下载文档原格式
在镜像投影曝光机上使用相移掩膜提高解像力的初步研究黎午升;惠官宝;崔承镇;史大为;郭建;孙双;薛建设【摘要】实现高PPI(单位面积像素个数),需要更细的线宽和更窄的间距,这往往受到光刻设备解像力的限制,本文对基于不改造镜像投影曝光设备而提高光刻解像力进行研究.用半导体工艺模拟以及器件模拟软件模拟分析了离焦量为0时,相位移掩膜和传统掩膜下2.5 μm等间隔线的光强分布.根据设备参数模拟分析离焦量为15、30 μm时通过掩膜得到的光刻间距情况,最后,实际比较测量了相同条件下各自曝光剂量范围和切面坡度角.实验结果表明:相位移掩膜能使镜像投影曝光机分辨力以下间距(线宽)的工艺容限增大1倍,并使相应曝光量下间距(线宽)的分布更集中,从而增加细线化的稳定性.使用相位移掩膜能提高镜像投影曝光机的解像力.【期刊名称】《液晶与显示》【年(卷),期】2014(029)004【总页数】4页(P544-547)【关键词】相移掩膜;等间隔线;模拟;曝光容限;解像力【作者】黎午升;惠官宝;崔承镇;史大为;郭建;孙双;薛建设【作者单位】京东方科技集团TFT-LCD技术研发中心,北京100176;京东方科技集团TFT-LCD技术研发中心,北京100176;京东方科技集团TFT-LCD技术研发中心,北京100176;北京京东方光电科技有限公司,北京100176;北京京东方光电科技有限公司,北京100176;京东方科技集团TFT-LCD技术研发中心,北京100176;京东方科技集团TFT-LCD技术研发中心,北京100176【正文语种】中文【中图分类】TN141.91 引言在目前许多现行的分辨率强化技术中，相位移掩模一直是用来提升分辨率的重要工具之一。
一般说来，当曝光光源通过传统掩模后，由于曝光光源发出的光的相位并没有被偏移，因此，部分光线到达基板表面时产生了光的相长干涉(construction interference)，造成基板表面上不应该被照射到光线的图形因为干涉作用而有了曝光的现象，使得图形的分辨率下降。
相位模糊的概念相位模糊是一个在摄影、图像处理和计算机视觉领域中常见的问题。
它指的是由于影像中的运动或者相机移动导致的图像中物体的轮廓模糊或细节丢失，从而降低了图像的清晰度和可读性。
本文将详细解释相位模糊的概念、原因、影响以及常见的处理方法。
相位模糊的原因主要分为两类：相机移动导致的运动模糊和物体运动导致的运动模糊。
相机移动导致的运动模糊是指在拍摄过程中相机发生微小抖动或者在拍摄长曝光时间内手持相机拍摄的结果。
当相机发生微小抖动时，光线通过相机镜头进入相机并被感光元件接收，由于相机在拍摄过程中发生了微小抖动，尽管光线在运动过程中是连续的，但是相机在拍摄的图像上产生了一种移动模糊的效果。
物体运动导致的运动模糊是指当被拍摄的物体在拍摄过程中发生了运动，由于感光元件在拍摄过程中接收到的物体信息是连续的，物体在移动过程中不同时刻的位置信息在感光元件上叠加在一起，从而导致图像上出现物体轮廓模糊的现象。
相位模糊对图像的影响主要体现在图像的清晰度和可读性两个方面。
首先，相位模糊会导致图像的边缘和细节模糊，使得图像的清晰度下降。
边缘和细节是图像中最重要的信息之一，它们反映了物体的形状和纹理等细节特征。
当图像受到相位模糊的影响时，边缘和细节会失真或丢失，从而使得图像在视觉上显得不够清晰和锐利。
其次，相位模糊还会导致图像中不同物体之间的分辨率降低，使得物体的识别和分割变得困难。
当图像受到相位模糊的影响时，不同物体的轮廓和形态会模糊在一起，导致物体之间的界限不明显，从而影响了图像的可读性和理解性。
为了解决相位模糊问题，研究者们提出了各种各样的图像去模糊方法。
下面将介绍几种常见的图像去模糊方法。
第一种方法是基于反卷积的去模糊方法。
反卷积是一种恢复图像模糊过程的逆操作，通过找到原始图像和模糊核之间的逆关系来恢复模糊图像。
反卷积方法需要已知模糊核的信息，并且假设了图像是在空间域上稀疏表示的。
反卷积方法在恢复图像的边缘和细节方面效果较好，但是对于复杂的模糊情况会产生较大误差。
Matlab中的图像去模糊与运动估计技术详解导言在数字图像处理中，图像模糊是一个常见的问题。
图像模糊可以由多种原因引起，如图像采集设备或相机的不稳定性、图像运动或振动等。
在Matlab中，有许多强大的图像处理工具和函数可以帮助我们解决这些模糊问题。
本文将详细介绍Matlab中的图像去模糊和运动估计技术。
一、图像去模糊技术1.1 点扩散函数（PSF）估计在进行图像去模糊之前，我们首先需要估计点扩散函数（Point Spread Function，PSF）。
PSF描述了从一个点源发出的光在传播过程中如何扩散。
Matlab中有多种方法可以估计PSF。
其中一种常用的方法是利用模糊图像和原始清晰图像之间的关系来估计PSF。
Matlab提供了一些函数，如“deconvblind”和“deconvreg”，可用于此目的。
1.2 盲去卷积在图像模糊恢复中，如果我们没有关于图像模糊的先验知识，就需要使用盲去卷积技术。
盲去卷积是指在不知道点扩散函数的情况下，通过观察被模糊的图像和已知的待恢复的图像之间的差异来进行图像去模糊操作。
Matlab中的“deconvblind”函数可以用于盲去卷积。
1.3 维纳滤波维纳滤波是一种常用的图像去模糊技术，它在图像恢复过程中考虑了模糊和噪声。
维纳滤波通过最小化图像的均方误差来进行优化。
Matlab中的“wiener2”函数可以用于维纳滤波。
1.4 正则约束图像修复正则约束图像修复是一种通过将图像恢复问题转化为最小化一个带有正则项的目标函数来进行图像去模糊操作的技术。
常用的正则项包括全变差（Total Variation）和L1范数。
Matlab中的“deconvreg”函数可以用于正则约束图像修复。
二、运动估计技术2.1 全局运动估计全局运动估计通常用于估计整个图像或图像序列中的全局运动。
这种方法通过找到在两个或多个图像之间最佳匹配的位置来估计运动。
Matlab中的“imregtform”函数可以用于全局运动估计。
离焦mtf计算原理
离焦MTF计算原理是指通过对图像模糊度的测量来评估成像系统的质量。
该方法通常用于评估相机镜头的质量和成像质量。
MTF （ModulationTransferFunction）是一种描述成像系统中图像细节传递能力的数学函数。
离焦MTF计算原理利用图像的模糊度和MTF曲线来评估成像系统的焦距和成像质量。
具体计算方法为，首先通过图像分析软件测量不同距离处的图像模糊度，然后将这些数据与MTF曲线进行比较，以确定镜头的焦距和成像质量。
在实际应用中，离焦MTF 计算原理可以帮助相机用户选择最佳的镜头参数和调整相机配置，以获得更好的图像质量。
- 1 -。
基于运动模糊图像还原的分析与研究运动模糊是由于相机或物体的移动引起的图像模糊现象，会导致图像的细节丢失和边缘模糊。
在许多实际应用中，如摄影、视频捕捉和无人机图像采集等，由于拍摄环境或平台的不稳定性，运动模糊是一个常见的问题。
针对运动模糊图像还原的研究可以分为两个主要方向：运动模糊估计和图像还原算法。
运动模糊估计是指估计图像中的运动模糊参数，包括运动方向、长度和角度等，以便后续的图像处理。
常用的运动模糊估计方法包括快速傅里叶变换（FFT）法、相位相关法和最小二乘法等。
这些方法通常需要大量的计算和时间，但能够较为准确地估计运动参数。
图像还原算法则是根据估计的运动模糊参数恢复原始的清晰图像。
常用的图像还原算法包括逆滤波法、维纳滤波法和盲去卷积法。
逆滤波法是最简单和直接的方法，其原理是将图像的频率谱经过逆变换得到原始图像。
逆滤波法对于噪声和运动方向难以估计的情况下效果较差。
维纳滤波法是在逆滤波法的基础上引入了噪声模型，能够更好地抑制噪声。
盲去卷积法是一种不需要估计运动参数的方法，它通过最小化图像的能量函数来还原清晰图像。
除了以上方法，还有许多其他的运动模糊图像还原算法。
基于图像边缘和纹理的算法可以提取出图像的结构信息，从而更好地还原图像。
基于深度学习的方法利用深度神经网络对运动模糊图像进行学习和训练，能够获得更好的还原效果。
一些针对特定应用场景的算法也被提出，例如针对特定模糊类型的算法和针对特定图像内容的算法等。
基于运动模糊图像还原的分析与研究是一个重要的课题。
通过对运动模糊的估计和图像还原算法的研究，可以提高图像的清晰度和质量，从而提升图像处理的效果和应用的可行性。
随着计算机技术和图像处理算法的发展，相信将来还会有更多更好的运动模糊图像还原算法被提出并应用于实际生活中。
相位对焦原理相位对焦原理是指利用光学系统中的相位信息来进行对焦的原理。
在摄影、光学显微镜、望远镜等光学设备中，相位对焦技术被广泛应用，它能够提高成像的清晰度和准确度，为我们观察和记录细微的光学现象提供了重要的技术手段。
在传统的对焦技术中，通常是通过调节镜头位置或者改变光学系统的焦距来实现对焦的。
但是这种方式存在着局限性，特别是在对焦速度和精度上有一定的不足。
而相位对焦技术则是通过利用光学系统中物体的相位信息来进行对焦的，它能够更加精准地找到焦点位置，从而提高成像的清晰度和准确度。
相位对焦原理的核心是利用物体的相位信息来获取焦距信息。
在光学系统中，物体发出的光经过透镜后会形成像，而这个像的位置和清晰度与物体的相位信息有关。
当物体处于焦平面上时，像的相位信息是完整的，而当物体偏离焦平面时，像的相位信息会发生变化。
通过检测这种相位信息的变化，就可以确定物体的焦距位置，从而实现对焦。
相位对焦原理可以通过不同的方法来实现，例如利用相位差测量、利用干涉效应等。
其中，利用相位差测量是一种常用的方法。
它通过比较物体发出的光与参考光的相位差来获取物体的相位信息，从而实现对焦。
而利用干涉效应则是通过干涉条纹的变化来获取相位信息，进而实现对焦。
相位对焦原理在实际应用中有着广泛的用途。
在摄影领域，相位对焦技术能够帮助摄影师更加准确地对焦，从而获得更清晰的照片。
在光学显微镜和望远镜中，相位对焦技术能够帮助科研人员观察和记录微小的光学现象，为科学研究提供重要的技术支持。
总之，相位对焦原理是一种利用光学系统中的相位信息来进行对焦的原理。
它能够提高成像的清晰度和准确度，为我们观察和记录细微的光学现象提供了重要的技术手段。
相位对焦技术在摄影、光学显微镜、望远镜等领域有着广泛的应用前景，将为相关领域的发展带来新的机遇和挑战。
运动模糊图像处理（⼀）-----模糊⾓度估计的算法研究及matlab实现运动模糊图像复原研究的整体思路主要是⽤matlab中的 imfilter（）函数对图像进⾏线性空间滤波，产⽣运动模糊图像，建⽴退化模型→通过radon变换来获取模糊参数，即点扩散函数PSF →最后由估计得出的PSF再⽤维纳滤波对图像进⾏复原。
由仿真实验得知，在已知PSF 的情况下使⽤⾃相关函数的维纳滤波法对图像进⾏复原可以获得较好的复原效果，因此难点在于如何精确地估计运动模糊参数PSF。
1、基本原理：点扩散函数PSF主要有两个重要参数：（1）模糊⽅向；（2）模糊尺度。
本次主要是针对第⼀个参数----模糊⽅向的估计进⾏了研究。
运动模糊⽅向是指运动⽅向与⽔平⽅向的夹⾓，由⽂献得知运动模糊主要是降低了运动⽅向的⾼频成分，⽽对其他⽅向的⾼频成分影响较⼩。
常见的辨识⽅法有频域法和倒谱法，wym 两种⽅法都试过，仿真实验结果表两种⽅法各有好处。
频域法的原理是将退化图像进⾏⼆维傅⾥叶变换，得到具有相互平⾏的规则明暗条纹的频谱。
设暗纹与 x 轴正向夹⾓为φ，运动模糊⽅向与 x 轴夹⾓为θ，图像尺⼨为 M × N,根据傅⾥叶变换的时频特性可以知道，可通过公式 tan(θ) = tan(φ − 90°) × M/N 得到模糊⾓度θ ,因此只要通过 Radon 变换检测出频谱暗条纹与⽔平⽅向的夹⾓即可到运动模糊⽅向。
倒谱法的主要原理是先将退化图像进⾏⼆维傅⾥叶变换，然后取对数，再进⾏反傅⾥叶变换得到退化图像的倒频谱,分离出退化图像的模糊信息，进⽽通过 Radon 变换得到运动模糊⽅向。
Radon 变换是对频谱图上某⼀指定⾓度进⾏线积分，通过计算1°~180°的Radon变换得到180列的矩阵 R，每⼀列向量是图像在⼀个⾓度上沿⼀族直线的积分投影，因为积分直线束与频谱中的亮暗条纹平⾏，所以所得的投影向量中应有⼀个最⼤值，在频域法中最⼤值所对应的列数就等于模糊⽅向与x轴正⽅向⽔平夹⾓；在倒谱法中，最⼤值对应的列数 ±90°即为所求的模糊⾓度。
图像编码是一项广泛应用于多媒体领域的技术，其主要目的是将图像数据尽可能地压缩，以减小存储空间和传输带宽的需求。
而图像编码中的运动估计方法则扮演着重要的角色，它能够在压缩图像的同时保持图像质量。
本文将就图像编码中的运动估计方法进行探讨。
首先，我们先介绍一下什么是运动估计。
运动估计是指通过对连续帧图像之间的像素差异进行分析，从而推测出物体运动的过程。
简单来说，它通过对图像序列进行分析，找出各帧图像之间的相对位移。
图像编码时，通过提取运动信息并进行合理的编码，可以显著减小编码量，提高图像压缩率。
运动估计方法的选择可以根据具体应用的需求和场景来进行。
常见的运动估计方法包括全局运动估计和局部运动估计。
全局运动估计是指对整个图像进行运动分析，然后通过将运动信息应用于整个图像来进行编码。
局部运动估计则是将图像划分为多个块，并对每个块进行个别的运动估计，从而更准确地捕捉到各个块的运动信息。
在选择运动估计方法时，还需要考虑到时间和空间复杂度的平衡。
某些运动估计方法可能具有更高的准确度，但会消耗更多的计算资源。
因此，在实际应用中，需要根据具体情况进行权衡和选择。
一种常见的运动估计方法是基于块匹配的运动估计方法。
它将图像分成许多小的块，并通过在参考帧和当前帧之间进行像素级别的匹配来估计运动信息。
具体而言，该方法通过计算两个块之间像素之间的差异，并寻找最佳匹配块来确定运动向量。
这种方法简单有效，但对于复杂场景下的大范围运动可能存在一定的局限性。
除了基于块匹配的运动估计方法，还有一些基于全局优化的运动估计方法。
常见的有光流法和相位相关方法。
光流法是指通过分析图像中亮度的变化来估计运动的方法。
它假设一个像素在两幅连续图像中的亮度值变化是由于它的运动造成的，并通过求解亮度一致性方程来推导运动向量。
相位相关方法则是利用频域相关性进行匹配估计。
这些方法在处理大范围或复杂运动时通常具有更好的效果，但计算复杂度较高。
此外，还有一些深度学习方法近年来在图像编码中的运动估计中得到了广泛应用。
相位对焦原理
相位对焦原理是一种常用于相机和其他光学设备中的自动对焦技术。
它利用了光波的相位差以确定焦距，以确保物体在图像中得到清晰的表现。
在相位对焦原理中，光线通过透镜后会分成两个波，分别经过光路的两个不同位置。
这些波通过透镜后会聚到感光元件上的不同位置。
当物体离焦时，两个不同位置的焦点会在感光元件上错位。
这样就会形成一种相位差，也就是焦点之间的偏移量。
相位差的大小与物体离焦的程度成正比。
为了实现自动对焦，相机会使用一个对比度检测系统，该系统通过比较两个焦点的亮度来确定相位差的大小。
当焦点对齐时，相位差为零，对比度最高。
相机会通过微调镜头位置，以使焦点对齐并最大化对比度。
相位对焦原理的优点是速度快且准确度高。
它适用于快速移动的物体和拍摄高质量图像的需要。
然而，它对光线的相干性和透镜系统的质量有一定要求。
在相机中，常见的相位对焦技术包括相位对焦传感器和相位差对焦。
相位对焦传感器利用光学元件将焦点位置与图像传感器分离，从而实现更快的对焦速度。
相位差对焦则是利用两个焦点之间的相位差确定焦点位置，可以更准确地对焦。
总之，相位对焦原理是一种常用的自动对焦技术，通过光波的相位差来确定物体的焦距，以实现清晰的图像表现。
它在相机和其他光学设备中被广泛应用，提高了对焦的速度和准确度。
图像模糊原理
图像模糊原理是一种视觉效果，通过在图像上添加模糊或柔化效果，使图像变得更加平滑和模糊。
这种效果在摄影、电影和图形设计等领域被广泛应用。
图像模糊的原理是通过改变图像中像素点的亮度和对比度来模拟图像的模糊效果。
通常情况下，图像模糊的程度可以通过调整模糊算法的参数来控制，例如模糊半径或模糊强度。
模糊半径定义了模糊算法的范围，模糊强度则决定了图像模糊的程度。
常见的图像模糊算法包括高斯模糊、均值模糊和运动模糊等。
高斯模糊是最常见也最简单的一种模糊算法，其原理是对图像中的每一个像素点周围的像素进行加权平均，以实现模糊的效果。
均值模糊是另一种简单的模糊算法，它将每个像素点的值设置为周围像素点的平均值。
运动模糊则是通过模拟物体在运动过程中的模糊效果来实现图像模糊。
图像模糊的应用非常广泛。
在摄影中，模糊效果可以用来呈现运动的效果，例如拍摄流动的水或快速移动的对象。
在电影和视频编辑中，模糊效果可以用来强调或减弱特定区域的细节。
在图形设计中，模糊效果可以用来创建柔和的背景或突出主题。
总的来说，图像模糊通过改变图像像素的亮度和对比度来模拟模糊效果。
不同的模糊算法和参数可以产生不同程度和类型的模糊效果，用于各种不同的应用领域。
局部相位量化在模糊图像识别中的研究进展刘靖丹,逯洋,王淳(吉林师范大学数学与计算机学院,吉林四平136000)摘要:现代图像处理技术的不断发展,为人们提供了大量丰富的图像信息㊂图像处理手段很多,如图像去噪㊁图像平滑㊁图像去模糊㊁图像填充㊁图像分割等㊂处理模糊图像问题最具代表性的算法是局部相位量化(L o c a l P h a s e Q u a n t i z a t i o n,L P Q)和基于局部二进制模式(L o c a l B i n a r y P a t t e r n,L B P)的算子㊂与L B P特征算子相比,L P Q特征算子对图像模糊不敏感,其特征提取更加稳定㊂从介绍L P Q算子开始,首先对L P Q算子的发展现状和应用领域进行分类和总结;其次详细阐述和评论每种实验方法;最后思考和讨论L P Q算子的发展方向㊂关键词:局部相位量化;模糊图像识别;人脸识别中图分类号:T P391.41文献标识码:A 文章编号:2095 9699(2023)03 0006 06图像处理技术是利用计算机处理图像来进行科学研究的一门新兴科学㊂图像处理技术[1]的研究内容十分广泛,包括图像处理的基础,图像处理的研究方法等㊂图像处理技术的主要内容之一是图像识别㊂图像识别在图像采集过程中容易受到干扰(如尺度[2]㊁光照[3]或噪声[4]等),使得这项工作具有极大的挑战性,在其领域中一个较少被研究的性质是模糊[5-6]㊂环境中运动和大气湍流㊁低质量的图像系统很可能会产生图像的模糊不清㊂模糊图像会使图像效果恶化,对图像数据的收集造成障碍㊂所以,模糊图像特征辨识的方法有着重大研究价值,已成为有关学者探讨的焦点问题而受到了普遍重视㊂对此,2008年V i l l e O j a n s i v u[7]提出了一种用于纹理描述的模糊不敏感纹理分类方法,称为局部相位量化(L P Q)㊂该方法已经被证明比L B P算子[8-10]对模糊的容忍度更高㊂之后T i m o A h o n e n[11]将此方法引用到模糊人脸识别领域,大大提高了人脸识别效率,同时提高了图像处理的效率㊂后来L P Q算法在人脸识别领域中被不断改进,在局部特征提取方面取得了很好的效果,获得了很大的成功㊂L P Q算法也被应用于其他领域,如手势识别㊁面部识别和掌纹识别等㊂因此,有必要对该方法的相关研究成果进行全面的综述和讨论㊂本文系统综述了局部相位量化方法在处理模糊图像上的研究进展,进一步深入研究局部相位量化并以求为拓展其应用领域奠定基础㊂本文从介绍L P Q算子的起源开始,阐述了不同实验研究的动机㊁原理㊁优缺点,揭示了各种方法之间的差异和联系,最后思考了该方法的发展方向㊂1模糊不变的局部相位量化方法模糊不变的局部相位量化方法的优势有以下五点:(1)在处理图像时不需要加入特征点;(2)不需要对图像进行分类;(3)不需要新建模型,对已有的旧模型进行训练,计算结果与模型的性能指标保持一致;(4)可以作为快速处理的对象和模型;(5)在处理过程中具有可扩展性㊂在L P Q方法中,可以直接在计算机上用L P Q方法对图像进行分类㊂第38卷第3期2023年6月景德镇学院学报J o u r n a l o f J i n g d e z h e n U n i v e r s i t yV o l.38N o.3J u n.2023收稿日期:2023-05-10基金项目:吉林省发展和改革委员会创新项目(2021C038-7);吉林省创新创业人才基金(2023Q N31);吉林省自然科学基金(Y D Z J202301Z Y T S157)作者简介:刘靖丹(1999-),女,吉林长春人,在读硕士研究生,主要从事图像纹理识别方面的研究㊂通信作者:逯洋(1979-),女,吉林四平人,教授,博士,博士研究生导师,主要从事机器学习与数值模拟方面的研究㊂基于二维离散傅里叶变换[12](D F T )的L P Q 算子,使用短期傅里叶变换(S h o r t-T e r m F o u r i e rT r a n s f o r m ,S T F T )计算像素点局部邻域内的相位信息㊂1.1 离散傅里叶变换(D F T )在数字图像处理中,模糊图像g x 可以通过原始图像f x 和点扩散函数(P S F )卷积构成,其表达式如下:g (x )=(f *h )(x ) (1)将其进行傅里叶变换转变到频域,则式(1)转化为:G (u )=F (u )㊃H (u ) (2)其中G u ,F u 和H u 分别是g x ㊁f x 和h x 进行离散傅里叶变换(D F T )后的结果㊂可以将(2)式的幅值和相部分开,得到如下相位关系表达式:G u =F u ㊃H u和øG (u )=øF (u )+øH (u ) (3)假设模糊点扩散函数h x是中心对称的,即h (x )=h (-x ),如果傅里叶变换总是得到实值,那么它的相位只是一个二值函数,如式(4)所示:øH u =0H , u⩾0πH , u<0(4)对于规则的点扩散函数,使得当所有H (u )⩾0时都有:øG (u )=øF (u ) (5)这一关系就为模糊不变特征提取奠定了理论基础㊂1.2 短期傅里叶变换(S T F T )S T F T 是由(6)式定义的f x 的每个像素位置x 处的M ㊃M 邻域N x 上计算的,其中W u 是频率u 的二维D F T 的基向量,f x 是另一个包含来自N x 的所有M 2图像样本的向量㊂F u ,x =ðy ɪN xf (x -y )e -j2πu Ty=W Tu f x (6)可以看出,实现S T F T 的一种有效方法是对所有u 使用二维卷积㊂4个频点u 1=a ,0 T ,u 2=0,a T,u 3=a ,a T ,u 4=a ,-a T通过局部傅立叶系数计算,a 表示范围很小,a =1/M ㊂每个像素位置通过向量表示,如式(7)所示:F x =F u 1,x ,F u 2,x ,F u 3,x ,F u 4,x (7)傅里叶相位系数可使用各部分的实数和虚数的符号来表达,如式(8)所示㊂q j =1,g j ⩾0,0,g j <0(8)g j 是向量Gx =R e (F x ),I m (F x ) 的第j 个部分㊂然后q j 对其进行二进制编码,如式(9)所示㊂f L P Q x =ð8j =1q jx 2j-1 (9)L P Q (x )表示窗口尺寸为MˑM 的算法,图1中是窗口为5ˑ5的L P Q 算法实例㊂图1 L P Q 算法2 L P Q 算子的研究概况2.1 针对灰度图像的L P Q 算子及变体L P Q 算法大多针对灰度图像,研究内容大多是以人脸和纹理图像为研究对象来进行归纳㊂不同的实验研究使用了不同的数据集,包括O u t e x㊁Y A L E ㊁A R 和O R L 等㊂2.2 对单一图像模糊不敏感纹理分类方面的研究V i l l e O ja n s i v u 等人[7]提出了一种用于纹理描述的模糊不敏感纹理分类方法,称为局部相位量化㊂其研究重点是模糊不敏感的纹理分类,相比之下,L P Q 比L B P 对模糊的容忍度更高㊂T i m o A h o n e n等人[11]将L P Q 算子用于模糊人脸的识别,通过向L P Q 添加一个去相关来达到要求㊂通过对不同区域直方图的连接,完成人脸的全局描述,提高了算法识别率㊂朱长水等人[13]提出将局部二值模式和L P Q 进行融合的人脸识别方法,具体算法如图2所示㊂该方法比较直方图的相似性,根据最近邻原则进行识别,提高了算法的鲁棒性㊂图2 L B P /L P Q 算法㊃7㊃第3期 刘靖丹,逯 洋,王 淳:局部相位量化在模糊图像识别中的研究进展X i a o等人[14]提出局部相位量化加(L P Q+),将L P Q嵌入到F i s h e r向量(F V)中,利用F V增强模糊图像识别性能,并且L P Q+直接量化S T F T的局部相位㊂该方法有更强的局部模式表征能力,可以提高模糊图像的识别性能㊂Z h u等人[15]对L P Q+进行改进,提出一种判别模糊不敏感的纹理描述符,称为局部相位量化加加(L P Q++)㊂该方法是在S T F T产生的归一化模糊不敏感特征映射之间,建立空间信道相互作用以增强描述能力,同时保持对模糊的不敏感㊂陈晓文等人[16]提出用高斯拉普拉斯边缘检测和局部相位量化增强结合的模糊图像识别算法M r E L P Q和M s L o G(M u l t i-r e s o l u t i o n E L P Q a n d M u l t i-s c a l e L o G)㊂通过正负量化和幅值量化的操作,得到具有互补符号特征的E L P Q_S和幅值特征的E L P Q_M,将特征直方图进行串联,得到增强的局部相位量化模式,该算法增强了模糊的鲁棒性,并且具有更好的识别性能㊂O j a n s i v u等人是最早专门针对模糊图像进行研究的,后来的研究者都是以他们的研究为依据不断改进,以达到更好的效果㊂这是当时最具代表性和最具影响力的研究成果,也为识别模糊图像打开了新篇章㊂A h o n e n是首个将L P Q方法应用于人脸识别领域的,研究成果是L P Q算法应用人脸识别领域的开端㊂他的实验巧妙地在L P Q上使用去相关来进行改进算法,最后发现L P Q不仅可以很好地处理模糊,而且可以很好地处理现实图像中的其他干扰,实验更加验证了L P Q在识别模糊图像上的优越性㊂朱长水基于A h o n e n的实验进行画面分块,发现这个技术还存在着一定的局限,需要重复试验计算以确定最合适的大小来达到较好的识别率㊂以上实验都是针对简单的模糊图像,遇到复杂的图像时,只通过L P Q单一方法不容易得出好的结果㊂X i a o等人创新了人脸识别方法,借助F V在B o W 模型中获得新的模糊图像,改变L P Q对S T F T操作过程,从而获得更强的局部表征能力㊂同时针对多种不同数据集进行试验,做了大量改进工作,实验结果很好,但主要问题是对不同纹理的辨别能力没有得到充分利用㊂Z h u等人发现L P Q+忽略了S T F T特征图中不同频率点之间的空间和通道相关性,可能导致某些具有内在价值的纹理线索被忽略,所以进行再次改进,过程中发现归一化S T F T系数特征图之间的通道梯度可以从本质上帮助区分特定图像中的边缘和平坦区域,这对于模糊纹理的识别是至关重要的㊂2.3结合旋转变化和图像模糊不敏感纹理分类方面的研究图像去模糊工作复杂且困难,为预防图像处理工作受到其他外部因素的影响,V i l l e O j a n s i v u等人[17]提出一种新的模糊和旋转不敏感纹理描述子,称为旋转不变局部相位量化(R I L P Q)方法,是对模糊不敏感的L P Q纹理描述子进行旋转不变的扩展㊂通过估计局部特征方向并计算有向二值描述子,使其在旋转模式下表现更好㊂2.4结合尺度变化和图像模糊不敏感纹理分类方面的研究图像处理过程容易受到尺度变化的影响,朱长水等人[18]提出尺度不变特征转换(S I F T)和L P Q结合的人脸图像识别方法㊂S I F T算法检测并获取所有人脸图像特征点,统计所有特征点邻域的L P Q数据并显示成直方图序列,该方法是计算特征点邻域距离比得到的,在尺度㊁旋转㊁明暗等方面存在着一定的鲁棒优势,具有较好的识别效果,能有效降低面部信息的维度㊂提取的特征点主要集中在眼睛㊁鼻子和嘴巴上,这些点与面部特征相匹配,可以实现快速识别㊂以上基于L P Q方法的优缺点及其工作原理,如表1所示㊂2.5针对彩色图像的L P Q算子上述实验数据集大多是对灰度图像进行识别,而现如今获取到的人脸图像多为彩色图像,一些研究者会将彩色图像转化为灰度图像,这也将大大增加工作量,更加费时费力㊂想要实现符合现代的人脸识别技术,M a t t e o P e d o n e等人[19]提出针对处理彩色图像的L P Q描述符的扩展方法,该方法是利用颜色值的多向量表示得到的,是一种基于克利福德代数的L P Q描述子颜色扩展方法,该方法在模糊和非模糊纹理分类中具有较好的鲁棒性㊂L P Q描述符仅限于灰度图像,该描述子比灰度描述子和其他颜色纹理描述子具有更高的精度㊂此外,它的光照不变特性保证了在具有挑战性场景中的卓越性能,而无需用颜色不变算法预处理纹理㊂该算法也解决了分类的图像可能会经历的辐射失真㊁噪声和模糊等原因导致的退化㊂3拓展L P Q方法应用领域上述内容研究领域单一,依据本身对模糊不敏㊃8㊃景德镇学院学报2023年表1基于L P Q方法的优缺点及其工作原理方法工作原理优点缺点文献L P Q 基于局部图像窗口计算的D F T的相位信息对模糊高度不敏感,对均匀光照变化也具有不变性窗口大小有限,这种理想的不变性没有完全实现[7]将标签图像划分成合适的矩形区域,并在每个区域内独立计算标签直方图,利用连接起来的直方图建立全局描述对模糊的容忍度很高,在清晰图像上仍优于L B P-[11]L B P和L P Q融合将空域提取L B P特征和频域提取L P Q特征融合成L B P/L P Q直方图,进行直方图相似性比较,最后根据最近邻原则进行识别增强了对光照变化和噪声的鲁棒性,能够获得比L B P或L P Q更好的识别率需要选择合适的窗口大小以及图像分块大小,这一过程需要多次实验[13]L P Q+将L P Q嵌入到F V中,利用F V增强模糊图像识别性能有更强的局部模式表征能力辨别能力没有得到充分利用,忽略了特征图中频率点之间的空间和通道相关性[14]L P Q++在S T F T产生的归一化模糊不敏感特征映射之间,建立空间信道相互作用有更强的辨别能力,更有效地捕获到精细纹理图像-[15]M r E L P Q和M s L o G 在图像的空间域使用多尺度L o G算子提取图像的边缘特征增强了模糊的鲁棒性,有着更好的识别性能-[16]R I L P Q先估计局部特征方向,然后计算有向二值描述子在旋转模式下表现更好,在无旋转模式的情况下准确性也很高-[17]L P Q结合S I F T 利用S I F T算法检测特征点,得到特征点集合,将计算出的邻域特征表述为直方图序列对尺度㊁旋转㊁亮暗等图像变换具有一定的鲁棒性-[18]感的独特特征,一些学者将此算子拓展到其他领域,扩大了算法的通用性,以下内容对此进行了列举㊂3.1在掌脉识别中的应用在手掌静脉识别系统中,因为人类手掌生理构造特点易产生影像模糊,使得识别精度降低㊂林森等人[20]提出了基于子区域L P Q鲁棒识别问题的方法㊂通过建立一个L P Q特征提取模型,将掌脉图像分为几个子段,提取并集成每个分区的L P Q特征,最后利用卡方距离匹配识别㊂该方法具有良好的手掌图像模糊强度,有效提升了手掌静脉识别系统的性能㊂3.2在人耳识别中的应用现实中获得的人耳图像数据往往具有不同程度的信号退化,最典型的信号衰减类型是模糊和热噪声㊂为改善这一问题,黄冠等人[21]比较人耳图像识别过程中三种不同的图像识别算法的影响,分别用到方向梯度直方图(HO G)㊁L P Q和L B P方法进行实验,经过对比L P Q算法对模糊性有很好的识别能力,L B P算法如图3所示㊂图3 L B P算法3.3在车标识别中的应用贺敏雪等人[22]提出基于抗模糊特征的车标识别方法,以解决标识图像上的图像模糊问题㊂通过构建标志图像金字塔模型,利用L P Q算法提取车标图像的抗纹理和抗边缘模糊特征,并且使用典型相关分析(C C A)以促进后续的降维和分类㊂该方法结合两种抗模糊特征,具有较好的识别效果和较强的鲁棒性和抗模糊性㊂3.4在森林火灾图像识别中的应用为减少森林大火的误报概率和提升火灾报警效率,李巨虎等人[23]提出火焰独特色彩和纹理特征的火焰识别算法,将L B P和L P Q直方图特征融合到了分块中㊂算法将图像变换到Y C b C r颜色空间,根㊃9㊃第3期刘靖丹,逯洋,王淳:局部相位量化在模糊图像识别中的研究进展表2 不同实验基于L P Q 方法的图像识别效果数据集类型数据集方法识别率L B P识别率L P Q识别率文献纹理图像O u t e xL P Q 93.6%90.2%93.6%[7]人脸图像C MU P I E L P Q93.5%70.1%93.5%[11]人脸图像Y A L E A RL B P 和L P Q 融合98%96%95.3%92.7%88%81.6%[13]纹理图像t h e 15-c l a s s Y a l e f a c e人脸图像10-c l a s s K T H t e x t u r e场景图像21-c l a s s l a n d -u s e s c e n e云朵图像6-c l a s s HU S T c l o u d花朵图像17-c l a s s O x f o r d f l o w e rL P Q+73%7.2%69.3%70.3%20.1%57.3%60%18.7%29.1%69.8%22.7%38.2%47.9%11.4%23.2%[14]织物图像28-c l a s s K y l b e r gL P Q++97.1%85.8%97.3%[15]纹理图像B r o d a t zK T H-T I P SM r E L P Q &M s L o G97.09%64.91%86.92%98.73%60.91%87.25%[16]人脸图像O R L L P Q 结合S I F T97%--[18]纹理图像O u t e x -14L P Q 76.7%68.9%67.3%[19]人耳图像-L P Q78.63%70.16%78.63%[21]车标图像H F U T-V LL P Q 局部量化模式89.57%-75.63%[22]火焰图像-L B P 直方图特征结合L P Q 直方图特征94.55%71.82%76.36%[23]签名图像C ED A RM B -L B P 和L P Q 融合96.73%--[24]据L B P 与L P Q 算法提炼所有疑似火灾区的图像与数据,并且利用支持向量机(S VM )识别火焰纹理㊂该算法提高了识别率,能成功区分红叶林与火焰,可以快速预测火灾㊂3.5 在维吾尔文离线手写签名中的应用为了提高离线手写签名识别的精确性,张淑婧等人[24]提出基于纹理特征的维吾尔文离线签名识别方法㊂提取多尺度块L B P 和L P Q 纹理特征,通过随机森林(R F )对图像进行分类识别㊂该方法对签名识别具有较好的准确性㊂针对不同实验基于L P Q 方法的图像识别效果如表2所示㊂4 结语通过介绍模糊图像基于L P Q 方法的研究进展情况,可以看出基于L P Q 方法的图像处理是一种有效的方法㊂可见L P Q 算法及其变体在图像处理㊁计算机视觉领域提供了一类重要的特征提取方法,并且L P Q 算法通用性强,不局限于灰度图像,甚至在多个领域图像识别结果中都有着极高识别率㊂L P Q 方法具有强大的应用价值与广泛的应用前景,对纹理特征提取过程中解决模糊因素影响的研究方法越来越丰富㊂因此,在实际操作中研究者应该对基于L P Q 的图像处理方法进行不断的改进与完善㊂一方面,可以结合多种影响因素进行纹理特征提取,以获取更全面㊁准确的特征信息;另一方面,也可以改进现有的相关方法或者寻找更加合适的模糊度量方法,从而提高算法的精度和鲁棒性㊂这些改进措施可以大幅提升算法的性能,使其在实际应用中表现更加优越㊂在研究L P Q 这类问题过程中发现,处理模糊图像也能够通过深度学习的方法得到解决㊂关于深度学习方法来解决图像模糊的问题,后续会进行深入研究并继续扩展L P Q 的应用领域,尝试对图像进行分割处理来有效地提取图像信息,从而能够更好地解决模糊图像处理中复杂系统的不确定性的难题㊂㊃01㊃ 景德镇学院学报 2023年参考文献:[1]徐彩云.图像识别技术研究综述[J ].电脑知识与技术,2013,9(10):2446-2447.[2]张瑾,苑颖.基于改进多尺度采样算法的模糊图像识别方法研究[J ].电子技术与软件工程,2021(22):129-131.[3]王华君,李荣,徐燕华,等.基于局部相位纹理表示的光照变化人脸识别算法[J ].计算机与现代化,2015(12):84-89.[4]陈晓文.退化图像的特征提取与复原研究[D ].成都:西南交通大学,2020.[5]胡磊.基于计算机技术的模糊图像特征提取和分类识别技术研究[J ].信息与电脑(理论版),2020,32(12):123-125.[6]朱子豪.模糊条件下的图像识别与检测技术研究[D ].武汉:华中科技大学,2021.[7]O ja n s i v u V ,H e i k k i l a J .B l u r i n s e n s i t i v e t e x t u r e c l a s s i f i c a t i o n u s i n g lo c a l p h a s e q u a n t i z a t i o n [J ].L e c t u r e N o t e s i n C o m pu t e r S c i e n c e ,2008,5099:236-243.[8]刘丽,谢毓湘,魏迎梅,等.局部二进制模式方法综述[J ].中国图象图形学报,2014,19(12):1696-1720.[9]李旭辉.基于图像预处理的局部二值模式人脸识别方法[J ].电子技术与软件工程,2019(7):66-67.[10]袁宝华,王欢,任明武.基于完整L B P 特征的人脸识别[J ].计算机应用研究,2012,29(4):1557-1559.[11]A h o n e n T ,R a h t u E ,O j a n s i v u V ,e t a l .R e c o gn i t i o n o f b l u r r e d f a c e s u s i n g lo c a l p h a s e q u a n t i z a t i o n [C ]//200819t h I n t e r n a t i o n a l C o n f e r e n c e o n P a t t e r n R e c o gn i t i o n .I E E E ,2008:2779-2782.[12]C h i -K i e n T r a n ,T h a n h -H o a N o g ,C a m -N g o a n N g u ye n .S VM -B a s e d F a c e R e c o g n i t i o n t h r o u gh D i f f e r e n c e o f G a u s s i a n s a n d L o c a l P h a s e Q u a n t i z a t i o n [J ].I n t e r n a t i o n a lJ o u r n a l o f C o m p u t e r T h e o r y a n d E n g i n e e r i n g,2021,13(1).[13]朱长水,丁勇,袁宝华,等.融合L B P 和L P Q 的人脸识别[J ].南京师大学报(自然科学版),2015,38(1):104-107,112.[14]X i a o Y ,C a o Z ,W a n g L ,e t a l .L o c a l p h a s e q u a n t i z a t i o n p l u s :A p r i n c i p l e d m e t h o df o r e m b e d d i ng lo c a l p h a s e q u a n t i z a t i o n i n t o f i s h e r v e c t o r f o r b l u r r e d i m a g e r e c o gn i t i o n [J ].I n f o r m a t i o n S c i e n c e s ,2017(420):77-95.[15]Z h u Z ,X i a o Y ,L i S ,e t a l .L P Q++:a d i s c r i m i n a t i v e b l u r -i n s e n s i t i v e t e x t u r a l d e s c r i p t o r w i t h s pa t i a l -c h a n n e l i n t e r a c t i o n [J ].I n f o r m a t i o n S c i e n c e s ,2021(510):191-211.[16]陈晓文,刘光帅,刘望华,等.结合L o G 边缘检测和增强局部相位量化的模糊图像识别[J ].计算机科学,2020(12):197-204.[17]O j a n s i v u V ,R a h t u E ,H e i k k i l a J .R o t a t i o n i n v a r i a n t l o c a l p h a s e q u a n t i z a t i o n f o r b l u r i n s e n s i t i v e t e x t u r e a n a l ys i s [C ]//200819t h I n t e r n a t i o n a l C o n f e r e n c e o n P a t t e r nR e c o g n i t i o n .I E E E ,2008:3596-3599.[18]朱长水,曹红根,袁宝华,袁红星.基于尺度不变特征转换与局部相位量化结合的人脸识别[J ].兰州理工大学学报,2013,39(6):90-93.[19]P e d o n e M ,H e i k k i l a J .L o c a l p h a s e q u a n t i z a t i o n d e s c r i pt o r s f o r b l u r r o b u s t a n d i l l u m i n a t i o n i n v a r i a n t r e c o gn i t i o n o f c o l o r t e x t u r e s [C ]//201221s t I n t e r n a t i o n a l C o n f e r e n c e o n P a t t e r nR e c o gn i t i o n .I E E E ,2012:2476-2479.[20]林森,吴微,苑玮琦.子区域局部相位量化在掌脉识别中的应用研究[J ].仪器仪表学报,2014,35(3):543-549.[21]黄冠,江晓昱,胡章威,等.模糊与噪声对人耳识别性能的影响[J ].现代生物医学进展,2018,18(5):863-866.[22]贺敏雪,余烨,徐京涛,等.抗模糊特征提取策略下的车标识别[J ].中国图象图形学报,2020(3):605-617.[23]李巨虎,范睿先,陈志泊.基于颜色和纹理特征的森林火灾图像识别[J ].华南理工大学学报(自然科学版),2020,48(1):70-83.[24]张淑婧,麦合甫热提,吾尔尼沙㊃买买提,等.基于纹理特征的维吾尔文离线手写签名鉴别[J ].计算机工程与设计,2020(3):770-776.R e s e a r c h P r o g r e s s o f L o c a l P h a s e Q u a n t i z a t i o n i n B l u r r e d I m a g e R e c o gn i t i o n L I U J i n g d a n ,L U Y a n g,W A N G C h u n (C o l l e g e o f M a t h e m a t i c s a n d C o m p u t e r ,J i l i n N o r m a l U n i v e r s i t y ,S i p i n g 136000,C h i n a )A b s t r a c t :T h e c o n t i n u o u s d e v e l o p m e n t o f m o d e r n i m a g e p r o c e s s i n g t e c h n o l o g y h a s p r o v i d e d a l a r g e a m o u n t o f r i c h i m a g e i n f o r m a t i o n f o r p e o p l e .T h e r e a r e m a n y i m a g e p r o c e s s i n g m e t h o d s ,s u c h a s i m a g e d e n o i s i n g,i m a g e s m o o t h i n g ,i m a g e b l u r r i n g ,i m a g e f i l l i n g ,i m a g e s e g m e n t a t i o n ,a n d s o o n .T h e m o s t r e pr e s e n t a t i v e a l g o r i t h m s f o r b l u r r e d i m a g e p r o c e s s i n g a r e L o c a l P h a s e Q u a n t i z a t i o n (L P Q ),a n d a n o pe r a t o r b a s e d o n L o c a l B i n a r y P a t t e r n (L B P ).C o m p a r e d w i t h L B P -f e a t u r e d o p e r a t o r ,L P Q -f e a t u r e d o pe r a t o r i s l e s s s e n s i t i v e t o i m a g e b l u r a n d i t sf e a t u r e e x t r a c t i o n i s m o r e s t a b l e .S t a r t i ng wi t h t h e i n t r o d u c t i o n o f L P Q o p e r a t o r ,T h i s p a p e r f i r s t l y c l a s s i f i e s a n d s u mm a r i z e s t h e d e v e l o p m e n t s t a t u s a n d a p pl i c a t i o n f i e l d s o f L P Q o p e r a t o r .S e c o n d l y ,e a c h e x p e r i m e n t a l m e t h o d i s e l a b o r a t e d a n d r e v i e w e d i n d e t a i l .F i n a l l y,t h e d e v e l o p m e n t d i r e c t i o n o f L P Q o pe r a t o r i s c o n s i d e r e d a n d d i s c u s s e d .K e y wo r d s :L o c a l P h a s e Q u a n t i f i c a t i o n ;b l u r r e d i m a g e r e c o g n i t i o n ;f a c e r e c o g n i t i o n ㊃11㊃第3期 刘靖丹,逯 洋,王 淳:局部相位量化在模糊图像识别中的研究进展。
1997年3月第24卷 第1期西安电子科技大学学报JOU RNAL O F X I D I AN U N I V ER S IT Y M ar .1997V o l .24 N o.1相位测距中的解模糊技术Ξ沈福民 贾永康(西安电子科技大学电子工程研究所 西安710071)摘要 分析了在连续波(C W )雷达中利用多频率目标回波相位差进行测距时所存在的严重模糊问题.用模糊函数的概念来评价及改善雷达系统的测距(和测速)性能.为减弱测距模糊,文中还对多频C W 雷达的差频值如何按一定参差关系设置进行了探讨.最后,提出和分析了在相位测距中的一种解模糊方法.关键词 相位测距 模糊函数 最大不模糊距离 参差中图分类号 TN 95312连续波(C W )体制雷达因其设备简单、轻便,在不少应用场合仍然受到重视.近年来,由于现代战争环境下反电子干扰的需要,因而又重新产生了对C W 雷达改进和应用的研究兴趣.各种类型的连续波调制雷达能够实现测距功能,但都存在着测距模糊(当然也有测速模糊)问题.解决(或减弱)这种模糊和保证测量精度往往互不兼容.例如,双频发射的C W 雷达,要减弱其测距模糊,必须缩小两个发射频率的频率差值,但这又会使测距精度随之降低.在双频C W 雷达中,目标的距离信息主要依赖于差频的相位关系,而相位值是以2Π为模随距离变化重复出现的,C W 雷达的测距模糊由此而生.解决测距模糊可以采用类似脉冲雷达测距解模糊的方法.在那里,参差脉冲重复周期(R P I )的技术被普遍运用;而对于C W 雷达,可采用多频发射,且相互的差频值按一定的参差关系选择,如此可以有效地解决或减弱测距模图1 目标测量几何关系糊,提高雷达测距性能.1 模型的建立多频C W 雷达直接利用了每个发射频率目标反射回波的多普勒频率相位关系,如图1所示.假设雷达工作频率为f i (i =0,1,2,…,M-1),目标在t 0时刻的距离为R 0,则第i 个频率的目标反射回波信号x i 为x i =A i exp [-j 4Πf i (R 0-V r (t -t 0)) c ](1)其中,A i 为目标回波的振幅,V r 为目标径向速度,c 为光速.将多普勒频率fd i =2V r f i c 代入式(1),则x i =A i exp [j (2Πf d i (t -t 0)-Υoi ]式中 Υoi =4Πf i R 0 c 为t 0时刻由距离R 0引起的目标回波相位滞后.通常由于各工作频率间的差频值远小于工作频率,故目标在不同频率上的多普勒频率差可以忽略不计.(譬如,一般若取f i 为几个GH z,而差频值取为几个M H z,则∃f d i 仅为f d i 的10-3量级).假定f 0为基准发射频率,每个工作频率f i 的反射回波和f 0的回波相位差∃Υi 近似为4Π∃f i R 0c (其中∃f i =f i -f 0),且考虑到振幅A i 近似不变,则接收回波可用矢量表示ΞX (t )=A exp [j (2Πfd (t -t 0)-Υ00)][1,exp (-j ∃Υ1),exp (-j ∃Υ2),…,exp (-j ∃ΥM -1)]T(2)式中 A 、f d 分别表示目标反射回波的振幅和多普勒频率,符号“T ”表示矩阵转置.若有两个或两个以上的目标,C W 雷达必须以它们的不同多普勒频率(即有不同速度)进行区分,接收回波信号需要在通道设置多普勒滤波器组,将不同目标的回波分离开来.这样,均可用式(2)分开表示.2 距离模糊由上面分析可知,相位测距的关系式可表示为R =c ∃Υi 4Π∃f i (i =1,2,…,M -1)(3) 因相位差∃Υi 以2Π为模,即便减小∃f i (不能减小太多,下面还将分析),还会使每个差频∃f i 上的最大不模糊距离远不能满足测距要求,即产生所谓“距离模糊”(或测距模糊).同时采用多个频率发射,且按一定的参差比选择其差频值,利用各个频率上的测距相位信息,就能有效减弱距离模糊的影响.假定以各个差频上的最大不模糊距离a i [=c(2∃f i )]实现参差比,即a 1∶a 2∶…∶a N =m 1∶m 2∶…∶m N (N 一般不大于M -1),则有∃Υi =4ΠFR(c m i ),其中F =m i ∃f i (i =1,2,…,N ).推广应用在脉冲雷达检测中模糊函数的概念,即当两个不同距离上(且有不同速度)的目标回波矢量X a (t )和X b (t ),使下列和式∑K -1k =0X a (k T s )-X b (k T s )2(4)达到最小时,则可认为检测的模糊度[1]最大,即此时两目标在距离(或多普勒速度)上难于区分,产生模糊.式(4)中采用了离散时域信号,T s 为采样周期,K 为观察时间长度,“ ”表示矢量的范数.式(4)还可等价表示为∑K -1k =0R e [XT a (k T s )X 3b (k T s )]式中 “R e [·]”表示取实部,符号“3”表示求共轭.由上式可定义多频C W 雷达检测的模糊函数B (Σ,f d )为35第1期 沈福民等:相位测距中的解模糊技术B (Σ,f d )=∑K -1k =0XT (k T s ,f a )X 3[k (T s +Σ),(f a +f d )](5)式中 Σ、f d 分别表示两目标距离差引起的时延和多普勒频率差;f a 为第一个目标的多普勒频率.将式(2)代入式(5),可得B (Σ,f d )的归一化模值B m (Σ,f d )为B m (Σ,f d )=1K (N +1)sin (ΠK f d T s )sin (Πf d T s)1+∑N i =1exp (j 2Π∃fi Σ)(6)由式(5)容易看出,模糊函数实际上表示矢量X a (t )和X b (t )的互相关,这和在空间域考虑模糊的问题[2]思想是类似的.(a )未参差(b )经参差45 西安电子科技大学学报 第24卷的目标距离和多普勒速度范围内尽可能小;另外,为了提高测距和测速精度,要求B m (Σ,f d )在原点附近有陡的斜率(即有尖锐的峰).图2为两种特定参数(见图中标明)下模糊函数归一化模值的分布情况.图中可明显看出,经参差考虑后的模糊情况要比未参差的减弱得多.精心选择N 个差频值(即各个最大不模糊距离a i 所对应的参差比),可以使模糊减到最弱(考虑整个区域内),使检测性能达到最好.另外,∃f i (i =1,2,…,N )也不能选得太小,否则B m (Σ,f d )在距离维(即Σ)的斜率将不陡,影响距离测量的精度.由式(6)可看出,∃f i 的选择和多普勒频率f d 一维无关,这就使问题得以简化,在f d 维内的考虑主要应选择足够的观测时间长度K .图2(b )中的情况还未达到最佳状况,只是一个例举.选择∃f i ,只须在距离一维内考虑.有关工作频率差频值的最佳选取及对测距性能的影响方面的进一步深入讨论,将另作专门问题考虑,这里不再赘述.图3 多个∃f i 的相位差和距离的关系3 解模糊方法利用经参差考虑的多个差频相位信息,可以有效减弱距离模糊,由此,有可能将目标的真实距离解算出来.用计算机(或微处理器)作参数搜索可容易地实现目标距离的解算功能.图3表示在不同距离上目标回波由各个∃f i 所产生的相位滞后∃Υi 值(以2Π为模),实际上目标距离R 可表示为R =(b i +∃Υi 2Π)a i (i =1,2,…,N )(7)式中 b i 为非负整数,∃Υi 为测量的相位差数据(以弧度为单位).由式(7),可以直接对b i 进行整个测量距离范围内的搜索,以获取目标距离值,但通常由于搜索范围大,显得十分麻烦,且影响处理速度.为了获得简便的搜索方法,不妨先在由第一、二差频组合的最大不模糊距离R (1)m ax 上确定出目标在这组差频上的模糊距离值(并非真实距离),然后再作较少量搜索,得到目标实际距离值.因为R (1)m ax =(m 1m 2 n )a ,其中a =a i m i (i =1,2,…,N ),而n 为m 1、m 2的最大公约数(取m i 为互质时,n =1).假定m 1>m 2(这种假设不失一般性),则有b (1)1(a 1-a 2)+∃Υ12Πa 1=I a 2+∃Υ22Πa 2(8)式中 I =b (1)2-b (1)1,而b (1)1、b (1)2分别表示在R (1)m ax 内目标模糊距离关于a 1和a 2的整段数,容易看出I 亦为非负整数.由于b (1)1≤m 2 n ,b (1)2≤m 1 n ,因而可以确定I 的取值范围为I =a 1-a 2a 2b (1)1+∃R a 2≤m 1-m 2n +∃R a 2(9)式中 ∃R =∃Υ12Πa 1-∃Υ22Πa 2,由上式可对I 的取值范围(即搜索范围)具体分析如下:(1)若∃R <0,I 可以从0至(m 1-m 2) n -1搜索;(2)若∃R >0,I 可以从1至(m 1-m 2) n +I N T [∃Υ1a 1 (2Πa 2)]搜索(其中“I N T [ ]”55第1期 沈福民等:相位测距中的解模糊技术一般情况下,由于m 1、m 2的值比较接近(如图2(b )例),故I 的搜索范围要比b (1)1(或b (1)2)直接搜索时的范围小得多.利用式(8)对I 进行搜索,可以很方便地确定b (1)1值,即当式(8)b (1)1计算恰为整数时的值.确定了在R (1)m ax 内的模糊距离值后,再来解算目标的真实距离.设b 1=J m 2 n +b (1)1,使非负整数J 在雷达作用距离范围内从0开始不断增大搜索(实际上是以R (1)m ax 的整段距离为间隔搜索),由(b 1+∃Υ1 (2Π))m 1 m i =g i (i =3,4,…,N ),找到使所有b i +∃Υi(2Π)与g i 对应相同的b 1值,即为所求目标真实距离关于a 1的整段数,由此得到目标的真实距离.实际测量中,由于雷达通道噪声、杂波背景和测量误差等因素的影响,不可能精确获取多频率目标回波的相位差值.因而在求b (1)1(或b (1)2)和b i (i =3,4,…,N )时,不可能有恰好相符的理想情况,必须依照一定的准则进行最佳估值(或拟合).最简便而有效的估值准则可采用如下形式m in R δi ∑N i =1(R δi -R δ)2(10)式中 R δ=1N ∑N i =1R δi ,Rδi (i =1,2,…,N )为b 1在搜索时所求出的各个∃f i上对应的目标距离估值.图4 目标距离估值的误差计算图4表示目标距离估值由式(10)计算产生的误差(用分贝表示)情况.由图4可清楚看出,在目标真实距离(设为2km )处出现一个最大的零深,说明估计是基本准确的,没有出现误判(模糊段判错,即b i 判错).但由于相位测量误差(Ρp =10°)的影响,这个最大零深的深度已非理想情况下的深度(即估值误差不为零).在实际判决(或估值)中,要求测量误差有一定限制,才能不发生误判,且估值误差也会减小,这种限制对雷达系统和相位测量提出了较为严格的要求,模拟计算和外场测试结果表明,通常要求相位误差值不大于10°.4 结束语多频C W 雷达采用差频按一定参差要求选取,可有效减弱目标的测距模糊.由于仅利用目标回波的相位信息,故测距对相位测量的误差有较高要求.为了提高对目标距离估值的准确65 西安电子科技大学学报 第24卷试表明,通常在低空目标测距中因镜像反射[3]引起的误差对测距影响不大.多个工作频率回波信号的接收致使系统设备显得复杂、庞大,这就失去了原有C W 体制的优越性.可以实行差频分时工作,即如步进频率的脉压雷达那样的工作方式,以解决设备复杂的问题,但由于运动目标距离上的变化,需要对测距进行目标回波的相位补偿,才能较准确地获取目标某一时刻的距离数据.这方面的探索和研究工作尚需进一步进行.参 考 文 献1张有为,李少洪编1雷达系统分析1北京:国防工业出版社,19812L in H C .Spatial Co rrelati on in A dap tive A rrays .IEEE T rans ,1982,A P 230(2)3Barton D K .L ow 2A ngle T rack ing .M icrow ave Jour ,1976,(12)4Eaves J L ,R eedy E K .P rinci p les of M odern R adar .N ew Yo rk :V an N o strand R einho ld Company ,1987(编辑:郭 华) D e 2am b iguous te chnique s in the m e a s urem e nt of ra nge by pha s e sS hen F um in J ia Y ong kang(R esearch In st .of E lectron ic Engineering ,X idian U n iv .,X i πan ,710071)AbstractIn th is pap er ,w e have analyzed the seri ou s am b igu ity that ex ists in range m easu rem en t by u sing the p hase difference betw een targets πechoes of m u lti 2frequency in the C W radar .T he ex tended concep t of the am b igu ity functi on is u sed to criticize and i m p rove the range and speed m easu rem en t p erfo r m ance of the C W radar system .How to select the staggered rati o of frequencies πdifference of the m u lti 2frequency C W radar to reduce the am b igu ity of range m easu rem en t is also discu ssed .F inally ,w e have p resen ted and analyzed a m ethod of de 2am b igu ity of range m easu rem en t .Key W ords range m easu rem en t by phase am b igu ity functi on m ax i m um unam b igu ityrange stagger中国运筹学会第五届全国代表大会在我校召开中国运筹学会第五届全国代表大会暨学术会议于1996年10月11～15日在我校召开.参加会议的有来自全国29个省市自治区及香港的170余名代表.国家科委副主任徐冠华院士、中国科学院副秘书长王玉民教授、陕西省体改委主任李相启、陕西省科协副主席徐任、西安市科委副主任贺昌政等领导出席了大会.国际运筹学联合会主席P .C .Bell 教授(加拿大)、司库Sch rady 博士(美国)、秘书W elling (丹麦)也专程前来参加大会并致了贺词.会议进行了大会报告及分组报告.内容涉及线性与非线性规划、组合优化和排序、图与网络、多目标规划、对策与决策、排队论、系统可靠性数学、计算机模拟、最优控制、马氏决策规划、管理信息系统与决策支持系统等方面的理论与方法以及运筹学在各方面的应用.与会代表进行了热烈的讨论和广泛的交流.75第1期 沈福民等:相位测距中的解模糊技术。
基于相位相关的目标图像亚像元运动参数估计孙辉;马天玮【摘要】为获取亚像元级目标运动参数,提出一种基于相位相关分析的图像配准方法.首先讨论了目标局部运动和全局运动的目标参数估计问题,通过图像减影运算和模块匹配方法实现粗配准,从全景图像中分离目标信息和背景信息,计算目标中心坐标,获取像元级运动参数；然后采用相位相关图像配准方法实现精配准,利用傅里叶变换的平移特性,对产生平移的目标图像,通过求解归一化的互功率谱的傅立叶逆变换,得到二维脉冲函数,其峰值对应图像位移,由此获取亚像元级位移量.在实验室通过自准直光学系统获取光斑运动图像,使用Leica经纬仪标定光斑运动参数精度.结果表明,该方法效果显著,最大配准误差为0.156,标准差为0.091,配准精度优于1/10像元.%A high accuracy sub-pixel-level motion estimation of algorithm based on phase-only correlation was proposed. This algorithm consists of two steps; one for pixel-level correspondence estimation and the other for sub-pixel-level correspondence estimation. In pixel-level estimation, the method of image subtract or method of template matching are used to find the target image in the original input images for two classes of motion, namely local motion and global motion, then the pixel-level image shift enables to be detected coarsely by calculating the coordinate of center of the target image. In sub-pixel-level estimation, the method of image registration based on phase-only correlation(POC) is employed to detect sub-pixel-level displacement, which applies the translation characteristics of Fourier transform to search translation between images. The 2-D inverse Fourier transform for the normalized cross spectrum is a2-D impulse function, the impulse enables to determine the translation displacement from the location of the correlation peak, so as to obtain finely image displacement. The method described in this paper has been applied to the experimental of registration of light-spot from autocollimator. The result shows that this method can detect sub-pixel-level shift parameters accurately and efficiently, which makes possible to estimate the displacement with 0. 1-pixel accuracy, the maximum error of registration is only 0. 156-pixel, and the root of mean square error of image registration is better than 0. 091-pixel.【期刊名称】《液晶与显示》【年(卷),期】2011(026)006【总页数】5页(P858-862)【关键词】相位相关;亚像元;图像配准;运动估计【作者】孙辉;马天玮【作者单位】中国科学院长春光学精密机械与物理研究所,吉林长春 130033;中国科学院长春光学精密机械与物理研究所,吉林长春 130033【正文语种】中文【中图分类】TP3911 引言目标识别与跟踪是计算机视觉研究领域的热点，在医学成像、航空遥感、运动分析、工业检测、军事侦察等领域得到了广泛应用［1－4］。
halcon 相位相关法
Halcon相位相关法是一种基于光学原理的图像处理技术，它可以用于图像匹配、目标跟踪、三维重建等领域。
相位相关法的基本思想是将两幅图像进行傅里叶变换，然后将它们的频谱相乘，再进行逆傅里叶变换，得到的结果就是两幅图像的相位相关函数。
相位相关法的优点是速度快、精度高、鲁棒性强。
它可以处理灰度图像、彩色图像、二值图像等不同类型的图像。
在图像匹配方面，相位相关法可以用于检测目标物体在图像中的位置和姿态，从而实现目标跟踪和识别。
在三维重建方面，相位相关法可以用于测量物体的形状和表面形貌，从而实现三维重建和形状分析。
相位相关法的实现过程比较简单，主要包括以下几个步骤：
1. 对两幅图像进行傅里叶变换，得到它们的频谱。
2. 将两幅图像的频谱相乘，得到它们的相位相关函数。
3. 对相位相关函数进行逆傅里叶变换，得到匹配结果。
4. 对匹配结果进行后处理，如阈值化、滤波等，得到最终的匹配结果。
相位相关法的应用非常广泛，它可以用于机器视觉、自动化控制、医学影像等领域。
例如，在机器视觉中，相位相关法可以用于检测产品的缺陷和形状，从而实现自动化检测和质量控制。
在医学影像
中，相位相关法可以用于诊断疾病和分析病情，从而提高医疗水平和治疗效果。
Halcon相位相关法是一种非常有用的图像处理技术，它可以帮助我们实现图像匹配、目标跟踪、三维重建等任务，从而提高生产效率和科研水平。
