義性問題而提出來的。與基於區域的匹配方法不同，基於特徵的匹配方法是有選擇地匹配能表示景物自身特性的特徵，通過更多地強調空間景物的結構信息來解決匹配歧義性問題。這類方法將匹配的搜索范圍限制在一系列稀疏的特徵上。利用特徵間的距離作為度量手段，具有最小距離的特徵對就是最相近的特徵對，也就是匹配對。特徵間的距離度量有最大最小距離、歐氏距離等。

特徵點匹配演算法嚴格意義上可以分成特徵提取、特徵匹配和消除不良匹配點三步。特徵匹配不直接依賴於灰度，具有較強的抗干擾性。該類方法首先從待匹配的圖像中提取特徵，用相似性度量和一些約束條件確定幾何變換，最後將該變換作用於待匹配圖像。匹配中常用的特徵基元有角點、邊緣、輪廓、直線、顏色、紋理等。同時，特徵匹配演算法也同樣地存在著一些不足，主要表現為:

(l)特徵在圖像中的稀疏性決定了特徵匹配只能得到稀疏的視差場，要獲得密集的視差場必須通過使用插值的過程，插值過程通常較為復雜。

(2)特徵的提取和定位的准確與否直接影響特徵匹配結果的精確度。

(3)由於其應用場合的局限性，特徵匹配往往適用於具有特徵信息顯著的環境中，在缺少顯著主導特徵環境中該方法有很大困難。

總之，特徵匹配基元包含了演算法編程上的靈活性以及令人滿意的統計特性。演算法的許多約束條件均能清楚地應用於數據結構，而數據結構的規則性使得特徵匹配非常適用於硬體設計。例如，基於線段的特徵匹配演算法將場景模型描繪成相互聯結的邊緣線段，而不是區域匹配中的平面模型，因此能很好地處理一些幾何畸變問題，對對比度和明顯的光照變化等相對穩定。特徵匹配由於不直接依賴於灰度，計算量小，比基於區域的匹配演算法速度快的多。且由於邊緣特徵往往出現在視差不連續的區域，特徵匹配較易處理立體視覺匹配中的視差不連續問題。

② 信號去噪方法有那些

哪種信號啊？信號分老多種啦!
我對雷達較有研究給你我的論文看一下吧

常常借鑒地震資料處理的反褶積方法，將雷達記錄轉變為反射系數序列。然而由於地下介質的復雜性和各種雜訊的影響，常常反褶積對雜波與信號的分離並無改善；所以很多情況下應用效果並不理想。鑒於利用常規的探地雷達數據處理方法進行目標體資料分析，易受雜波干擾、波形混疊等等因素影響而導致應用解釋效果欠佳，因此對於探地雷達的數據處理方法仍有待於進一步深入研究。

在圖像和信號處理論域廣泛應用的小波變換，以及基於HHT變換的EMD分解等時頻分析方法，近年來在探地雷達數據處理中得到了重視。小波變換具有線性變換、多解析度分析、局部細化、可靈活選擇小波基等等優點，對瞬態非平穩信號或寬頻信號分析具有獨特之處，使得它非常適合於探地雷達脈沖信號的處理。而希爾伯特(換是提取信號瞬時參數的有效途徑，但它對信號的提取有條件要求；基於HHT變換的經驗模態分解，依據數據本身的信息進行分解，得到的固有模態函數信號是有限個且均滿足Hilbert變換對信號的提取條件，較之基於傳統的傅立葉變換的時頻分析方法，具有真正有意義的瞬時參數分析。

由於應用探地雷達的瞬時參數分析可以形成三個參數相互獨立的解釋剖面，從而比較全面的了解地下介質變化情況。但是瞬時參數易受雜訊影響，尤其是瞬時相位對雜訊干擾比較敏感。而城市環境中探地雷達探測信號干擾較多，同時由於工作條件的復雜多樣，有時直達波強度常常可與探測目標回波強度相比擬。由於直達波的消除不易，使得對目標的特徵識別、解釋以及空間定位比較困難。在進行處理時，雜波的移除是非常重要的部分。為此首先進行常規處理，主要是消除直達波強烈影響。簡單的做法是從實測的探地雷達記錄中直接消減直達波記錄；或者通過選擇合理的濾波參數，採用移動平均濾波器或中值濾波器消減直達波；

在此基礎上，採用小波變換方法對探地雷達數據進行降噪分析處理。從效果上講，以Donoho的閥值去噪方法最為突出。這里利用Mallat提出的多解析度分析的概念和正交小波快速演算法（Mallat演算法），假定雜訊信號廣泛分布在各個尺度且幅值相對較小，通過正交變換，將信號能量集中在某些頻帶的少數幅值相對較大系數上。為了數據處理方便，藉助Matlab提供的方便而強大的計算及可視化工具，利用Matlab的小波工具箱函數，只須應用簡單的信號處理知識和編程技能，就可以通過Matlab編程進行小波閥值估計，給予其它頻帶上的小波系數較小的權重或者置零，從而達到有效抑制雜訊的目的。總的來說，應用小波變換處理可以有效地消除各種雜訊干擾，從而更清楚有效地顯示目標層位。

通過上述數據處理過程，避免了在雜訊干擾情況下直接進行經驗模態分解較難獲得良好的分解效果的問題。由於希爾伯特－黃（HHT）變換具有一定的雜訊分解能力，不同尺度的雜訊被分離到不同的固有模態函數，使得雜訊對信號的影響減小，從而信號特徵的提取的有效性和信號分解的精度都有了提高。通過對經驗模態分解得到的IMF信號進行變換，獲得瞬時頻率、瞬時相位、瞬時振幅等瞬時參數，其中瞬時頻率可以較好的探測地下介質的形狀和性質的變化；瞬時相位可有效的探測地下介質的連續性並且與信號振幅無關，可以更好的分析深層信號特徵；瞬時振幅反映了信號能量的變化，可以推測地下介質性質的變化。

綜上所述，根據探地雷達信號的特點，通過試驗和研究，首先去除直達波等干擾，並利用小波變換具有良好的時頻分析特性進行信號去噪，再利用希爾伯特－黃（HHT）變換得到瞬時頻率、瞬時相位、瞬時振幅等瞬時參數，形成多個參數剖面，可以多角度多方面的分析探地雷達剖面並易於給出合理的地質解釋。因此，在探地雷達信號去噪基礎上，基於EMD分解的瞬時參數分析在探地雷達數據處理中具有很好的應用前景。

③ 雜訊估計的方法

介紹幾種常見的單通道雜訊估計演算法。雜訊估計主要基於以下三個現象。
(1)在音頻信號中，閉塞因閉合段頻譜能量趨於0或者接近雜訊水平。雜訊在頻譜上分布不均勻，不同的頻帶具有不同的SNR.對於任意類型雜訊，只要該頻帶無語音的概率很高或者SNR很低，則可以估計/更新該頻帶的雜訊譜，這類思想是遞歸平均雜訊估計演算法(the recursive-averaging type of noise-estimation algorithms)的支撐點。

(2)即使在語音活動的區域，帶噪語音信號在單個頻帶的功率通常會衰減到雜訊的功率水平，我們因此可以追蹤在短時窗內（0.4~1s）帶噪語音譜每個頻帶的最小值，實現各個頻帶雜訊的估計。該現象是最小值跟蹤演算法（the minima-tracking algorithms）的支撐點。

(3)每個頻帶能量的直方圖揭示了一個理論：出現頻次最高的值對應頻帶的雜訊水平。有時譜能量直方圖有兩種模式：1）低能量對應無聲段、語音的低能量段;2）高能量模式對應（noisy）語音的濁音段。低能量成分大於高能量成分。

因而總結出三類雜訊估計演算法

1、遞歸平均雜訊演算法

2、最小值跟蹤演算法
3、直方圖雜訊估計演算法

④ 減少雜訊的匹配濾波演算法

（1）傳統匹配濾波演算法

Rickett et al.（2001）給出了匹配濾波簡要的公式及運算元長度設計標准，本節給出了更為詳細的匹配 濾波公式，並給出推導公式基本條件和結果。

設同一地區不同時期Y1，Y2得到的地震數據分別為G^Y1（t），G^Y2（t），取Y1年份的地震記錄為參

考地震道，使Y2年份相應的地震記錄與之匹配。選取歸一化運算元p使得目標泛函：

海上時移地震油藏監測技術

極小。最終得到關於求解匹配濾波器｛P（m），m＝1，2，…，L｝的L個方程的方程組：

海上時移地震油藏監測技術

為意義更明確，對上面的公式進一步簡化，令

海上時移地震油藏監測技術

上兩式中：R_Y2Y2（m－n）為時間延遲為m－n的時期Y2地震記錄在設計窗口中的自相關；R_Y1Y2（n）為時間延遲為n的時期Y1與時期Y2地震記錄在設計窗口中的互相關，於是方程（4.8）可以進一步寫成：

海上時移地震油藏監測技術

求解方程組（4.11）得到匹配濾波器運算元｛P（m），m＝1，2，…，L｝，用

海上時移地震油藏監測技術

校正相應的地震剖面。通過實際數據處理結果驗證了上述推導的正確性和方法的有效性。

方程（4.11）寫成矩陣形式：

海上時移地震油藏監測技術

式中：M為時期Y2地震記錄在設計窗口中的自相關序列組成的Toeplitz矩陣，R為時期Y1與時期Y2地 震記錄在設計窗口中的互相關序列向量。求解方程（4.13）可採用Levinson遞推演算法，計算效率高。

為了減少噪音的影響，通常引入阻尼項，方程（4.13）變為

海上時移地震油藏監測技術

式中：μ為很小的數，通常為可設為0.01或0.001。

實際應用中，可以發現式（4.13）受雜訊的影響很大，不穩定。雖然加入阻尼項後結果有所改善，但 如何選取合適阻尼因子又是一個難題。為此推導新的匹配濾波表達形式，尋求更穩健的求解方法。

（2）新匹配濾波公式

同樣設同一地區不同時期Y1，Y2得到的地震數據分別為G^Y1（t），G^Y2（t），取Y1年份的地震記錄 為參考地震道，使Y2年份相應的地震記錄與之匹配。則匹配過程可描述為

海上時移地震油藏監測技術

其中M為G^Y2組成的褶積矩陣。如果設地震道的采樣點數為n，設計濾波器f長度為m，M則為（2×n－1）×m矩陣，為保持矩陣維數相同，一種方法是將G^Y1後面補零為（2×n－1）×1向量，另一種方法是取 矩陣M的前n×m項。如果採用第一種方法，可以驗證得到的公式與（4.13）式相同。在此採用後一種方 法，得到新的匹配濾波方程。只要設計濾波器f足夠長，總能滿足能量差e（f）最小，根據范數定義：

海上時移地震油藏監測技術

求解能量差e（f）最小問題可轉化為

海上時移地震油藏監測技術

即對濾波因子向量求導，最終可歸結為求解線性方程：

海上時移地震油藏監測技術

如果記A＝M^TM，b＝M^TG^Y1，方程（4.18）轉化為

海上時移地震油藏監測技術

（4.19）式形式上與（4.13）式類似，內容不同，不再是Toeplitz矩陣，因此不能應用Levinson遞推演算法求解。因此，引入奇異值分解方法求解方程（4.19）。

（3）基於奇異值分解的匹配濾波演算法

矩陣的奇異值分解，是矩陣計算中一套很有用的技術。它可以有效地處理系數矩陣是奇異的或者接 近奇異的方程組。對於矩陣A，如果A∈R^m×n，並且A的秩為r，總有

海上時移地震油藏監測技術

其中， V為正交陣。 ，並且 為A 的奇異值。

公式（4.20）即為矩陣A的奇異值分解，根據正交矩陣的性質：

海上時移地震油藏監測技術

很容易表示出矩陣A的逆矩陣

海上時移地震油藏監測技術

將式（4.22）帶入式（4.19）中，得到濾波因子的表達式為

海上時移地震油藏監測技術

實際計算中，當A是奇異陣出現奇異值，或A接近奇異或病態矩陣時，（4.23）式的計算過程就無法進行。這時可將出現的奇異項 （σ_k是零，或者數值很小）簡單地替換成零或很小的常數，通過這種方法能得 到方程穩定的解。

對於實際含有雜訊的信號，信號能量主要分布在奇異值大的分量上，因此去除小奇異值同時能消除 雜訊影響。通常可選取某一能量百分比的奇異值作為去除的閾值，以這種方式既能克服A接近奇異或病 態矩陣的影響，又能減小雜訊的影響，使濾波因子穩健。

（4）模擬數據驗證

模擬得到一組存在時間、振幅、頻率、相位差異的信號，作為基測線與監測測線地震道，對監測測 線地震道加入不同比例的隨機雜訊，組成驗正演算法有效性的數據體，如圖4.10所示。分別用傳統的匹配 濾波方法和重新推導的基於奇異值分解的匹配濾波方法進行匹配處理，比較匹配後基測線與監測測線振 幅差異，結果見圖4.11和圖4.12。可以看出，傳統匹配濾波公式的計算結果受雜訊的影響很大，而基於 奇異值分解的匹配濾波方法具有很好的抗雜訊能力。

圖4.10 模擬地震記錄（從上至下依次為加入0％，10％，20％，30％雜訊的信號）

圖4.11 傳統方法匹配結果

圖4.12 基於奇異值分解方法匹配結果

（5）實際數據驗證

選擇一塊同一地區兩次不同時間測得的兩條二維測線；選取油藏上方時間長度為300ms的窗口作為 濾波因子設計窗口，並以抽取其中139道構成驗證互均衡演算法的數據體（圖4.13，圖4.14）。分別採用 傳統匹配濾波公式與基於奇異值分解的匹配濾波兩種方法進行校正。比較差異剖面的平均能量，結果見 圖4.15。從圖中可知基於奇異值分解的匹配濾波方法具有更好的抗雜訊能力，匹配誤差遠小於傳統匹配 濾波。

圖4.13 某地區時間1地震記錄

圖4.14 某地區時間2地震記錄

圖4.15 兩種匹配方法結果誤差能量對比圖

本節推導了新的匹配濾波方程，提出基於奇異值分解的匹配濾波演算法，理論和實際數據都驗證了該 方法有效性。這里從計算精度上比較兩種匹配濾波演算法，實際處理時移地震數據時還要考慮計算時間，此時尋求快速的奇異值分解演算法是一種提高處理效率的方式，另外針對不同信噪比，將傳統匹配濾波算 法與基於奇異值分解的匹配濾波演算法結合應用同樣是一種很好的方式。總之，基於奇異值分解的匹配濾 波提高了匹配精度，有利於為時移地震解釋提供一致性更好的地震資料。

⑤ 自動跟蹤的跟蹤演算法

質心跟蹤演算法：這種跟蹤方式用於跟蹤有界目標，且目標與環境相比有明顯不同灰度等級，如空中飛機等。目標完全包含在鏡頭視場范圍內。

相關跟蹤演算法：相關可用來跟蹤多種類型的目標，當跟蹤目標無邊界且動態不是很強時這種方式非常有效。典型應用於：目標在近距離的范圍，且目標擴展到鏡頭視場范圍外，如航行在大海中的一艘船。

相位相關演算法：相位相關演算法是非常通用的演算法，既可以用來跟蹤無界目標也可以用來跟蹤有界目標。在復雜環境下（如地面的汽車）能給出一個好的效果。

多目標跟蹤演算法：多目標跟蹤用於有界目標如飛機、地面汽車等。它們完全在跟蹤窗口內。對復雜環境里的小目標跟蹤，本演算法能給出一個較好的性能。
邊緣跟蹤演算法：當跟蹤目標有一個或多個確定的邊緣而同時卻又具有不確定的邊緣，這時邊緣跟蹤是最有效的演算法。典型如火箭發射，它有確定好的前邊緣，但尾邊緣由於噴氣而不定。

場景鎖定演算法：該演算法專門用於復雜場景的跟蹤。適合於空對地和地對地場景。這個演算法跟蹤場景中的多個目標，然後依據每個點的運動，從而估計整個場景全局運動，場景中的目標和定位是自動選擇的。當存在跟蹤點移動到攝像機視場外時，新的跟蹤點能自動被標識。瞄準點初始化到場景中的某個點，跟蹤啟動，同時定位瞄準線。在這種模式下，能連續跟蹤和報告場景里的目標的位置。

組合跟蹤演算法：顧名思義這種跟蹤方式是兩種具有互補特性的跟蹤演算法的組合：相關類演算法 + 質心類演算法。它適合於目標尺寸、表面、特徵改變很大的場景。