【图像融合】Powell医学图像配准融合（高斯低通滤波器）【含GUI Matlab源码 4060期】

Matlab武动乾坤

已于 2024-03-16 09:35:43 修改

阅读量1.4k

点赞数 16

分类专栏： Matlab图像处理（进阶版）文章标签： matlab

于 2024-03-13 17:09:31 首次发布

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/136685712

版权

Matlab图像处理（进阶版）专栏收录该内容

870 篇文章 19 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、简介

1 引言
医生在对病人疾病进行诊断和治疗时, 经常需要采用X线, CT, MRI, PET, SPECT等多种成像模式对病人进行成像, 以提供病人解剖形态方面和功能代谢方面的互补信息。但不同模式下的图像会出现分辨率不同、灰度属性不同、病灶的位置不同等情况, 为了能将不同模式的图像中的信息融合在一起, 就必须首先进行图像的配准。多模医学图像配准就是将一幅图像中的像素空间位置进行变换, 以使其与另一幅图像的像素在空间位置上对齐, 从而将多种成像模式的图像数据融合起来, 利用各自图像信息的特点, 在一幅图像上表达来自人体多方面的信息。

基于最大互信息的配准方法由于直接使用图像像素灰度信息的统计特性即互信息作为配准的依据, 不需要提取图像的解剖特征, 因此它是一种精度高、稳健性强的方法, 在医学图像配准领域得到了普遍关注和广泛应用。在基于互信息的医学图像配准中目前使用得最多的优化算法是Powell法。Powell法不需要计算导数, 在每一维中使用Brent算法迭代搜索, 搜索速度比较快, 局部寻优能力极强, 在局部搜索中精度要高于其它的优化算法;但由于互信息函数存在很多局部极值, 并且Powell法存在初始点依赖问题, 即在配准过程中很容易落入局部最优中, 最终的优化结果很大程度上依赖于初始点所在的位置, 这就使得Powell法的优化过程常常收敛到局部极值而得到错误的配准参数, 给互信息函数优化带来很多不便。为了克服Powell法的缺点, Plattard等人在配准优化过程中将Powell法和单纯形法结合起来, Jenkinson和Smith把多起始点策略引入到Powell法优化中, Wachowiak等人则提出了基于Powell法、禁忌搜索、粒子群优化算法等优化方法的多种混合优化策略并应用到图像配准中。我们采用基于小波变换的多分辨率策略, 将蚁群算法和Powell法结合起来对目标函数进行寻优, 提高了配准的准确度和速度。该方法很好地解决了Powell法的初始点依赖问题, 并且其Powell优化过程对参数优化顺序不敏感, 不像现有的很多方法需要根据成像特点来设定Powell法的参数优化顺序, 因此具有很好的实用性。实验结果表明, 本文方法能够有效地克服局部极值问题, 大大地提高了配准精度。

2 基于互信息的配准方法
2.1 基于互信息的图像配准原理
互信息是信息论中的一个基本概念, 用来描述两个随机变量间的统计相关性, 是一个变量包含另一个变量的信息量的多少的度量。它可用熵来描述:
在这里插入图片描述
其中H (A) 和H (B) 分别为图像A和B的熵, H (A, B) 为二者的联合熵。在多模图像配准中, 当两幅图像的空间位置完全一致时, 其中一幅图像中表达的关于另一幅图像的信息, 也就是互信息I (A, B) 为最大。

由于互信息对重叠区域的变化比较敏感, Studholme和Maes分别提出了两种归一化互信息的表现形式:
在这里插入图片描述
归一化互信息能更好地反映配准函数的变化。

2.2 配准变换模型
本文中变换模型采用的是刚体变换。对待配准的两幅图像, 首先建立统一的立体坐标系统, 坐标原点定义在图像的灰度重心, 将两幅图像进行粗配准。选择一幅图像作为参考图像R, 另一幅图像作为浮动图像F, 从浮动图像的空间坐标PF到参考图像的空间坐标PR的刚体变换可以用下式描述:
在这里插入图片描述
其中VR和VF为3×3的对角阵, 分别表示图像F和R的像素大小;CF和CR分别是两幅图像的中心;Rx (φx) , Ry (φy) , Rz (φz) 都是3×3的旋转矩阵, φx, φy, φz分别是绕x轴, y轴和z轴的旋转角度;t是平移向量, tx, ty, tz分别是在x轴, y轴和z轴上的平移距离。

基于互信息的配准过程是一个多参数的优化过程, 即搜索使两幅图像间的互信息最大的6个空间变换参数tx, ty, tz, φx, φy, φz。

2.3 插值与多分辨率配准
浮动图像上的点通过空间变换后得到的点的坐标不一定是整数, 需要通过插值方法来得到变换点的灰度值。常用的插值方法有最近邻法、线性插值、三次样条等, 在基于互信息的三维图像配准中经常采用三线性PV插值算法 (trilinear Partial Volume distribution interpolation) 。PV插值算法不会引入新的灰度值, 浮动图像中的一点p的灰度f § 对联合直方图的贡献是由参考图像中的点q的周围最近邻的8个点取与三线性插值算法相同的权重加权而得。

基于互信息的配准方法需要计算联合直方图和进行图像插值, 配准时间比较长, 尤其是数据量很大的三维图像配准。为了提高配准速度, 我们利用多分辨率的配准方法。小波变换能够产生图像数据的多分辨率表示。即使是在低分辨率时, 小波分解后的近似分量子图像也保留了原始数据的大多数重要特征。使用这种多分辨率数据, 可以一开始在低分辨率图像进行搜索, 然后上升到高分辨率图像上来进一步细化配准结果, 这样可以大大地减少搜索的数据量。对基于互信息的三维多模医学图像配准来说, 二级多分辨率策略即可满足配准精度要求。

⛄二、部分源代码

function varargout = ImageRegistration(varargin)
% IMAGEREGISTRATION M-file for ImageRegistration.fig
% IMAGEREGISTRATION, by itself, creates a new IMAGEREGISTRATION or raises the existing
% singleton*.
%
% H = IMAGEREGISTRATION returns the handle to a new IMAGEREGISTRATION or the handle to
% the existing singleton*.
%
% IMAGEREGISTRATION(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in IMAGEREGISTRATION.M with the given input arguments.
%
% IMAGEREGISTRATION(‘Property’,‘Value’,…) creates a new IMAGEREGISTRATION or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before ImageRegistration_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property
% application
% stop. All inputs are passed to ImageRegistration_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help ImageRegistration

% Last Modified by GUIDE v2.5 24-May-2021 17:01:50

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @ImageRegistration_OpeningFcn, …
‘gui_OutputFcn’, @ImageRegistration_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

addpath(pwd);
% — Executes just before ImageRegistration is made visible.
function ImageRegistration_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to ImageRegistration (see VARARGIN)

% Choose default command line output for ImageRegistration
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% UIWAIT makes ImageRegistration wait for user response (see UIRESUME)
% uiwait(handles.figure1);

% — Outputs from this function are returned to the command line.
function varargout = ImageRegistration_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;

% — Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
clc
%%%%%%%%%%%%%%%调用OpenImage.m读入参考图像并获取文件名、图像大小%%%%%%%%%%%%
[fname,pname,index]=uigetfile({‘.jpg;.bmp;.png;.tif;.gif;.jpeg’},‘选择参考图像’);
if index
name=[pname fname];
temp=imread(name);
[m,n]=size(temp);
m=num2str(m);
n=num2str(n);
imsize=[’ ‘,m,’*',n];
handles.ImsizeI=imsize;
handles.filenameI=name;
handles.names_dispI=[fname,imsize];
end
set(handles.text2,‘String’,handles.names_dispI);
guidata(hObject,handles);

%%%%%%%%%%%%%%%%%%显示参考图像%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
axes(handles.axes1)
I=imread(handles.filenameI);
save I;
imshow(I)
figure(5)
imshow(I)

% — Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
clc
%%%%%%%%%%%调用OpenImage.m读入浮动图像并获取并获取文件名、图像大小%%%%%%%%%%
[fname,pname,index]=uigetfile({‘.jpg;.bmp;.png;.tif;.gif;.jpeg’},‘选择浮动图像’);
if index
name=[pname fname];
temp=imread(name);
[m,n]=size(temp);
m=num2str(m);
n=num2str(n);
imsize=[’ ‘,m,’*',n];
handles.ImsizeJ=imsize;
handles.filenameJ=name;
handles.names_dispJ=[fname,imsize];
end
set(handles.text3,‘String’,handles.names_dispJ);
guidata(hObject,handles);

%%%%%%%%%%%%%%%%%%显示浮动图像%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
axes(handles.axes2)
J=imread(handles.filenameJ);
imshow(J)
figure(6)
imshow(J)

% — Executes on button press in pushbutton3.
function pushbutton3_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton3 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
clc
%%%%%%%%%%%%%%%%检测是否已输入参考图像与浮动图像%%%%%%%%%%%%%%%%%%%%%%%%%%
axesIbox=get(handles.axes1,‘box’);
axesJbox=get(handles.axes2,‘box’);
if strcmp(axesIbox,‘off’)||strcmp(axesJbox,‘off’)
errordlg(‘Please select Image for Registration’,‘Error’)
error(‘NO Image!’)
end

%%%%%%%%%%%%%%%检测参考图像与浮动图像大小是否相同%%%%%%%%%%%%%%%%%%%%%%%%%
handles.isSameSizeIJ=strcmp(handles.ImsizeI,handles.ImsizeJ);
if handles.isSameSizeIJ~=1
errordlg(‘Please select the Same Size Image’,‘Error’)
error(‘Image Size doesn"t match!’)
end

%%%%%%%%%%%%%读入并复制图像，一幅用于配准过程，另一幅用于配准后输出%%%%%%%%%
I1=imread(handles.filenameI);
J1=imread(handles.filenameJ);
handles.Old_I=I1;
handles.Old_J=J1;
I=I1;
J=J1;
handles.I=I;
handles.J=J;

guidata(hObject,handles);

%%%%%%%%%%%%%显示配准前参考图像与浮动图像的“融合"效果图%%%%%%%%%%%%%%%%%%%%
axes(handles.axes4)
imshow(uint8(I+J))

%%%%%%%%%%%%%%%调用函数GLPF.m(高斯低通滤波器)，完成高斯低通预处理%%%%%%%%%%%%%
[I,J]=GLPF(handles);
handles.I=I;
handles.J=J;
guidata(hObject,handles);

%%%%%%%%%%%%%%调用函数Powell.m，实现图像配准%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
tic
RegistrationParameters=Powell(handles);
%RegistrationParameters=AntColony(handles);
%RegistrationParameters=AntColonyimprove(handles);
toc
ElapsedTime=toc;

%%%%%%%%%%%%%%显示配准结果%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
handles.RegistrationParameters=RegistrationParameters;
y=RegistrationParameters(1);
x=RegistrationParameters(2);
ang=RegistrationParameters(3);
RegistrationResult=sprintf(‘X,Y,Angle=[%.5f][%.5f][%.5f]’,x,y,ang);
MI_Value=RegistrationParameters(4);
MI_Value=sprintf(‘MI_Value=[%.4f]’,MI_Value);
ElapsedTime=sprintf(‘Elapsed Time=[%.3f]’,ElapsedTime);
axes(handles.axes5)
[FusionImage,RegistrationImage]=Fusion(handles);
imshow(FusionImage)
axes(handles.axes3)
imshow(RegistrationImage)
figure(7)
imshow(RegistrationImage)
set(handles.text8,‘string’,RegistrationResult);
set(handles.text9,‘string’,MI_Value);
set(handles.text10,‘string’,ElapsedTime);

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]杨帆,张汗灵.蚁群算法和Powell法结合的多分辨率三维图像配准[J].电子与信息学报. 2007,(03)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰