編成像演算法

① 格雷弗聲學成像儀的成像演算法是什麼

格雷弗聲學成像儀擁有全球獨創的自適應OptinNav BF波束形成演算法。擁有40顆高靈敏度數字MEMS麥克風，可以看到噪音的來源。

② 2D傅立葉成像演算法

FOV是機器設定好的。FFT後把得到的圖像對應採集時設定的FOV大小就可以了。它不受FFT影響。

③ 微波成像的演算法

微波成像的演算法 很多，但由於散射場和散射體之間的非線性關系，以及電磁逆散射問題的解具有非唯一性和不穩定性的特徵，人們很難得到電磁逆散射問題的解析解；絕大多數情況下只能通過數值方法求解，而且只能從諸多解中選擇一個最優的解作為最終解。
微波成像的各種演算法層出不窮，包括早期的X射線透射層析法，特徵線法，波前追蹤法，量子力學方法，散射層析法，伯恩迭代法等等。
上述演算法主要集中在頻域處理范圍內，隨著時域微波成像的不斷完善、時域脈沖源技術的不斷發展，時域成像技術發展迅速，成為熱門的研究方向。
根據微波成像的固有特點：非唯一性、不穩定性、非線性關系，許多學者開始引入處理全域優化問題的最有力的數值方法——遺傳演算法，來處理微波成像問題。

④ MATLAB編程 二維三維物體菲涅爾計算全息成像

x=dhx.*(ones(N,1)*[-M/2:M/2-1]); % 圖像水平向右為x軸，圖面網格點的x坐標集合
y=(dhy.*(ones(N,1)*[-M/2:M/2-1]))'; %圖像豎直向下為y軸，圖面網格點的y坐標集合
小哥，你的fresnel函數能給出來嗎？不然後面就沒法看啊！

⑤ 基於FFT的成像演算法是什麼matlab的

我最近正好在研究這個問題，請問你要對什麼成像？

⑥ bp成像演算法最後的成像中有多個像是什麼原因

首先對於數據進行歸一化，我就不用matlab裡面的代碼了
maxP = max(max(p));
p = p';
Input = p(:, 1:4)./maxP;
Target = p(:, 2:5)./maxP;

netP = newff(Input, Target, 10);
netP = train(netP, Input, Target);

上面這個神經網路預測下一年的P值

P09_13 = zeros(6, 5)
for i = 1:5
if i == 1
P09_13(:, i) = sim(net, p(:, 5));
else
P09_13(:, i) = sim(net, P09_13(:, i-1));
end
end

以上得到09-13年預測出來的p值

下面求p-t之間的關系
Input = p./maxP;
Target =t./maxP;

net = newff(Input, Target, 10);
net = train(net, Input, Target);
以上代碼求出了p-t對應關系
preliminaryResult = zeros(1, 5);
for i = 1:5
preliminaryResult = sim(net, P09_13(:, i));
end

result = preliminaryResult.*maxP;

result裡面是09-13年預測出來的房價。

我沒給你實際跑這個程序，明天就交論文你這個點求助我就不說你什麼了。

⑦ 如何用matlab實現SAR成像中SVA演算法的編寫

第一步是個正問題，主要由硬體完成，第二步是個逆問題，主要由軟體完成。
第一個問題的輸入f0(x)是地面目標的理想函數，其與發射信號p(t)的聯合起來之後得到輸c出：回波信號s(t)。
第二個問題的輸入是s(t)，通過與p∗(−t)匹配濾波，得到輸出f(x)。這個輸出就是我們想要的。如何得到f(x)就是我們的核心問題。
理想情況下f(x)=f0(x)，這意味著我們得到了地面目標函數，也即是我們的影像完全真實地反映了地面的情況。但是，這是不可能實現的。不過，通過合理地解這個逆問題，使得f(x)接近f0(x)是成像的關鍵問題，也是我們不斷努力的目標。

⑧ 920T成像演算法問題

Hi.您可以重新啟動手機,進入相機拍攝圖片嘗試,如可以正常顯示,請先卸載Nokia 專業拍攝,重新進入應用商店搜索下載嘗試。如出現相同的情況,您可以進入手機設置-應用程序-照片+相機-重置相機,如仍出現相同的情況,請備份手機中的重要資料,進入設置-關於-重置手機。

⑨ sarfft成像演算法是什麼演算法

雷達成像基於目標的散射點模型.雷達通常發射長時寬的線頻調(chirp)信號，然後用參考信號對回波作解線頻調(dechirp)處理，再將解線頻調的回波作橫向排列，則在一定條件下它可近似為二維正弦信號模型，通過二維傅里葉變換，可以重構目標的二維像；採用超分辨演算法［1～3］，還可得到更精細的二維目標像.
應當指出，上述二維模型是假設散射點在成像期間不發生超越分辨單元走動，近似認為散射點的移動隻影響回波的相移，而子回波包絡則固定不變.這種近似，只適用於小觀察角時參考點附近有限小尺寸目標成像.
如果目標較大，特別是在離參考點較遠處，越分辨單元移動(MTRC)便會發生，從而使得用簡單二維模型獲得的圖像模糊.傳統解決的方法是按目標轉動用極坐標-直角坐標插值.插值不可避免地會有誤差，而超分辨演算法通常基於參數化估計，對誤差較為敏感，這會影響成像質量.
本文介紹一種近似度較高的二維模型，並利用該模型通過超分辨演算法成像，可獲得較好的結果.
二、維回波模型
設目標有K個散射點，雷達以平面波自下向上照射目標(圖1).目標以參考點為原點相對雷達射線轉動，經過N次脈沖發射，散射點Pk點移至P′k點，移動中第n次脈沖時該散射點的垂直坐標為：
ykn=yk+Δykn=xksin(nδθ)+ykcos(nδθ),n=0,1,…,N-1(1)
式中δθ為相鄰脈沖的轉角，總觀測角Δθ=(N-1)δθ.考慮到雷達發射的是長時寬的線頻調信號，以原點為參考作解線頻調處理，並對信號以 的頻率采樣，得目標的回波信號(離散形式)為：
(2)
式中Ak為第k個散射點子回波信號的復振幅;fc、γ分別是雷達載頻和調頻率，c為光速；e(m,n)為加性雜訊.

圖1二維雷達目標幾何圖
由於觀測角Δθ很小，取近似sin(nδθ)≈nδθ和cos(nδθ)≈1，則式(2)可近似寫成:
(3)
式中
式(3)指數項中的第三項是時頻耦合項，它是線頻調信號(其模糊函數為斜橢圓)所特有的，如果採用窄脈沖發射，則該項不存在.將該項忽略，則式(3)成為常用的回波二維正弦信號模型.
實際上，式(3)的第三項系「距離移動」項，它與散射點的橫坐標xk成正比，目標區域大時必須考慮，而且這還遠遠不夠，散射點的多普勒移動也必須考慮.為此，令sin(nδθ)≈nδθ和cos(nδθ)≈1-(nδθ)2/2，則式(2)較精確的近似式可寫成：
(4)
式(4)與式(3)相比較，指數中增加了兩項，其中前一項是「多普勒移動」項，縱坐標yk越大，影響也越大，這可以補充式(3)之不足；而後項是時頻耦合的多普勒移動項，由於Mγ/Fslt;lt;fc，它的影響可以忽略.因此，可將考慮MTRC情況下，回波二維模型的一階近似式寫成：
(5)
需要指出，每個散射點的參數之間存在下述關系：ωk/μk=2γ/Fsfcδθ2和 k/vk=fcFs/γδθ.由於雷達參數(fc,γ,Fs)和運動參數(δθ)均已知，所以待估計的五個參數中只有三個是獨立的.本文假設五個參數是獨立的，而在成像計算中已考慮參數之間的關系.
設{ξk}Kk=1≡{αk,ωk, k,μk,vk}Kk=1，現在我們要從y(m,n)中估計參量{ξk}Kk=1.
三、二維推廣的RELAX演算法
對於(5)式所示的信號模型，令：
Y=［y(m,n)］M×N
則 (6)
式中

設ξk估計值為 ，則ξk的估計問題可通過優化下述代價函數解決：
(7)
式中‖.‖F表示矩陣的Frobenius范數，⊙表示矩陣的Hadamard積.
上式中C1的最優化是一個多維空間的尋優問題，十分復雜.本文將RELAX［3］演算法推廣以求解.為此，首先做以下准備工作，令：
(8)
即假定{ i}i=1,2,…,K,i≠k已經求出，則式(7)C1的極小化等效於下式的極小化：
C2(ξk)=‖Yk-αk(aM(ωk)bTN( k)Pk)⊙Dk(vk)‖2F(9)
令：Zk=YkP-1k⊙Dk(-vk)(10)
由於Pk為酉矩陣，矩陣Dk的每個元素的模Dk(m,n)=1,顯然矩陣Yk與Zk的F范數相同，故C2的極小化等效於下式的極小化：
C3=‖Zk-αkaM(ωk)bTN( k)‖2F(11)
對上式關於αk求極小值就獲得αk的估計值 k：
k=aHM(ωk)Zkb*N( k)/(MN)(12)
從式(12)可以看出： 是Zk歸一化的二維離散傅里葉變換在{ωk, k}處的值，所以只要得到估計值{ k, k, k, k}，即可通過2D-FFT獲得 k.
將估計值 k代入式(11)後，估計值{ k, k, k, k}可由下式尋優得到：
(13)
由上式可見，對於固定的{μk,vk}取值,估計值{ k, k}為歸一化的周期圖aHM(ωk)Zkb*N( k)2/(MN)主峰處的二維頻率值.這樣，式(13)的優化問題歸結為：在(μk,vk)平面上可能的取值范圍內尋找一點{ k, k}，在該點處周期圖aHM(ωk)Zkb*N( k)2/(MN)的主峰值比其餘各點處的主峰值都大.所以，我們通過上述二維尋優獲得{μk,vk}的估計值{ k, k}，再由式(13)得到{ωk, k}的估計值{ k, k}.
實際中，為了加快運算速度，二維(μk,vk)平面的尋優可以用Matlab中的函數Fmin()實現.
在做了以上的准備工作以後，基於推廣的RELAX演算法的參量估計步驟如下：
第一步：假設信號數K=1,分別利用式(13)和式(12)計算 1.
第二步(2)：假設信號數K=2，首先將第一步計算所得到的 1代入式(8)求出Y2，再利用式(13)和式(12)計算 2；將計算的 2代入式(8)求出Y1，然後利用式(13)和式(12)重新計算 1，這個過程反復疊代，直至收斂.
第三步:假設信號數K=3,首先將第二步計算所得到的 1和 2代入式(8)求出Y3，再利用式(13)和式(12)計算 3；將計算的 3和 2代入式(8)求出Y1，然後利用式(13)和式(12)重新計算 1；將計算的 1和 3代入式(8)求出Y2，然後利用式(13)和式(12)重新計算 2，這個過程反復疊代，直至收斂.
剩餘步驟：令K=K+1,上述步驟持續進行，直到K等於待估計信號數.
上述過程中的收斂判據與RELAX演算法的收斂判據相同，即比較代價函數C1在兩次疊代過程中的變化值，如果這個變換值小於某個值，如ε=10-3，則認為過程收斂.
四、數值模擬
1.演算法參數估計性能模擬
模擬數據由式（5）產生，M=10,N=10，信號數K=2.信號參數和實驗條件如表1所示,為復高斯白雜訊.注意兩信號的頻率差小於FFT的解析度Δf=Δω/(2π)=0.1.表1給出了信號參數估計均方根誤差的統計結果及相應情形時的C-R界，可見，估計均方根誤差與CR界十分接近.另外表中還給出了估計均值，與真實值也非常接近.
表1二維信號的參數估計、CRB及與均方根差的比較

2.SAR成像模擬
雷達參數為：中心頻率f0=24.24GHz,調頻率γ=33.357×1011Hz/s,帶寬B=133.5MHz,脈沖寬度tp=40μs.四個點目標作正方形放置，間隔50米，左下角的點作為參考點.雷達與目標間隔1公里，觀察角Δθ=3.15，數據長度為128×128.採用FFT成像方法時，其縱向和橫向距離解析度為ρr=ρa=1.123米，防止MTRC現象發生所需的目標最大范圍為［4］：縱向尺寸Dr＜4ρ2r/λ=40米，橫向尺寸Da＜4ρ2a/λ=40米.採用常規超分辨方法時，目標尺寸Dr=Da＞10米則出現明顯的性能下降.圖2、圖3分別給出了RELAX方法及本文推廣的RELAX(Extended RELAX)演算法的成像結果.可以看出，由於目標遠離參考中心，已在橫向和縱向出現距離走動，採用常規超分辨的RELAX演算法產生圖像模糊，對於本文演算法，則得到基本正確的成像結果.圖4和圖5則比較了RELAX演算法和推廣的RELAX演算法的散射點強度估計結果，可以看到，RELAX演算法由於距離走動影響，散射點（除參考點以外）的強度降低.對於本文演算法，散射點強度接近真實值.

圖2距離走動誤差下的RELAX成像結果 圖3距離走動誤差下的

圖4RELAX方法估計的信號強度推廣RELAX成像結果 圖5推廣RELAX方法估計的信號強度
五、結束語
現有的雷達成像超分辨演算法是基於目標回波信號的二維正弦信號模型，所以僅適用於目標位於參考點附近很小區域時的情形.當目標遠離參考點時，模型誤差，特別是距離走動誤差，將使演算法性能嚴重下降或失效.為此，本文提出一種基於雷達成像近似二維模型的超分辨演算法,從而擴大了超分辨演算法的適用范圍.本文進一步的工作包括SAR實測數據成像及ISAR機動目標成像，結果將另文報道.
附 錄：參數估計的C-R界
下面我們給出式(5)所示的二維信號參量估計的C-R界表達式.同時假設式(5)中加性雜訊為零均值高斯色雜訊，其協方差矩陣未知.令：
y=vec(Y)(A.1)
e=vec(E)(A.2)
dk=vec(Dk)(A.3)
式中vec(X)=(xT1,xT2，…，xTN)T，向量xn(n=1,2,…,N)為矩陣X的列向量.我們將式(5)改寫為如下向量形式：
(A.4)
式中 表示Kronecker積,Ω=［{［P1bN( 1)］ aM(ω1)}⊙d1…{［PkbN( K)］ aM(ωK)}⊙dK］,α=(α1，α2，…，αK)T.
令Q=E(eeH)為e的協方差矩陣，則對於由式(A.4)所示的二維信號模型，其Fisher信息陣(FIM)的第ij個元素推廣的Slepian-Bangs公式為［5,6］:
(FIM)ij=tr(Q-1Q′iQ-1Q′j)+2Re［(αHΩH)′iQ-1(Ωα)′j］(A.5)
式中X′i表示矩陣X對第i個參數求導，tr(X)為矩陣的跡，Re(X)為矩陣的實部.由於Q與Ωα中的參量無關，而Ωα亦與Q的元素無關，顯然FIM為一塊對角陣.所以待估計參量的C-R界矩陣由(A.5)式的第二項得到.
令：η=(［Re(α)］T［Im(α)］TωT TμTvT)T(A.6)
式中ω=(ω1，ω2，…，ωK)T,μ=(μ1,μ2,…,μK)T, =( 1， 2，…， K)T,v=(v1,v2,…,vK)T.
令：F=［ΩjΩDωΘD ΘDμΘDvΘ］(A.7)
式中矩陣Dω、D 、Dμ、Dv的第k列分別為： ［{［PkbN( k)］ aM(ωk)}⊙dk］/ ωk、 ［{［PkbN( k)］ aM(ωk)}⊙dk］/ k、 ［{［PkbN( k)］ aM(ωk)}⊙dk］/ μk、 ［{［PkbN( k)］ aM(ωk)}⊙dk］/ vk，Θ=diag{α1α2…αK}.則關於參量向量η的CRB矩陣為
CRB(η)=［2Re(FHQ-1F)］-1(A.8)

⑩ lbp是什麼意思

lbp是Local Binary Patterns的縮寫，中文名字叫做「線性反投影演算法」，指局部二值模式，最初功能為輔助圖像局部對比度，並不是一個完整的特徵描述子。

lbp線性反投影演算法又稱累加法，是最早使用的一種簡單成像演算法。它將通過某點的所有投影射線進行累加，再反向估算出該點的密度值，從成像觀點分析，它是不完全的雷登逆變換。

lbp演算法計算步驟：

1、基於均質靈敏度信息，利用線性反投影演算法獲得初始圖像。

2、利用已獲得的介電常數分布，求解正問題，得到一組模擬電容值，將該值與測量電容值進行比較，若誤差已達到滿意值，演算法結束，否則進行下步。

3、修正靈敏度信息。

4、根據上步已經修正後的靈敏度信息，利用測量電壓重新進行線性反投影；返回第二步，並進行循環迭代，直到獲得滿意的結果為止，迭代結束。