深入理解光流法外推雷达回波

背景介绍

鉴于本人实在太过疲惫和劳累，一些简单的便于理解的废话就不在记录，耗费两天时间研究了一下光流法，本帖用于记录学习过程中源码的难点细节。

使用光流预测的核心有两个利用多张连续回波图像（变分）或者相邻两张回波图（交叉相关，LK等）计算出光流场（速度矢量场），之后利用半拉格朗日方法进行外推。

半拉格朗日方法

三时间步半拉格朗日方法，其核心公式如下

但这个有点难理解，但看一维的图就很好理解

它的核心就是迭代求Am（位移矢量），如果理解困难的话，其实质上就是通过未来迭代（猜）出当前时刻的Am找到过去的假设标量值（回波值）不变的点，延伸到二维就是两个方向迭代，ok实在是so easy~

源码中lk直接调用cv的lk，没什么好说的，需要注意的是img要转成灰度图，主要是交叉相关:

    m, n = R.shape[1:]
    X, Y = np.meshgrid(np.arange(n), np.arange(m))
    print(X)
    def f(v):
        XYW = [Y + v[1], X + v[0]]
        R_w = ip.map_coordinates(
            R[-2, :, :], XYW, mode="constant", cval=np.nan, order=0, prefilter=False
        )

        mask = np.logical_and(np.isfinite(R[-1, :, :]), np.isfinite(R_w))

        return -np.corrcoef(R[-1, :, :][mask], R_w[mask])[0, 1]

    options = {"initial_simplex": (np.array([(0, 1), (1, 0), (1, 1)]))}
    result = op.minimize(f, (1, 1), method="Nelder-Mead", options=options)

    return np.stack([-result.x[0] * np.ones((m, n)), -result.x[1] * np.ones((m, n))])

首先是np.meshgrid插出坐标，其次核心公式是ip.map_coordinates，这个很难理解，查阅scipy官方文档：scipy.ndimage.map_coordinates这个函数看看,output的shape是根据坐标插值的，如果坐标不变那么output还是原来的shape，只是数值进行移动，边界进行填充：


-------未完待续---------