Tekst źródłowy strony USG/Doppler

=Metoda dopplerowska=
Do dyspozycji mamy zestaw danych RF z 31 kolejnych nadań pod stałym kątem (zerowym) falą płaską o parametrach:
UWAGA: te parametry niekoniecznie sa zgodne z Prawdą.
<source lang = python>
f0=5.5e6 # Częstotliwość nadawcza przetworników [Hz]
fs=9e6 # Częstotliwość próbkowania [Hz]
pitch = 0.00021 # Deklarowana odległość między środkami przetworników nadawczo-odbiorczych

NT=192 # Liczba przetworników w pełnej aperturze
Ntr=192 # subapertura nadawcza
</source>
Obrazowany jest przekrój fantomu przepływowego złożonego z rurek umieszczonych w materiale tkankopodobnym. Pompa wywołuje przepływ o stałym natężeniu płynu krwiopodobnego znajdującego się w rurkach. Będziemy starali się wykorzystać metodę dopplerowską do stworzenia mapy obrazujacej zwrot i względne natężenie przepływu. Średnie odchylenie dopplerowskie szacować będziemy przy użyciu estymatora autokorelacyjnego.

==Demodulacja danych==
Estymator autokorelacyjny stosowany jest do danych zdemodulowanych (IQ). Demodulację możemy przeprowadzić zarówno na danych surowych, jak i na danych po rekonstrukcji. W naszym wypadku zastosujemy to drugie rozwiązanie. Na początku musimy zrekonstruować 31 obrazów (z pełną dynamiką jasności, przed liczeniem obwiedni) - proszę wykorzystać w tym celu funkcje przygotowane na poprzednich zajęciach.<br><br>
Następnie stworzymy funkcję dokonującą demodulacji każdego z obrazów, tj. dla każdego próbki o współrzędnych <math>(x,y)</math> <br>
<math>IQ(x,y)= RF(x,y)\cdot e^{-i\cdot2\pi f_{0}t} </math>
gdzie <math>IQ</math> - sygnał po demodulacji; <math>RF</math> - sygnał przed demodulacją; <math>t</math> - czas odpowiadający momentowi akwizycji próbki z danej głębokości; możemy przyjąć uproszczone założenie, że:
<math>t= 2y/c </math>; jak widać, pierwszy wymiar (szerokość) jest w naszej procedurze nieistotny.
Po demodulacji dane należy przefiltrować. W naszym wypadku wystarczający powinien być filtr dolnoprzepustowy o częstotliwości odcięcia równej 5.55 MHz

==Estymator autokorelacyjny==
Następnie przygotowujemy skrypt realizujący estymator autokorelacyjny. Estymator szacuje średnią częstotliwość w oknie długości <math>N</math> jako
<math> </math>