weixin_43608857的博客

【代码】基于最小二乘和迭代的校准二维相位解包算法。

【代码】SRNCP解包裹算法。

【代码】基于9步移相的质量图的相位解包裹。

【代码】基于强度方程TIE-DCT 算法-matlab。

【代码】幅度排序列表、多聚类相位展开算法。

【代码】基于傅里叶变换相位解包裹程序。

【代码】基于累计残差图进行的相位解包裹算法。

【代码】枝切法完整代码 matlab + 使用示例。

【代码】泽尼克矩阵梯度计算。

【代码】单位圆内的正交向量多项式，第一部分：由Zernike多项式的梯度导出的基组。

【代码】最小费用流相位解包裹。

代码段是一个无权重相位解包裹算法的实现，具体算法可能基于文献中的某个算法，尤其是你提到的"论文（公式 15）中的矢量 b 为 dx 和 dy"。是根据两次迭代的残差计算得到的标量，保证了新的搜索方向和之前的搜索方向共轭。我这里给出权重优化的代码，参考了质量图的定义图像质量好坏的方法，其中用到了一个掩膜信息和梯度信息，，直到收敛条件（rk中的所有值为0，或者迭代次数达到矩阵元素总数，或者rk的范数低于阈值）满足。计算了变换后的搜索方向，这个变换包含了差分、权重平方和逆向差分的复合运算。

：在循环的每次迭代中，函数调用`zernike`，它通过输入的极坐标和Zernike多项式的n和m的值（来自`zernike_indices`矩阵的第i行）来计算对应的Zernike多项式矩阵，然后将结果矩阵赋值给`zernikeMatrices`的第i层。3. **操作过程：** - 对于每对输入的`(x,y)`坐标，`cart2pol`函数首先计算出距离`r`，这是通过将`x`的平方与`y`的平方相加，然后取平方根得到的。在这个递归关系中，使用了`H1`，`H2`和`H3`这三个辅助变量来简化计算。

函数中，实际使用的是离散余弦变换（Discrete Cosine Transform，DCT），这是一种与DFT相关但只使用实数计算的变换。DCT特别适合于图像数据，因为它产生的是一种紧凑的频域表示，特别是当图像域数据具有高相关性（如自然图像）时。它非常相似于更广为人知的离散傅里叶变换（DFT），但是DCT只使用实数来表示数据，这使得它在处理具有实数值的信号时特别有用，如图像。在处理图像或信号时，离散余弦变换（DCT）和反离散余弦变换（IDCT）是常用的技术，用于在空间（或时间）域与频率域之间转换。

【代码】Picard皮卡尔法 相位解包裹-matlab。

在介绍完算法和伪代码后，我们将在几个相位解包示例中检验其性能。算法。

如图 5.8 所示，如果网格呈金字塔状，每个网格的分辨率都是前一个网格的二分之一，那么网格上的低空间频率就会增加。多网格 V 循环算法的运行过程如下： 它在最细网格上执行高斯-赛德尔松弛扫描，并将中间解的残差限制在下一个更粗的网格上。实际上，近似值 ó 是在一个网格上通过高斯-赛德尔松弛得到的中间解，而初始猜测 c=0 是在下一个更粗网格上进行高斯-赛德尔松弛的起点。或者，也可以将解法延长（插值）到更细的网格上，并将其添加到更细网格的近似解中，从而在更细的网格上得到更好的解法。即泊松方程）的多网格算法。

我们在附录 A 第 A.10 节中提供的第一种基于 FFT 的算法（实际上是一种基于 DCT 的算法）的实现方法可以修改，以产生第二种基于 DCT 的算法。该算法的输入相位数据必须定义在 M×N 网格上，其中 M 和 N 均为 2 的幂次。在本节中，我们将详细介绍如何通过 DCT 算法解决非加权最小二乘相位解缠问题，而不是通过FFT.我们将使用公式 5.53 所定义的二维余弦变换。下面的伪代码概括了基于 DCT 的算法。其中，w(m,n)= w1(m)w2(n)，而 w1 (m) 和 w2(m)的定义是。

还有。

非加权最小二乘法 我们已经证明，在最小二乘法（p = 2）情况下，一般的最小-.norm 相位解包问题可简化为泊松方程方程 5.31 的求解。需要注意的是，等式 5.31 适用于矩形网格上的所有索引，即 i=0,...,M-1,j=0,...,N-1。这一要求直接来源于最小二乘计算，相当于对泊松比方程施加了离散的诺伊曼边界条件。换句话说，我们需要以下边界条件：第 5.3 节将介绍解决非加权最小二乘相位解缠问题的高效计算方法。加权最小二乘法 . 加权最小二乘法问题是最小 L² 值问题的自然延伸。

戈尔茨坦算法（第 4.2 节）和掩膜切割算法（第 4.4 节）等方案利用分支切割来连接残差，而其他方案，如质量引导算法（第 4.3 节）和弗林的最小不连续性算法（第 4.5 节），则在不检测残差的情况下生成不连续线。本章的算法，就其 "拟合 "解表面与包裹相位数据而言，与其他 "表面拟合 "相位解包裹算法的方法类似。在本例中，由于三个数据点是共线的，因此直线偏离数据的地方尽可能少。读者应该还记得，在第 4 章中，相位解包的常用路径跟踪方法是，从网格点开始，在覆盖整个阵列的路径上积分包裹相位差。

Lin、Vesecky 和 Zebker 使用最小二乘曲线拟合技术对噪声条纹线拟合正弦函数和线性样条曲线[20]，但当条纹线间距较近时，这种曲线拟合技术就会失效。这种方法难以解决的第二个原因是，如图 4.44(a)和(b)所示，孤立残差的存在将导致一条边缘线的开始（或结束）。在这样的残差附近，本应具有不同 2#-倍数的两个区域会连接在一起，没有流苏线将它们分开。图 4.43 (a) 受高斯噪声干扰的图 4.42(a) 中的相位数据。通过。

在(c)的情况下，有两个这样的转换，而在(1)-(h)的情况下，没有转换。图 4.34(a)显示了掩膜切口，图 4.34(b)的误差图显示了解包裹表面与戈尔茨坦算法生成的表面之间的差异。图 4.31 待测试去除的掩膜像素的 3×3 像素邻域：确定 (a) 中标有 A、B 和 C 的三个像素的掩膜-非掩膜转换次数。在对图 4.31(a)中标注为 A、B 和 C 的像素执行此计数过程后，依次对图 4.31(b)、(c)和(d)中标注的像素重复此过程，但不重置计数器。在损坏区域之外，两种算法产生的结果相同。

有些算法（如 Roth 的算法[7]和 Xu 和 Cumming 的算法[14]）会先独立生长出最高质量的区域，然后在后处理步骤中将它们连接起来。如果解压缩的像素包括图 4.18(a)中阴影较浅的像素，那么邻接列表将包括图 4.18(b)中阴影较深的像素。"解包像素 "标记用于跟踪哪些像素已被解包，"推迟像素 "标记用于跟踪哪些像素已从邻接列表中暂时移除，详见第 4.3.1 节。将这些质量图与相位和残差数据进行比较可以发现，被破坏的相位（和残差）往往具有较低的质量值。该示例的失败是由于缺乏良好的质量图。

4.2 Goldstein's分支切割算法在本节中，我们将详细介绍戈尔茨坦(Goldstein's)、泽贝克尔和沃纳[2] 的经典路径跟踪算法。该算法能有效生成最优（即短）分支切分，而且速度极快。该算法的原理是用分支切割连接附近的残基，使残基平衡，即以极性相反的对或包含多个对的 "团块 "连接。残基也可以通过连接图像边界的分支切口来实现平衡。切口是通过一种试图最小化切口长度总和的方法产生的。除了戈尔茨坦的方法外，还有其他生成分支切口的方法。Huntley [3] 通过简单的近邻算法将极性相反的残基

【代码】基于离散余弦变换的最小二乘法相位解包裹(DCT)

这四种方法公平地体现了路径跟随算法的多样性。我们认为，它们也是最成功的路径跟踪方法。除了每种算法的详细伪代码描述外，我们还在附录 A 的 A.6 至 A.9 部分提供了我们的 C 语言实现。

行平滑处理的结果。图 3.40(a)显示的是一个斜面的包裹相位，

质量值的原始分布如图 3.29(a)的直方图所示，重新映射后的分布如图 3.29(b)所示。图 3.33 隔离峰 IFSAR 数据质量图的分布 (a) 相关系数的分布 (b) 重新映射的分布和自动选择的阈值 (c) 相位导数方差的分布 (d) 重新映射的相位导数方差的分布和自动选择的阈值。图 3.31 龙之峰 IFSAR 数据质量图的分布（a）相关系数的分布（b）重新映射的分布和自动选择的阈值（c）相位导数方差的分布（d）重新映射的相位导数方差的分布和自动选择的阈值。定义掩码的主要困难在于阈值的选择。

【代码】相位导数方差计算-matlab。

我们要讨论的第一个质量图是相关图，它由从 IFSAR 数据中提取的相关系数定义。在没有相关图的情况下，可以单独从相位数据中得出其他质量图。第一种是。

们还可用于第 4 章中的某些路径跟踪算法。最后，我们将简要介绍相位数据的噪声滤波。

将公式 2.33 【见前面的文章中】代入公式 2.2，可得其中积分代表与路径无关的解，只捕捉 φ 的非旋转成分，以及代表包含 φ 旋转部分的路径依赖成分。需要强调的是，F(r)（或 φ(r)）中的旋转分量是二维相位解包中路径依赖的唯一来源。可以根据第 2.2 节中的条件 I 至 4 进行简单测试，

例如，一个未知的相位函数 φ 被噪声干扰并包裹到区间 (-π,π] 中，是不可能明确恢复的。不过，如果对基本过程或所需解法的性质做出某些假设，相位解包问题即使不容易，也能变得简单。但更重要的是，可以通过相当简单的假设获得有用的解决方案。我们只希望得到 φ，假定它是未知的、无法获得的 φ 的有用体现。需要注意的是，W 定义了一个包裹运算符，通过加或减 W 的整数倍，将其参数的所有值包裹到（-π,π）范围内。具体来说，我们将利用两组相位差：相对于 / 索引的相位差和相对于 / 索引的相位差。

如果 F(r)的发散和卷曲在 D 的任何地方都是指定的，那么 F(r)可以表示为非旋转矢量函数 F₁(r) 和旋转矢量函数 Fg(r) 之和。当且仅当矢量函数 F(r)（以及由其描述的场）在整个域 D 中不旋转或无旋转时，我们称之为矢量函数 F(r)、另一方面，当且仅当一个矢量函数 F(r) 及其所描述的场在 D 中被称为螺线型或旋转型时，该矢量函数 F(r) 及其所描述的场在 D 中被称为螺线型或旋转型、如果 F(r) 所描述的场φ(r) 包含螺线管或旋转分量，φ(r) ，因此 φ(r) 是自由旋转的。

例如，在函数和阶数 M 以下的所有偏导数在同一点均为零的高度假定情况下，当点被包围时，局部相位会发生±2π(M+1) 弧度的变化（即会遇到多重包围）。(d)α=0.501。有了局部相位行为的知识，我们就有可能检查包裹相位函数的图像，并推断出相位函数的复变函数的局部行为。在进一步微分后，我们发现方程 2.10 在不包含原点的任何 x-y 平面域中都是正确的（例如，在方程 2.3 中，在不包含原点的任何简单闭合路径周围求得的值都为零。

2.1。

伊藤的方法是对相位梯度积分可以得到未包裹相位这一概念的具体实现。这一概念可以扩展到 N 维信号，其表示方法如下。假设相位梯度和某个初始点 ro 处的相位是已知的，那么其他某个点 r 处的相位就可以通过下面的路径积分得到：我们之前已经证明，对于一维信号，混叠或噪声会破坏我们正确解开相位的能力。在二维或多维信号中，混叠、奇点或噪声会使方程 1.29 计算出的相位依赖于积分路径。事实上，可以说所有二维（或更多维）路径跟踪*相位解包算法都更关注选择合适的积分路径，而不是实际的梯度积分。

由于从两个狭缝发出的光波在空间上是相干的（它们来自撞击屏幕 B 的一个共同波），因此非零路径差意味着在 P 点，沿 r₁ 方向的光波和沿 r₂ 方向的光波之间会有一个相位差。因此不难看出，当 P 点在观察屏上上下移动时，由于两波的相加是建设性的还是破坏性的，其强度或亮度会不断变化，这取决于路径差和实验的其他各种参数（光的波长、两个狭缝之间的距离等）。在最后的处理步骤中，有必要解开相位的主（包裹）值，并对地形高度与边缘的关系进行数学反演，从而估算出图像中每一点的地形高度（透视图如图 1.16b 所示）。

因此，通过傅立叶反演重建或合成的不是原始图像（我们都知道可以精确地做到），而是通过以下方法产生的两幅新图像，可以说明相位的重要性首先交换各自的相位谱，然后进行二维反 DFT。换句话说，我们将蒙娜丽莎的幅度谱分配给阿尔伯特-爱因斯坦的相位谱，然后进行反 DFT。同样，我们将阿尔伯特-爱因斯坦的幅度谱分配给蒙娜丽莎的相位谱，然后进行逆变换。图 1.4 显示了这一看似奇怪的合成结果。很明显，每幅图像的可解读性更多地取决于相位频谱的内容，而不是幅度频谱。