成像演算法matlab

A. 如何用MATLAB產生圖像

1.首先搭模打開計算機上的matlab程序，然後輸入指令[清除;，清除屏幕。

B. Matlab怎樣把一個彩色圖像進行簡單的增強

增強圖象中的有用信息，它可以是一個失真的過程，其目的是要增強視覺效果。將原來不清晰的圖像變得清晰或強調某些感興趣的特徵，抑制不感興趣的特徵，使之改善圖像質量、豐富信息量，加強圖像判讀和識別效果的圖像處理方法。
圖像增強按所用方法可分成頻率域法和空間域法。前者把圖像看成一種二維信號，對其進行基於二維傅里葉變換的信號增強。採用低通濾波（即只讓低頻信號通過）法，可去掉圖中的雜訊；採用高通濾波法，則可增強邊緣等高頻信號，使模糊的圖片變得清晰。具有代表性的空間域演算法有局部求平均值法和中值濾波（取局部鄰域中的中間像素值）法等，它們可用於去除或減弱雜訊。
圖像增強的目的是改善圖像的視覺效果，針對給定圖像的應用場合，有目的地強調圖像的整體或局部特性，擴大圖像中不同物體特徵之間的差別，滿足某些特殊分析的需要。其方法是通過一定手段對原圖像附加一些信息或變換數據，有選擇地突出圖像中感興趣的特徵或者抑制(掩蓋)圖像中某些不需要的特徵，使圖像與視覺響應特性相匹配。在圖像增強過程中，不分析圖像降質的原因，處理後的圖像不一定逼近原始圖像。圖像增強技術根據增強處理過程所在的空間不同，可分為基於空域的演算法和基於頻域的演算法兩大類。基於空域的演算法處理時直接對圖像灰度級做運算基於頻域的演算法是在圖像的某種變換域內對圖像的變換系數值進行某種修正，是一種間接增強的演算法。
基於空域的演算法分為點運算演算法和鄰域去噪演算法。點運算演算法即灰度級校正、灰度變換和直方圖修正等，目的或使圖像成像均勻，或擴大圖像動態范圍，擴展對比度。鄰域增強演算法分為圖像平滑和銳化兩種。平滑一般用於消除圖像雜訊，但是也容易引起邊緣的模糊。常用演算法有均值濾波、中值濾波。銳化的目的在於突出物體的邊緣輪廓，便於目標識別。常用演算法有梯度法、運算元、高通濾波、掩模匹配法、統計差值法等。

C. 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！

D. 請問雷達成像演算法中的時域反轉鏡技術具體計算過程是怎樣的謝謝~

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/Fs<<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)

E. matlab如何用RCS和相位計算雷達一維距離成像

你必須要知道雷達信號的波形才能正確的進行距離向脈沖壓縮，從而得到距離成像，從你的問題來看，應該是某種信號的存儲采樣數據，所以你應該把該型號雷達對應的參數搞清楚

F. 求求field ii 實現合成孔徑聚焦成像的MATLAB代碼

Inverse Synthetic Aperture Radar Imaging With MATLAB Algorithms(逆合成孔徑成像MATLAB演算法)配書源代碼，可用於學習和理解ISAR的基本演算法和實現過程。
【實例截圖】
【核心代碼】
MatlabFiles
└── MatlabFiles
├── Appendix
│ ├── cevir2.m
│ ├── matplot.m
│ ├── matplot2.m
│ ├── shft.m
│ └── stft.m
├── Chapter1
│ ├── Figure1_1.m
│ ├── Figure1_11.m
│ ├── Figure1_2.m
│ ├── Figure1_3.m
│ ├── Figure1_5.m
│ ├── Figure1_8.m
│ ├── prince.wav
│ └── tot30.mat
├── Chapter2
│ ├── Figure2_11.m
│ ├── Figure2_15.m
│ ├── Figure2_16.m
│ ├── Figure2_17.m
│ ├── Figure2_18.m
│ ├── Figure2_19and20.m
│ └── Figure2_9.m
├── Chapter3
│ ├── Figure3_10.m
│ ├── Figure3_11.m
│ ├──歲搏 Figure3_14.m
│ ├── Figure3_16.m
│ ├── Figure3_8.m
│ └── Figure3_9.m
├── Chapter4
│ ├── E_field.mat
│ ├── Es_range.mat
│ ├── Es_xrange.mat
│ ├── Esairbus.mat
│ ├── Escorner.mat
│ ├── Esplanorteta60.mat
│ ├── Figure4_14.m
│ ├── Figure4_15.m
│ ├── Figure4_18.m
│ ├── Figure4_19.m
│ ├── Figure4_20.m
│ ├── Figure4_21and22.m
│ ├── Figure4_23and24.m
│ ├── Figure4_26thru4_28.m
│ ├── Figure4_31and4_32.m
│ ├── Figure4_6.m
│ ├── Figure4_8.m
│ ├── PLANORPHI45_Es.mat
│ ├── airbusteta80_2_xyout.mat
│ ├── fighterSC.mat
│ ├── planorphi45_2_xyout.mat
│ ├── planorteta60_2_xyout.mat
│ ├── planorteta60xzout.mat
│ └── planorteta60yzout.mat
├── Chapter5
│ ├── Esairbus.mat
│ ├── Esplanorteta60.mat
│ ├── Figure5_10ab.m
│ ├枝雀兆── Figure5_10cd.m
│ ├── Figure5_10ef.m
│ ├── Figure5_11.m
│ ├── Figure5_12thru18.m
│ ├── Figure5_19ab.m
│ ├── Figure5_19cd.m
│ ├── Figure5_19ef.m
│ ├── Figure5_4.m
│ ├── Figure5_9.m
│ ├── airbusteta80_2_xyout.mat
│ ├── fighterSC.mat
│ ├── planorteta60_2_xyout.mat
│ └── ucak.mat
├── Chapter6
│ ├── CoutUssFletcher.mat
│ ├── Fighter.mat
│ ├猛租── Figure6_14thru19.m
│ └── Figure6_21thru23.m
├── Chapter7
│ ├── Es60.mat
│ ├── Figures7_2thru7_8.m
│ ├── Figures7_9thru7_13.m
│ ├── MP.mat
│ ├── SC.mat
│ └── planorteta60_2_xyout.mat
└── Chapter8
├── Fighter.mat
├── Fighter2.mat
├── Fighter3.mat
├── Figure8_14.m
├── Figure8_15.m
├── Figure8_16thru8_22.m
├── Figure8_2thru8_6.m
├── Figure8_7thru8_12.m
└── scat_field.mat
10 directories, 85 files

G. 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。

H. 聲納成像技術有哪些

合成孔徑聲納是一種新型高分辨水下成像聲納。其原理是利用小孔徑基陣的移動來獲得移動方向(方位方向)上世改大的合成孔徑，從而得到方位方向的高分辨力。獲得這種高分辨力的代價是復雜的成像演算法和對聲納基陣平台運動的嚴格要求。目前國際上只有搜悄判少數國家和地區研製出了運拆合成孔徑聲納原型機並進行了海上試驗。我國於1997年7月正式將合成孔徑聲納列入了國家「863」計劃項目。合成孔徑聲納可以用於水下軍事目標的探測和識別，最直接的應用就是進行沉底水雷和掩埋水雷的高分辨探測和識別。在國民經濟方面，可以用於海底測量、水下考古和搜尋水下失落物體等，尤其可以進行高分辨海底測繪，對數字地球研究具有重要意義，標志著我國在合成孔徑聲納研究方面進入了與國際同步發展的水平。

I. 求魚眼鏡頭全景圖像校正演算法的matlab代碼

（一） opencv裡面攝像機標定計算內參數矩陣用的是張正友標定法，非常經典，MATLAB標定工具箱也是用的該方法。具體的標定過程可以參見張正友的原文： http://research.microsoft.com/en-us/um/people/zhang/Papers/TR98-71.pdf。或者參考博文：http://hi..com/chb_seaok/item/62179235eef8873c2e20c40b
（二） 基於opencv的攝像機標定用的主要函數有：
cvFindChessboardCorners：提取一幅圖片上的所有角點。
cvFindCornerSubPix：亞像素精確化。
cvDrawChessboardCorners：顯示角點。
cvCalibrateCamera2：標定攝像機參數，求出內參數矩陣，畸變系數，旋轉向量和平移向量。

校正主要用的函數有2個：
cvInitUndistortMap：根據cvCalibrateCamera2計算出來的內參數矩陣和畸變系數計算畸變映射。
cvRemap：根據畸變映射校正圖像。

（三）詳細的過程及參考書籍：
1、《基於OpenCV的計算機視覺技術實現》 陳勝勇，劉盛編著 科學出版社,2008；(該書用OpenCV 1.0庫，第14章詳細介紹如何用opencv進行攝像機標定，包括攝像機標定的原理，opencv相關庫函數詳細的介紹以及例子)
2、《學習OpenCV（中文版）》 於仕琪譯 清華大學出版社,2009；(OpenCV 2.0庫，第11、12章詳細介紹如何進行攝像機標定以及三維重建)
3、OpenCV的標定參數中，對於鏡頭畸變採用的方法是Brown博士在71年發表的文章中提到的。
（四）MATLAB標定也在這里提一下：
http://www.vision.caltech.e/bouguetj/calib_doc/index.html#examples，該網站有很詳細的使用說明
matlab標定工具箱來進行標定，它也是基於張正友的平面標定方法的，有誤差分析、標定結果三維重建、重投影計算角點等功能 。
Matlab中的鏡頭畸變參數採用基於Heikkil博士提出的方法，將非線性干擾因素引入到內外參數的求解過程。標定的過程需要手動選取四個角點，標定圖片拍攝的多的話，比較麻煩。
（五）實驗結果
自己買了個手機魚眼鏡頭，拍攝了16幅標定板圖片。注意拍攝的角度不要和成像平面平行。
示常式序049--攝像機標定和魚眼校正

J. 醫學圖像三維重建，體繪制中的光線投射演算法（raycast）的MATLAB或者python實現代碼

介紹了運用Matlab軟體進行CT斷層圖像的三維重建的原理及實現方法。運用計算機圖形學和圖像處理技術將計算機斷層掃描（CT）等成像設備得到的人體斷層二維圖像序列，在計算機中重建成三維圖像數據，並在屏幕上形象逼真地顯示人體器官的立體視圖。可以對重構出的器官圖像進行諸如旋轉、縮放等操作，重建方法簡單，顯示效果良好