相位相关算法噪声

① 双目视觉的匹配算法是不是有好几种具体是哪几种

与普通的图像模板匹配不同的是，立体匹配是通过在两幅或多幅存在视点差异、几何畸变、灰度畸变、噪声干扰的图像对之间进行的，不存在任何标准模板进行匹配。立体匹配方法一般包含以下三个问题:(1)基元的选择，即选择适当的图像特征如点、直线、相位等作为匹配基元;(2)匹配的准则，将关于物理世界的某些固有特征表示为匹配所必须遵循的若干规则，使匹配结果能真实反映景物的本来面目;(3)算法结构，通过利用适当的数学方法设计能正确匹配所选择基元的稳定算法。

根据匹配基元的不同，立体视觉匹配算法目前主要分为三大类,即区域匹配、相位匹配和特征匹配:

基于区域灰度的匹配算法是把一幅图像(基准图)中某一点的灰度邻域作为模板，在另一幅图像(待匹配图)中搜索具有相同(或相似)灰度值分布的对应点邻域，从而实现两幅图像的匹配。这类算法的性能取决于度量算法及搜索策略的选择。另外，也必须考虑匹配窗口大小、形式的选择，大窗口对于景物中存在的遮挡或图像不光滑的情况会更多的出现误匹配，小窗口则不具有足够的灰度变化信息，不同的窗口形式对匹配信息也会有不同的影响。因此应该合理选取匹配区域的大小和形式来达到较好的匹配结果。

相位匹配是近二十年发展起来的一种匹配算法，相位作为匹配基元，即认为图像对中的对应点局部相位是一致的。最常用的相位匹配算法有相位相关法和相位差——频率法，虽然该方法是一种性能稳定、具有较强的抗辐射抗透视畸变能力、简单高效、能得到稠密视差图的特征匹配方法。但是，当局部结构存在的假设不成立时，相位匹配算法因带通输出信号的幅度太低而失去有效性，也就是通常提到的相位奇点问题，在相位奇点附近，相位信息对位置和频率的变化极为敏感，因此用这些像素所确定的相位差异来衡量匹配误差将导致极不可靠的结果。此外，相位匹配算法的收敛范围与带通滤波器的波长有关，通常要考虑相位卷绕，在用相位差进行视差计算时，由于所采用的相位只是原信号某一带通条件下的相位，故视差估计只能限制在某一限定范围之内，随视差范围的增大，其精确性会有所下降。

基于特征的图像匹配方法是目前最常用的方法之一，由于它能够将对整个图像进行的各种分析转化为对图像特征(特征点、特征曲线等)的分析的优点，从而大大减小了图像处理过程的计算量，对灰度变化、图像变形、噪音污染以及景物遮挡等都有较好的适应能力。

基于特征的匹配方法是为使匹配过程满足一定的抗噪能力且减少歧义性问题而提出来的。与基于区域的匹配方法不同，基于特征的匹配方法是有选择地匹配能表示景物自身特性的特征，通过更多地强调空间景物的结构信息来解决匹配歧义性问题。这类方法将匹配的搜索范围限制在一系列稀疏的特征上。利用特征间的距离作为度量手段，具有最小距离的特征对就是最相近的特征对，也就是匹配对。特征间的距离度量有最大最小距离、欧氏距离等。

特征点匹配算法严格意义上可以分成特征提取、特征匹配和消除不良匹配点三步。特征匹配不直接依赖于灰度，具有较强的抗干扰性。该类方法首先从待匹配的图像中提取特征，用相似性度量和一些约束条件确定几何变换，最后将该变换作用于待匹配图像。匹配中常用的特征基元有角点、边缘、轮廓、直线、颜色、纹理等。同时，特征匹配算法也同样地存在着一些不足，主要表现为:

(l)特征在图像中的稀疏性决定了特征匹配只能得到稀疏的视差场，要获得密集的视差场必须通过使用插值的过程，插值过程通常较为复杂。

(2)特征的提取和定位的准确与否直接影响特征匹配结果的精确度。

(3)由于其应用场合的局限性，特征匹配往往适用于具有特征信息显着的环境中，在缺少显着主导特征环境中该方法有很大困难。

总之，特征匹配基元包含了算法编程上的灵活性以及令人满意的统计特性。算法的许多约束条件均能清楚地应用于数据结构，而数据结构的规则性使得特征匹配非常适用于硬件设计。例如，基于线段的特征匹配算法将场景模型描绘成相互联结的边缘线段，而不是区域匹配中的平面模型，因此能很好地处理一些几何畸变问题，对对比度和明显的光照变化等相对稳定。特征匹配由于不直接依赖于灰度，计算量小，比基于区域的匹配算法速度快的多。且由于边缘特征往往出现在视差不连续的区域，特征匹配较易处理立体视觉匹配中的视差不连续问题。

② 信号去噪方法有那些

哪种信号啊？信号分老多种啦!
我对雷达较有研究给你我的论文看一下吧

常常借鉴地震资料处理的反褶积方法，将雷达记录转变为反射系数序列。然而由于地下介质的复杂性和各种噪声的影响，常常反褶积对杂波与信号的分离并无改善；所以很多情况下应用效果并不理想。鉴于利用常规的探地雷达数据处理方法进行目标体资料分析，易受杂波干扰、波形混叠等等因素影响而导致应用解释效果欠佳，因此对于探地雷达的数据处理方法仍有待于进一步深入研究。

在图像和信号处理论域广泛应用的小波变换，以及基于HHT变换的EMD分解等时频分析方法，近年来在探地雷达数据处理中得到了重视。小波变换具有线性变换、多分辨率分析、局部细化、可灵活选择小波基等等优点，对瞬态非平稳信号或宽带信号分析具有独特之处，使得它非常适合于探地雷达脉冲信号的处理。而希尔伯特(换是提取信号瞬时参数的有效途径，但它对信号的提取有条件要求；基于HHT变换的经验模态分解，依据数据本身的信息进行分解，得到的固有模态函数信号是有限个且均满足Hilbert变换对信号的提取条件，较之基于传统的傅立叶变换的时频分析方法，具有真正有意义的瞬时参数分析。

由于应用探地雷达的瞬时参数分析可以形成三个参数相互独立的解释剖面，从而比较全面的了解地下介质变化情况。但是瞬时参数易受噪声影响，尤其是瞬时相位对噪声干扰比较敏感。而城市环境中探地雷达探测信号干扰较多，同时由于工作条件的复杂多样，有时直达波强度常常可与探测目标回波强度相比拟。由于直达波的消除不易，使得对目标的特征识别、解释以及空间定位比较困难。在进行处理时，杂波的移除是非常重要的部分。为此首先进行常规处理，主要是消除直达波强烈影响。简单的做法是从实测的探地雷达记录中直接消减直达波记录；或者通过选择合理的滤波参数，采用移动平均滤波器或中值滤波器消减直达波；

在此基础上，采用小波变换方法对探地雷达数据进行降噪分析处理。从效果上讲，以Donoho的阀值去噪方法最为突出。这里利用Mallat提出的多分辨率分析的概念和正交小波快速算法（Mallat算法），假定噪声信号广泛分布在各个尺度且幅值相对较小，通过正交变换，将信号能量集中在某些频带的少数幅值相对较大系数上。为了数据处理方便，借助Matlab提供的方便而强大的计算及可视化工具，利用Matlab的小波工具箱函数，只须应用简单的信号处理知识和编程技能，就可以通过Matlab编程进行小波阀值估计，给予其它频带上的小波系数较小的权重或者置零，从而达到有效抑制噪声的目的。总的来说，应用小波变换处理可以有效地消除各种噪声干扰，从而更清楚有效地显示目标层位。

通过上述数据处理过程，避免了在噪声干扰情况下直接进行经验模态分解较难获得良好的分解效果的问题。由于希尔伯特－黄（HHT）变换具有一定的噪声分解能力，不同尺度的噪声被分离到不同的固有模态函数，使得噪声对信号的影响减小，从而信号特征的提取的有效性和信号分解的精度都有了提高。通过对经验模态分解得到的IMF信号进行变换，获得瞬时频率、瞬时相位、瞬时振幅等瞬时参数，其中瞬时频率可以较好的探测地下介质的形状和性质的变化；瞬时相位可有效的探测地下介质的连续性并且与信号振幅无关，可以更好的分析深层信号特征；瞬时振幅反映了信号能量的变化，可以推测地下介质性质的变化。

综上所述，根据探地雷达信号的特点，通过试验和研究，首先去除直达波等干扰，并利用小波变换具有良好的时频分析特性进行信号去噪，再利用希尔伯特－黄（HHT）变换得到瞬时频率、瞬时相位、瞬时振幅等瞬时参数，形成多个参数剖面，可以多角度多方面的分析探地雷达剖面并易于给出合理的地质解释。因此，在探地雷达信号去噪基础上，基于EMD分解的瞬时参数分析在探地雷达数据处理中具有很好的应用前景。

③ 噪声估计的方法

介绍几种常见的单通道噪声估计算法。噪声估计主要基于以下三个现象。
(1)在音频信号中，闭塞因闭合段频谱能量趋于0或者接近噪声水平。噪声在频谱上分布不均匀，不同的频带具有不同的SNR.对于任意类型噪声，只要该频带无语音的概率很高或者SNR很低，则可以估计/更新该频带的噪声谱，这类思想是递归平均噪声估计算法(the recursive-averaging type of noise-estimation algorithms)的支撑点。

(2)即使在语音活动的区域，带噪语音信号在单个频带的功率通常会衰减到噪声的功率水平，我们因此可以追踪在短时窗内（0.4~1s）带噪语音谱每个频带的最小值，实现各个频带噪声的估计。该现象是最小值跟踪算法（the minima-tracking algorithms）的支撑点。

(3)每个频带能量的直方图揭示了一个理论：出现频次最高的值对应频带的噪声水平。有时谱能量直方图有两种模式：1）低能量对应无声段、语音的低能量段;2）高能量模式对应（noisy）语音的浊音段。低能量成分大于高能量成分。

因而总结出三类噪声估计算法

1、递归平均噪声算法

2、最小值跟踪算法
3、直方图噪声估计算法

④ 减少噪声的匹配滤波算法

（1）传统匹配滤波算法

Rickett et al.（2001）给出了匹配滤波简要的公式及算子长度设计标准，本节给出了更为详细的匹配 滤波公式，并给出推导公式基本条件和结果。

设同一地区不同时期Y1，Y2得到的地震数据分别为G^Y1（t），G^Y2（t），取Y1年份的地震记录为参

考地震道，使Y2年份相应的地震记录与之匹配。选取归一化算子p使得目标泛函：

海上时移地震油藏监测技术

极小。最终得到关于求解匹配滤波器｛P（m），m＝1，2，…，L｝的L个方程的方程组：

海上时移地震油藏监测技术

为意义更明确，对上面的公式进一步简化，令

海上时移地震油藏监测技术

上两式中：R_Y2Y2（m－n）为时间延迟为m－n的时期Y2地震记录在设计窗口中的自相关；R_Y1Y2（n）为时间延迟为n的时期Y1与时期Y2地震记录在设计窗口中的互相关，于是方程（4.8）可以进一步写成：

海上时移地震油藏监测技术

求解方程组（4.11）得到匹配滤波器算子｛P（m），m＝1，2，…，L｝，用

海上时移地震油藏监测技术

校正相应的地震剖面。通过实际数据处理结果验证了上述推导的正确性和方法的有效性。

方程（4.11）写成矩阵形式：

海上时移地震油藏监测技术

式中：M为时期Y2地震记录在设计窗口中的自相关序列组成的Toeplitz矩阵，R为时期Y1与时期Y2地 震记录在设计窗口中的互相关序列向量。求解方程（4.13）可采用Levinson递推算法，计算效率高。

为了减少噪音的影响，通常引入阻尼项，方程（4.13）变为

海上时移地震油藏监测技术

式中：μ为很小的数，通常为可设为0.01或0.001。

实际应用中，可以发现式（4.13）受噪声的影响很大，不稳定。虽然加入阻尼项后结果有所改善，但 如何选取合适阻尼因子又是一个难题。为此推导新的匹配滤波表达形式，寻求更稳健的求解方法。

（2）新匹配滤波公式

同样设同一地区不同时期Y1，Y2得到的地震数据分别为G^Y1（t），G^Y2（t），取Y1年份的地震记录 为参考地震道，使Y2年份相应的地震记录与之匹配。则匹配过程可描述为

海上时移地震油藏监测技术

其中M为G^Y2组成的褶积矩阵。如果设地震道的采样点数为n，设计滤波器f长度为m，M则为（2×n－1）×m矩阵，为保持矩阵维数相同，一种方法是将G^Y1后面补零为（2×n－1）×1向量，另一种方法是取 矩阵M的前n×m项。如果采用第一种方法，可以验证得到的公式与（4.13）式相同。在此采用后一种方 法，得到新的匹配滤波方程。只要设计滤波器f足够长，总能满足能量差e（f）最小，根据范数定义：

海上时移地震油藏监测技术

求解能量差e（f）最小问题可转化为

海上时移地震油藏监测技术

即对滤波因子向量求导，最终可归结为求解线性方程：

海上时移地震油藏监测技术

如果记A＝M^TM，b＝M^TG^Y1，方程（4.18）转化为

海上时移地震油藏监测技术

（4.19）式形式上与（4.13）式类似，内容不同，不再是Toeplitz矩阵，因此不能应用Levinson递推算法求解。因此，引入奇异值分解方法求解方程（4.19）。

（3）基于奇异值分解的匹配滤波算法

矩阵的奇异值分解，是矩阵计算中一套很有用的技术。它可以有效地处理系数矩阵是奇异的或者接 近奇异的方程组。对于矩阵A，如果A∈R^m×n，并且A的秩为r，总有

海上时移地震油藏监测技术

其中， V为正交阵。 ，并且 为A 的奇异值。

公式（4.20）即为矩阵A的奇异值分解，根据正交矩阵的性质：

海上时移地震油藏监测技术

很容易表示出矩阵A的逆矩阵

海上时移地震油藏监测技术

将式（4.22）带入式（4.19）中，得到滤波因子的表达式为

海上时移地震油藏监测技术

实际计算中，当A是奇异阵出现奇异值，或A接近奇异或病态矩阵时，（4.23）式的计算过程就无法进行。这时可将出现的奇异项 （σ_k是零，或者数值很小）简单地替换成零或很小的常数，通过这种方法能得 到方程稳定的解。

对于实际含有噪声的信号，信号能量主要分布在奇异值大的分量上，因此去除小奇异值同时能消除 噪声影响。通常可选取某一能量百分比的奇异值作为去除的阈值，以这种方式既能克服A接近奇异或病 态矩阵的影响，又能减小噪声的影响，使滤波因子稳健。

（4）模拟数据验证

模拟得到一组存在时间、振幅、频率、相位差异的信号，作为基测线与监测测线地震道，对监测测 线地震道加入不同比例的随机噪声，组成验正算法有效性的数据体，如图4.10所示。分别用传统的匹配 滤波方法和重新推导的基于奇异值分解的匹配滤波方法进行匹配处理，比较匹配后基测线与监测测线振 幅差异，结果见图4.11和图4.12。可以看出，传统匹配滤波公式的计算结果受噪声的影响很大，而基于 奇异值分解的匹配滤波方法具有很好的抗噪声能力。

图4.10 模拟地震记录（从上至下依次为加入0％，10％，20％，30％噪声的信号）

图4.11 传统方法匹配结果

图4.12 基于奇异值分解方法匹配结果

（5）实际数据验证

选择一块同一地区两次不同时间测得的两条二维测线；选取油藏上方时间长度为300ms的窗口作为 滤波因子设计窗口，并以抽取其中139道构成验证互均衡算法的数据体（图4.13，图4.14）。分别采用 传统匹配滤波公式与基于奇异值分解的匹配滤波两种方法进行校正。比较差异剖面的平均能量，结果见 图4.15。从图中可知基于奇异值分解的匹配滤波方法具有更好的抗噪声能力，匹配误差远小于传统匹配 滤波。

图4.13 某地区时间1地震记录

图4.14 某地区时间2地震记录

图4.15 两种匹配方法结果误差能量对比图

本节推导了新的匹配滤波方程，提出基于奇异值分解的匹配滤波算法，理论和实际数据都验证了该 方法有效性。这里从计算精度上比较两种匹配滤波算法，实际处理时移地震数据时还要考虑计算时间，此时寻求快速的奇异值分解算法是一种提高处理效率的方式，另外针对不同信噪比，将传统匹配滤波算 法与基于奇异值分解的匹配滤波算法结合应用同样是一种很好的方式。总之，基于奇异值分解的匹配滤 波提高了匹配精度，有利于为时移地震解释提供一致性更好的地震资料。

⑤ 自动跟踪的跟踪算法

质心跟踪算法：这种跟踪方式用于跟踪有界目标，且目标与环境相比有明显不同灰度等级，如空中飞机等。目标完全包含在镜头视场范围内。

相关跟踪算法：相关可用来跟踪多种类型的目标，当跟踪目标无边界且动态不是很强时这种方式非常有效。典型应用于：目标在近距离的范围，且目标扩展到镜头视场范围外，如航行在大海中的一艘船。

相位相关算法：相位相关算法是非常通用的算法，既可以用来跟踪无界目标也可以用来跟踪有界目标。在复杂环境下（如地面的汽车）能给出一个好的效果。

多目标跟踪算法：多目标跟踪用于有界目标如飞机、地面汽车等。它们完全在跟踪窗口内。对复杂环境里的小目标跟踪，本算法能给出一个较好的性能。
边缘跟踪算法：当跟踪目标有一个或多个确定的边缘而同时却又具有不确定的边缘，这时边缘跟踪是最有效的算法。典型如火箭发射，它有确定好的前边缘，但尾边缘由于喷气而不定。

场景锁定算法：该算法专门用于复杂场景的跟踪。适合于空对地和地对地场景。这个算法跟踪场景中的多个目标，然后依据每个点的运动，从而估计整个场景全局运动，场景中的目标和定位是自动选择的。当存在跟踪点移动到摄像机视场外时，新的跟踪点能自动被标识。瞄准点初始化到场景中的某个点，跟踪启动，同时定位瞄准线。在这种模式下，能连续跟踪和报告场景里的目标的位置。

组合跟踪算法：顾名思义这种跟踪方式是两种具有互补特性的跟踪算法的组合：相关类算法 + 质心类算法。它适合于目标尺寸、表面、特征改变很大的场景。