4.3 质量引导路径跟踪
在上一节中，我们研究了戈尔茨坦算法中的最近残差法将分支切口置于 "错误 "位置的例子。在本节中，我们将从一个完全不同的角度来探讨相位解包问题，提出以下问题： 在相位数据中，除了残差之外，是否还有其他信息可以用来指导整合路径？
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。这表明，相位解包的方法是沿着高质量像素的整合路径，避开低质量像素。这种方法不会识别残差，也不会生成分支切割。相反，它依赖于一个假设，即高质量的地图将引导整合路径，而不会包围任何不平衡的残差。这种假设也许有风险，但在实践中却出奇地可靠。
第一个采用质量指标来指导解包的研究者似乎是 Bone [10]。他计算了相位数据的二阶差（即二阶偏导数），然后应用一个阈值来生成待解包像素的 "质量掩膜"。只有那些二次差值不超过阈值的像素才会被解包，而且解包顺序不限。Xu 和 Ai [11]在处理光学干涉测量数据时，使用了一种基于相位条纹图案调制的质量测量方法。Quiroga、González-Cano 和 Bernabe u [12]通过应用自适应阈值增强了 Bone 的技术。Lim、Xu 和 Huang[13]通过允许阈值随着解包的进行而增加，将这些技术扩展为真正的质量引导路径跟踪器。这样做的效果是，首先解包质
