CN116989888B - 声成像方法、装置、计算机设备和存储介质 - Google Patents
声成像方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116989888B CN116989888B CN202311261297.2A CN202311261297A CN116989888B CN 116989888 B CN116989888 B CN 116989888B CN 202311261297 A CN202311261297 A CN 202311261297A CN 116989888 B CN116989888 B CN 116989888B
- Authority
- CN
- China
- Prior art keywords
- imaging
- sub
- acoustic
- frequency domain
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 279
- 238000012545 processing Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000005236 sound signal Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 53
- 238000012546 transfer Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013139 quantization Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 21
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
- G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Discrete Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请涉及一种声成像方法、装置、计算机设备和存储介质。所述方法包括:获取子成像区中参考网格点的参考声信号;根据车辆运动信息对参考声信号进行去多普勒运算,得到重建信号;对重建信号进行傅里叶变换处理,得到重建信号的频域表达;根据参考声信号,确定子成像区中各网格点的复权重;根据各网格点的复权重和重建信号的频域表达对各网格点进行频域波束成形,得到子成像区的初始声像图;对初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图。采用本方法能够将频域高阶声成像处理与去多普勒运算进行结合,提高最终声像图的质量以及降低声成像过程中的计算复杂度。
Description
技术领域
本申请涉及声源识别技术领域,特别是涉及一种声成像方法、装置、计算机设备和存储介质。
背景技术
声成像技术可直接利用载具运行中产生的噪声信号,通过算法形成声像图,进而精准量化车外多种主要噪声源,是解决地面载具噪声污染问题的关键基础。
目前,面向载具的声成像识别技术绝大多数都基于移动声源的波束成形算法,该类算法根据处理信号所在域的不同又分为时域算法和频域算法。其中,时域算法以去多普勒的信号插值技术为基础,通过定义时变时延和时变权重来对车辆通过测试环境下的运动声源进行位置和强度的识别;频域算法则将移动声信号传播的非线性过程,通过如泰勒展开等技术线性化,进而实现频域内的声源成像。
在实际应用中,由于地面载具与测量声阵列间的物理距离较短,而载具速度较高,因此具有较强的多普勒效应。而时域算法对于强多普勒效应的适应性较频域算法更佳,更适用于地面载具。但由于阵列物理孔径和阵元密度因素影响,用以进行声源识别所绘制的声像图,往往存在低频空间分辨率差,高频旁瓣较多的问题,严重干扰最终声源识别的结果。另一方面,频域算法虽然具有时域算法不具备的线性特性,可将去卷积技术等算法引入声成像过程,但基于线性传播假设的频域算法仅适用于多普勒效应较弱的测试环境。对具有较高运行速度的地面载具,当前的声成像算法技术仍存在成像结果精确度低和计算复杂的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高成像结果精度和降低计算复杂度的声成像方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种声成像方法,所述方法包括:
获取子成像区中参考网格点的参考声信号;
根据车辆运动信息对所述参考声信号进行去多普勒运算,得到重建信号;
对所述重建信号进行傅里叶变换处理,得到所述重建信号的频域表达;
根据所述参考声信号,确定子成像区中各网格点的复权重;
根据所述各网格点的复权重和所述重建信号的频域表达对所述各网格点进行频域波束成形,得到所述子成像区的初始声像图;
对所述初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图。
在其中一个实施例中,所述根据车辆运动信息对所述参考声信号进行去多普勒运算,得到重建信号包括:
根据车辆运动信息,确定阵列麦克风和所述参考网格点的矢量距离;
根据所述阵列麦克风采集所述参考声信号的时间、所述矢量距离以及声速,对所述参考声信号进行时域插值,得到重建信号。
在其中一个实施例中,所述根据所述参考声信号,确定子成像区中各网格点的复权重;包括:
对所述重建信号进行线性拟合,得到所述重建信号的传递函数;
根据所述传递函数,确定子成像区内各网格点的复权重。
在其中一个实施例中,所述获取子成像区中参考网格点的参考声信号包括:
基于声成像时间窗,确定多个具有预设重叠区域的子成像区;
获取每个所述子成像区对应的阵列麦克风采集到的声信号;
从多个所述子成像区中确定目标子成像区,所述目标子成像区为多个所述子成像区中的任一子成像区;
获取所述目标子成像区中参考网格点的参考声信号。
在其中一个实施例中,所述对所述初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图之后,所述方法还包括:
对所有所述子成像区进行声成像,得到所有子成像区的最终声像图;
对各所述子成像区的最终声像图进行整合量化处理,得到所述声成像时间窗的成像平面对应的整合声像图;其中,所述对各所述子成像区的最终声像图进行整合量化处理包括对相邻子成像区的最终声像图的重叠部分进行加权平均处理,或对相邻子成像区的声像图的重叠部分进行算数平均处理。
在其中一个实施例中,所述频域高阶声成像处理包括去卷积处理、互相关矩阵分解处理和压缩感知处理中的至少一种。
在其中一个实施例中,所述对所述初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图,包括:
根据所述传递函数,确定参考网格点的传递函数列向量;
根据所述传递函数列向量,确定点扩散函数的显式表达;
根据所述点扩散函数的显式表达,确定所述子成像区的点扩散函数矩阵;
根据所述点扩散函数矩阵和所述初始声像图,得到去卷积处理后的所述子成像区的声像图。
第二方面,本申请还提供了一种声成像装置。所述装置包括:
信号获取模块,用于获取子成像区中参考网格点的参考声信号;
信号重建模块,用于根据车辆运动信息对所述参考声信号进行去多普勒运算,得到重建信号;
傅里叶变换模块,用于对所述重建信号进行傅里叶变换处理,得到所述重建信号的频域表达;
复权重确定模块,用于根据所述参考声信号,确定子成像区中各网格点的复权重;
声像确定模块,用于根据所述各网格点的复权重和所述重建信号的频域表达对所述各网格点进行频域波束成形,得到所述子成像区的初始声像图;
频域高阶处理模块,用于对所述初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取子成像区中参考网格点的参考声信号;
根据车辆运动信息对所述参考声信号进行去多普勒运算,得到重建信号;
对所述重建信号进行傅里叶变换处理,得到所述重建信号的频域表达;
根据所述参考声信号,确定子成像区中各网格点的复权重;
根据所述各网格点的复权重和所述重建信号的频域表达对所述各网格点进行频域波束成形,得到所述子成像区的初始声像图;
对所述初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取子成像区中参考网格点的参考声信号;
根据车辆运动信息对所述参考声信号进行去多普勒运算,得到重建信号;
对所述重建信号进行傅里叶变换处理,得到所述重建信号的频域表达;
根据所述参考声信号,确定子成像区中各网格点的复权重;
根据所述各网格点的复权重和所述重建信号的频域表达对所述各网格点进行频域波束成形,得到所述子成像区的初始声像图;
对所述初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图。
上述声成像方法、装置、计算机设备和存储介质,通过对将去多普勒运算后的信号转换至频域,并根据参考声信号得到子成像区中各网格点的复权重,根据各网格点的复权重和重建信号的频域表达对各网格点进行频域波束成形,得到子成像区的初始声像图;对初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图。将频域高阶声成像处理与去多普勒运算进行结合,提高了最终声像图的质量以及降低了声成像过程中的计算消耗。
附图说明
图1为一个实施例中声成像方法的应用环境图;
图2为一个实施例中声成像方法的流程示意图;
图3为一个实施例中得到重建信号的步骤的流程示意图;
图4为一个实施例中确定复权重的步骤的流程示意图;
图5为另一个实施例中声成像方法的流程示意图;
图6a为一个实施例中通过现有技术得到的声像图;
图6b为一个实施例中通过申请的方法得到的初始声像图;
图7为一个实施例中去卷积处理后得到的最终声像图的示意图;
图8为一个实施例中进行整合量化处理得到的整合声像图的示意图;
图9为一个实施例中声成像装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的声成像方法一般应用于地面载具通过测试,可以应用于如图1所示的应用环境中。其中包括由阵列麦克风组成的声阵列和运动状态的地面载具,用于确定声成像的时间窗,并根据声成像的时间窗截取各子观测段对应的子成像区。具体地,将阵列麦克风放置于与地面载具行进方向平行,并与地面载具存在预设间距的位置。对于靠近阵列麦克风一侧的地面载具表面,由等间距的参考网格点构成成像平面。选取各子成像区的参考网格点经过阵列麦克风前部时的时间窗,作为声成像的时间窗。其中的子成像区为地面载具的成像平面的一部分。以高速列车为例,子成像区可以是车体表面的车窗、转向架和受电弓等区域。通过多个子成像区的拼接可构成完整的成像平面。对于其中的每个子成像区,获取子成像区中参考网格点的参考声信号;根据车辆运动信息对参考声信号进行去多普勒运算,得到重建信号;对重建信号进行傅里叶变换处理,得到重建信号的频域表达;根据参考声信号,确定子成像区中各网格点的复权重;根据各网格点的复权重和重建信号的频域表达对各网格点进行频域波束成形,得到子成像区的初始声像图;对初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图。其中,地面载具可以但不限于是汽车、高速列车等运行状态下的地面载具。
在一个实施例中,如图2所示,提供了一种声成像方法,以该方法应用于图1中的声阵列和地面载具为例进行说明,包括以下步骤:
步骤202,获取子成像区中参考网格点的参考声信号。
其中,参考网格为地面载具靠近阵列麦克风一侧的表面,按预设相等间距生成的网格,参考网格点为子成像区中任意一点间距相等的用于声成像的参考点,子成像区为地面载具的成像平面的一部分,参考声信号为子成像区对应的的阵列麦克风采集到的声信号。
步骤204,根据车辆运动信息对参考声信号进行去多普勒运算,得到重建信号。
其中,所述车辆运动信息包括地面载具的行进方向和运行速度,所述重建信号为时域信号。去多普勒运算,用于消除地面载具与阵列麦克风距离短,而地面载具运行速度快所引起的多普勒效应,即消除地面载具运动速度对接收频率产生的影响。
步骤206,对重建信号进行傅里叶变换处理,得到重建信号的频域表达。
具体地,在根据车辆运动信息对参考声信号进行去多普勒运算,得到重建信号之后,通过快速傅里叶变换对重建信号进行处理,得到重建信号的频域表达。本步骤可通过如下公式(1)进行表示:
其中,表示圆频率,/>表示快速傅里叶变换运算符,/>表示参考声信号,表示/>的频域表达。
步骤208,根据参考声信号,确定子成像区中各网格点的复权重。
其中,所述复权重用于确定子成像区的声像图,以及对子成像区的声像图进行频域高阶声成像处理。
步骤210,根据各网格点的复权重和重建信号的频域表达对各网格点进行频域波束成形,得到子成像区的初始声像图。
步骤212,对初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图。
上述声成像方法中,通过对将去多普勒运算后的信号转换至频域,并根据重建信号得到子成像区中各网格点的复权重,将频域高阶声成像处理与去多普勒运算进行结合,提高了最终声像图的质量以及降低了声成像过程中的计算消耗。
在其中一个实施例中,如图3所示,根据车辆运动信息对参考声信号进行去多普勒运算,得到重建信号包括:
步骤302,根据车辆运动信息,确定阵列麦克风和参考网格点的矢量距离。
步骤304,根据阵列麦克风采集参考声信号的时间、矢量距离以及声速,对参考声信号进行时域插值,得到重建信号。
本实施例中,对参考声信号进行去多普勒运算的具体方式为以车辆运动信息为先验信息,对各参考网格点通过去多普勒技术进行时域插值,获得基于各参考网格点的重建信号,具体可以通过如下公式(2)表示:
其中,表示声速,/>表示阵列麦克风/>所采集到的声信号,/>表示阵列麦克风/>和成像平面上点/>间的矢量距离,/>表示采集参考声信号的时间,/>表示依据进行去多普勒技术处理后重建的时间。/>上标的/>表示通过去多普勒运算对参考声信号进行时域插值后的重建信号,/>下标的/>表示该信号是以参考网格点/>为基准重建的。
本实施例中,通过去多普勒运算,对参考声信号进行时域插值,得到重建信号。采用本实施例的方法,能够有效地避免车辆运动信息对应的地面载具与阵列麦克风间的物理距离较短,而地面载具速度快所引起的多普勒效应。
在其中一个实施例中,如图4所示,根据参考声信号,确定子成像区中各网格点的复权重;包括:
步骤402,对重建信号进行线性拟合,得到重建信号的传递函数。
其中,线性拟合用于代替去多普勒运算,以得到重建信号的传递函数。传递函数用于确定通过多普勒运算得到的重建信号的幅值和频率变换,通过如下公式(3)表示:
其中,表示声速,/>表示声源点至阵列麦克风m的距离矢量,/>表示参考网格点/>至阵列麦克风/>的距离矢量均值。/>为等效马赫数,其中的r为下标对应的距离矢量,/>表示根据各声源点位置和阵列麦克风/>的位置确定的等效马赫数的算数均值,/>表示根据子成像区中各点位置和阵列麦克风/>的位置确定的等效马赫数的算数均值。
由于公式(3)包含与阵列麦克风位置相关的距离矢量和等效马赫数/>,所以/>是未知的。但上述公式(3)既是获得复权重形成初始声像图的前提,也是对初始声像图进行频域高阶声成像处理的基础。通过上述公式(3)可在声源处于子成像区任意一点j的情况下,获取基于各参考网格点的参考声信号进行去多普勒运算后的信号幅值与频率变化。
步骤404,根据传递函数,确定子成像区内各网格点的复权重。
具体地,根据上述公式(3),可得到如下公式(4):
其中,表示参考网格点/>至子成像区内任一点j的距离矢量均值,/>表示根据子成像区内任一点j的位置和阵列麦克风/>的位置确定的等效马赫数的算数均值,表示根据传递函数确定的子成像区内任一点j的参数。网格点j为以参考网格点/>为中心点,定义的尺寸为/>的矩形区域内的任一网格点。基于上述公式(4)确定的参数,对子成像区内所有网格点进行包含相位变化(即时延)的复权重计算,对子成像区内任一网格点j依据下述公式(5)获得对应复权重
其中,表示基于参考网格点f获得的针对任一网格点j和阵列麦克风f的复权重,/>表示阵列传感器数目,/>表示共轭运算符。
此处需要说明的是,上式中的复权重具有频域波束成形的特点,即不需要时域波束成形算法必须在有采集信号作为已知条件的前提下才能生成复权重。因此,在确定车辆运动信息、观测窗尺寸和目标频段后,复权重仅需计算一次,采用本实施例的方法确定复权重能够节省计算资源。
在其中一个实施例中,如图5所示,获取子成像区中参考网格点的参考声信号包括:
步骤502,获取子成像区中参考网格点的参考声信号。
具体地,基于声成像时间窗,确定多个具有预设重叠区域的子成像区;获取每个子成像区对应的阵列麦克风采集到的声信号;从多个子成像区中确定目标子成像区,目标子成像区为多个子成像区中的任一子成像区;获取目标子成像区中参考网格点的参考声信号。
步骤504,根据车辆运动信息对参考声信号进行去多普勒运算,得到重建信号。
步骤506,对重建信号进行傅里叶变换处理,得到重建信号的频域表达。
步骤508,根据参考声信号,确定子成像区中各网格点的复权重。
步骤510,根据各网格点的复权重和重建信号的频域表达对各网格点进行频域波束成形,得到子成像区的初始声像图。
其中,频域波束成形可通过如下公式(6)表示
其中,表示依据参考网格点/>获得的点j的波束成形估计。该式说明针对成像平面上的某一点j,可依据不同的参考点/>获得该点的阵列计算结果。这是本发明所具有的空间平均特性,可降低成像结果中子成像区边缘出现的畸变,提升声成像结果的精度。
图6通过数值仿真,展示了应用传统移动源成像算法与应用本发明实施成像方法获得的声像图,其中图6a为通过现有技术得到的声像图,图6b为通过本实施例的方法得到的初始声像图。仿真所用的声信号还添加了噪声信号,以模拟两者在实际应用场景下的成像结果。其结果表明二者在基于经典波束成形框架下的成像结果十分类似。但由于本实施例的方法直接在频域进行声成像,相较于现有技术中对子成像区内所有点逐点进行时域重建,能够有效地降低声成像的计算复杂度。以1m×1m的子成像区为例,若该子成像区分解为间隔0.1m的网格点,即所有成像点共计100个。对于传统成像方法,形成声像图所需要的计算复杂度约为本实施例方法的3-5倍。子成像区越大,通过本实施例方法得到初始声像图的计算优势也就越大。
步骤512,对初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图。
其中,频域高阶声成像处理包括去卷积处理、互相关矩阵分解处理和压缩感知处理中的至少一种。
以其中的去卷积处理为例,处理过程具体包括根据传递函数,确定参考网格点的传递函数列向量;根据传递函数列向量,确定点扩散函数的显式表达;根据点扩散函数的显式表达,确定子成像区的点扩散函数矩阵;根据点扩散函数矩阵和初始声像图,得到去卷积处理后的子成像区的声像图。
其中,传递函数列向量通过如下公式(7)表示:
表示转置运算符,通过对子成像区内各网格点的传递函数参数进行转置运算,得到传递函数列向量。进而可获得点扩散函数/>的显式表达,通过如下公式(8)表示:
其中,表示共轭转置运算符,/>则表示基于参考网格点f所得到的点扩散函数。通过公式(8)则能直接获得针对基于点/>的子成像区的点扩散函数矩阵/>,通过如下公式(9)表示:
其中,J表示子成像区所有的成像点个数。最后,通过迭代逆向求解以下公式(10)
其中,表示向量化后的初始声像图,表示声源强度向量。通过求解/>最终获得去卷积后的声像结果。图7去卷积后的最终声像图相较于图6初始声像图,其空间解析度明显提升,原本由于阵列麦克风有限孔径产生的主瓣基本消失。通过去卷积处理,原本存在于成像图右下角的伪影也被消除,增加了图像的动态识别范围。因此,采用本实施例的方法对初始声像图进行频域高阶声成像处理,能够提高声成像结果的精确度。
步骤514,对所有子成像区进行声成像,得到所有子成像区的最终声像图;对各子成像区的最终声像图进行整合量化处理,得到声成像时间窗的成像平面对应的整合声像图。
其中,对各子成像区的最终声像图进行整合量化处理包括对相邻子成像区的最终声像图的重叠部分进行加权平均处理,或对相邻子成像区的声像图的重叠部分进行算数平均处理。如图8所示,图8为进行整合量化处理以得到整合声像图的示意图,其中的表示不同的子成像区对应的参考网格点,对子成像区1-4声像图进行量化整合处理,得到全成像区,即整个声成像时间窗的成像平面对应的整合声像图。以算数平均处理为例,图8中间左侧区域可由子成像区1和2的结果获得,其内所包含的成像点则由子成像区1和子成像区2内所有成像点的成像结果相加平均获得;图8中间中侧区域可由子成像区1-4内所有成像点的成像结果相加平均获得。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的声成像方法的声成像装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个声成像装置实施例中的具体限定可以参见上文中对于声成像方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种声成像装置900,包括信号获取模块901、信号重建模块902、傅里叶变换模块903、复权重确定模块904、声像确定模块905和频域高阶处理模块906,其中:
信号获取模块901,用于获取子成像区中参考网格点的参考声信号;
信号重建模块902,用于根据车辆运动信息对参考声信号进行去多普勒运算,得到重建信号;
傅里叶变换模块903,用于对重建信号进行傅里叶变换处理,得到重建信号的频域表达;
复权重确定模块904,用于根据参考声信号,确定子成像区中各网格点的复权重;
声像确定模块905,用于根据各网格点的复权重和重建信号的频域表达对各网格点进行频域波束成形,得到子成像区的初始声像图;
频域高阶处理模块906,用于对初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图。
在其中一个实施例中,信号重建模块902还用于根据车辆运动信息,确定阵列麦克风和参考网格点的矢量距离;根据阵列麦克风采集参考声信号的时间、矢量距离以及声速,对参考声信号进行时域插值,得到重建信号。
在其中一个实施例中,复权重确定模块904还用于对重建信号进行线性拟合,得到重建信号的传递函数;根据传递函数,确定子成像区内各网格点的复权重。
在其中一个实施例中,信号获取模块901还用于基于声成像时间窗,确定多个具有预设重叠区域的子成像区;获取每个子成像区对应的阵列麦克风采集到的声信号;从多个子成像区中确定目标子成像区,目标子成像区为多个子成像区中的任一子成像区;获取目标子成像区中参考网格点的参考声信号。
在其中一个实施例中,声像确定模块905还用于对所有子成像区进行声成像,得到所有子成像区的最终声像图;对各子成像区的最终声像图进行整合量化处理,得到声成像时间窗的成像平面对应的整合声像图。
其中,对各子成像区的最终声像图进行整合量化处理包括对相邻子成像区的最终声像图的重叠部分进行加权平均处理,或对相邻子成像区的声像图的重叠部分进行算数平均处理。
在其中一个实施例中,频域高阶声成像处理包括去卷积处理、互相关矩阵分解处理和压缩感知处理中的至少一种。
在其中一个实施例中,频域高阶处理模块906还用于根据传递函数,确定参考网格点的传递函数列向量;根据传递函数列向量,确定点扩散函数的显式表达;
根据点扩散函数的显式表达,确定子成像区的点扩散函数矩阵;根据点扩散函数矩阵和初始声像图,得到去卷积处理后的子成像区的声像图。
上述声成像装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种声成像方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (4)
1.一种声成像方法,其特征在于,所述方法包括:
基于声成像时间窗,确定多个具有预设重叠区域的子成像区;
获取每个所述子成像区对应的阵列麦克风采集到的声信号;
从多个所述子成像区中确定目标子成像区,所述目标子成像区为多个所述子成像区中的任一子成像区;
获取所述目标子成像区中参考网格点的参考声信号;
根据车辆运动信息,确定阵列麦克风和所述参考网格点的矢量距离;
根据所述阵列麦克风采集所述参考声信号的时间、所述矢量距离以及声速,对所述参考声信号进行时域插值,得到重建信号;
对所述重建信号进行傅里叶变换处理,得到所述重建信号的频域表达;
对所述重建信号进行线性拟合,得到所述重建信号的传递函数;
根据所述传递函数,确定子成像区内各网格点的复权重;
根据所述各网格点的复权重和所述重建信号的频域表达对所述各网格点进行频域波束成形,得到所述子成像区的初始声像图;
对所述初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图;
对所有所述子成像区进行声成像,得到所有子成像区的最终声像图;
对各所述子成像区的最终声像图进行整合量化处理,得到所述声成像时间窗的成像平面对应的整合声像图;其中,所述对各所述子成像区的最终声像图进行整合量化处理包括:对相邻子成像区的最终声像图的重叠部分进行加权平均处理,或对相邻子成像区的声像图的重叠部分进行算数平均处理;
其中,所述频域高阶声成像处理包括去卷积处理、互相关矩阵分解处理和压缩感知处理中的至少一种;所述对所述初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图,包括:
根据所述传递函数,确定参考网格点的传递函数列向量;
根据所述传递函数列向量,确定点扩散函数的显式表达;
根据所述点扩散函数的显式表达,确定所述子成像区的点扩散函数矩阵;
根据所述点扩散函数矩阵和所述初始声像图,得到去卷积处理后的所述子成像区的声像图。
2.一种声成像装置,其特征在于,所述装置包括:
信号获取模块,用于基于声成像时间窗,确定多个具有预设重叠区域的子成像区;
获取每个所述子成像区对应的阵列麦克风采集到的声信号;
从多个所述子成像区中确定目标子成像区,所述目标子成像区为多个所述子成像区中的任一子成像区;
获取所述目标子成像区中参考网格点的参考声信号;
信号重建模块,用于根据车辆运动信息,确定阵列麦克风和所述参考网格点的矢量距离;
根据所述阵列麦克风采集所述参考声信号的时间、所述矢量距离以及声速,对所述参考声信号进行时域插值,得到重建信号;
傅里叶变换模块,用于对所述重建信号进行傅里叶变换处理,得到所述重建信号的频域表达;
复权重确定模块,用于对所述重建信号进行线性拟合,得到所述重建信号的传递函数;
根据所述传递函数,确定子成像区内各网格点的复权重;
声像确定模块,用于根据所述各网格点的复权重和所述重建信号的频域表达对所述各网格点进行频域波束成形,得到所述子成像区的初始声像图;
频域高阶处理模块,用于对所述初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图;
对所有所述子成像区进行声成像,得到所有子成像区的最终声像图;
对各所述子成像区的最终声像图进行整合量化处理,得到所述声成像时间窗的成像平面对应的整合声像图;其中,所述对各所述子成像区的最终声像图进行整合量化处理包括:对相邻子成像区的最终声像图的重叠部分进行加权平均处理,或对相邻子成像区的声像图的重叠部分进行算数平均处理;
其中,所述频域高阶声成像处理包括去卷积处理、互相关矩阵分解处理和压缩感知处理中的至少一种;所述对所述初始声像图进行频域高阶声成像处理,得到子成像区的最终声像图,包括:
根据所述传递函数,确定参考网格点的传递函数列向量;
根据所述传递函数列向量,确定点扩散函数的显式表达;
根据所述点扩散函数的显式表达,确定所述子成像区的点扩散函数矩阵;
根据所述点扩散函数矩阵和所述初始声像图,得到去卷积处理后的所述子成像区的声像图。
3.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1所述的方法的步骤。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311261297.2A CN116989888B (zh) | 2023-09-27 | 2023-09-27 | 声成像方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311261297.2A CN116989888B (zh) | 2023-09-27 | 2023-09-27 | 声成像方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116989888A CN116989888A (zh) | 2023-11-03 |
CN116989888B true CN116989888B (zh) | 2024-03-12 |
Family
ID=88527063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311261297.2A Active CN116989888B (zh) | 2023-09-27 | 2023-09-27 | 声成像方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116989888B (zh) |
Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846594A (zh) * | 2010-06-22 | 2010-09-29 | 上海交通大学 | 基于波束形成声像模式识别的故障检测装置及其检测方法 |
CN102247170A (zh) * | 2010-09-29 | 2011-11-23 | 深圳市蓝韵实业有限公司 | 一种多普勒成像自动优化方法 |
CN103323842A (zh) * | 2012-09-03 | 2013-09-25 | 中国科学院电子学研究所 | 一种调频连续波合成孔径雷达中的成像方法及装置 |
CN105793729A (zh) * | 2013-07-23 | 2016-07-20 | 明尼苏达大学评议会 | 使用多频率波形的超声图像形成和/或重建 |
CN106054183A (zh) * | 2016-04-29 | 2016-10-26 | 深圳市太赫兹科技创新研究院有限公司 | 基于合成孔径雷达成像的三维图像重建方法及装置 |
JP2017104476A (ja) * | 2015-03-09 | 2017-06-15 | 炭 親良 | ビームフォーミング方法、計測イメージング装置、及び、通信装置 |
JP2018074406A (ja) * | 2016-10-31 | 2018-05-10 | 日本電信電話株式会社 | 音像定位装置、音像定位方法、及びコンピュータプログラム |
CN109884591A (zh) * | 2019-02-25 | 2019-06-14 | 南京理工大学 | 一种基于麦克风阵列的多旋翼无人机声信号增强方法 |
CN110006672A (zh) * | 2019-04-09 | 2019-07-12 | 唐山百川智能机器股份有限公司 | 基于声成像技术的轨道车辆故障监测方法 |
CN110673143A (zh) * | 2019-09-30 | 2020-01-10 | 西安电子科技大学 | 一种子孔径大斜视sar俯冲成像的两步处理方法 |
CN112180329A (zh) * | 2020-09-07 | 2021-01-05 | 黑龙江工程学院 | 一种基于阵元随机均匀分布球阵反卷积波束形成的汽车噪声源声成像方法 |
CN112444492A (zh) * | 2020-10-09 | 2021-03-05 | 中国科学院深圳先进技术研究院 | 一种光声成像方法、计算机设备、系统以及存储介质 |
CN112526451A (zh) * | 2020-10-29 | 2021-03-19 | 清华大学 | 基于麦克风阵列成像的压缩波束形成及系统 |
CN112557512A (zh) * | 2020-11-26 | 2021-03-26 | 国网上海市电力公司 | 声成像方法、装置、设备及基于声成像设备的巡检机器人 |
CN112763058A (zh) * | 2021-01-07 | 2021-05-07 | 国网河南省电力公司电力科学研究院 | 一种自定义坐标阵列噪声信号实时数据分析系统及方法 |
CN113640807A (zh) * | 2021-06-23 | 2021-11-12 | 中国人民解放军海军工程大学 | 多子阵合成孔径声纳脉内多普勒频移补偿逐线成像方法 |
CN114376606A (zh) * | 2022-01-18 | 2022-04-22 | 武汉联影医疗科技有限公司 | 一种超声成像的滤波方法和系统 |
CN114527427A (zh) * | 2022-01-27 | 2022-05-24 | 华南理工大学 | 一种基于球形麦克风阵列的低频波束形成声源定位方法 |
CN114660597A (zh) * | 2022-01-06 | 2022-06-24 | 南昌大学 | 一种基于ffbp算法的车载sar时域快速成像方法 |
CN114741652A (zh) * | 2022-06-10 | 2022-07-12 | 杭州兆华电子股份有限公司 | 一种基于声像仪的解卷积高分辨成像方法及系统 |
CN115267673A (zh) * | 2022-03-07 | 2022-11-01 | 清华大学 | 考虑重建网格偏移的稀疏声源成像方法、系统 |
CN115291169A (zh) * | 2022-08-04 | 2022-11-04 | 广东电网有限责任公司 | 一种声源成像方法、系统、设备及存储介质 |
CN115452141A (zh) * | 2022-11-08 | 2022-12-09 | 杭州兆华电子股份有限公司 | 一种非均匀声学成像方法 |
CN115708933A (zh) * | 2021-08-23 | 2023-02-24 | 复旦大学 | 基于超声成像的聚焦超声治疗系统 |
CN116381686A (zh) * | 2023-03-28 | 2023-07-04 | 中国人民解放军国防科技大学 | 基于时频分析的太赫兹视频合成孔径雷达动目标成像方法 |
CN116549011A (zh) * | 2023-06-13 | 2023-08-08 | 武汉联影医疗科技有限公司 | 一种多普勒超声信号处理方法、系统和存储介质 |
CN116794643A (zh) * | 2023-06-27 | 2023-09-22 | 中北大学 | 一种基于声反射断层扫描成像的逆投影方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101736911B1 (ko) * | 2010-12-07 | 2017-05-19 | 한국전자통신연구원 | 빔포밍 음향 이미징을 이용한 보안 감시 시스템 및 이를 이용한 보안 감시 방법 |
TWI572332B (zh) * | 2015-12-23 | 2017-03-01 | 安克生醫股份有限公司 | 超音波都卜勒影像之分群、雜訊抑制及視覺化方法 |
-
2023
- 2023-09-27 CN CN202311261297.2A patent/CN116989888B/zh active Active
Patent Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846594A (zh) * | 2010-06-22 | 2010-09-29 | 上海交通大学 | 基于波束形成声像模式识别的故障检测装置及其检测方法 |
CN102247170A (zh) * | 2010-09-29 | 2011-11-23 | 深圳市蓝韵实业有限公司 | 一种多普勒成像自动优化方法 |
CN103323842A (zh) * | 2012-09-03 | 2013-09-25 | 中国科学院电子学研究所 | 一种调频连续波合成孔径雷达中的成像方法及装置 |
CN105793729A (zh) * | 2013-07-23 | 2016-07-20 | 明尼苏达大学评议会 | 使用多频率波形的超声图像形成和/或重建 |
JP2017104476A (ja) * | 2015-03-09 | 2017-06-15 | 炭 親良 | ビームフォーミング方法、計測イメージング装置、及び、通信装置 |
CN106054183A (zh) * | 2016-04-29 | 2016-10-26 | 深圳市太赫兹科技创新研究院有限公司 | 基于合成孔径雷达成像的三维图像重建方法及装置 |
JP2018074406A (ja) * | 2016-10-31 | 2018-05-10 | 日本電信電話株式会社 | 音像定位装置、音像定位方法、及びコンピュータプログラム |
CN109884591A (zh) * | 2019-02-25 | 2019-06-14 | 南京理工大学 | 一种基于麦克风阵列的多旋翼无人机声信号增强方法 |
CN110006672A (zh) * | 2019-04-09 | 2019-07-12 | 唐山百川智能机器股份有限公司 | 基于声成像技术的轨道车辆故障监测方法 |
CN110673143A (zh) * | 2019-09-30 | 2020-01-10 | 西安电子科技大学 | 一种子孔径大斜视sar俯冲成像的两步处理方法 |
CN112180329A (zh) * | 2020-09-07 | 2021-01-05 | 黑龙江工程学院 | 一种基于阵元随机均匀分布球阵反卷积波束形成的汽车噪声源声成像方法 |
CN112444492A (zh) * | 2020-10-09 | 2021-03-05 | 中国科学院深圳先进技术研究院 | 一种光声成像方法、计算机设备、系统以及存储介质 |
CN112526451A (zh) * | 2020-10-29 | 2021-03-19 | 清华大学 | 基于麦克风阵列成像的压缩波束形成及系统 |
CN112557512A (zh) * | 2020-11-26 | 2021-03-26 | 国网上海市电力公司 | 声成像方法、装置、设备及基于声成像设备的巡检机器人 |
CN112763058A (zh) * | 2021-01-07 | 2021-05-07 | 国网河南省电力公司电力科学研究院 | 一种自定义坐标阵列噪声信号实时数据分析系统及方法 |
CN113640807A (zh) * | 2021-06-23 | 2021-11-12 | 中国人民解放军海军工程大学 | 多子阵合成孔径声纳脉内多普勒频移补偿逐线成像方法 |
CN115708933A (zh) * | 2021-08-23 | 2023-02-24 | 复旦大学 | 基于超声成像的聚焦超声治疗系统 |
CN114660597A (zh) * | 2022-01-06 | 2022-06-24 | 南昌大学 | 一种基于ffbp算法的车载sar时域快速成像方法 |
CN114376606A (zh) * | 2022-01-18 | 2022-04-22 | 武汉联影医疗科技有限公司 | 一种超声成像的滤波方法和系统 |
CN114527427A (zh) * | 2022-01-27 | 2022-05-24 | 华南理工大学 | 一种基于球形麦克风阵列的低频波束形成声源定位方法 |
CN115267673A (zh) * | 2022-03-07 | 2022-11-01 | 清华大学 | 考虑重建网格偏移的稀疏声源成像方法、系统 |
CN114741652A (zh) * | 2022-06-10 | 2022-07-12 | 杭州兆华电子股份有限公司 | 一种基于声像仪的解卷积高分辨成像方法及系统 |
CN115291169A (zh) * | 2022-08-04 | 2022-11-04 | 广东电网有限责任公司 | 一种声源成像方法、系统、设备及存储介质 |
CN115452141A (zh) * | 2022-11-08 | 2022-12-09 | 杭州兆华电子股份有限公司 | 一种非均匀声学成像方法 |
CN116381686A (zh) * | 2023-03-28 | 2023-07-04 | 中国人民解放军国防科技大学 | 基于时频分析的太赫兹视频合成孔径雷达动目标成像方法 |
CN116549011A (zh) * | 2023-06-13 | 2023-08-08 | 武汉联影医疗科技有限公司 | 一种多普勒超声信号处理方法、系统和存储介质 |
CN116794643A (zh) * | 2023-06-27 | 2023-09-22 | 中北大学 | 一种基于声反射断层扫描成像的逆投影方法 |
Non-Patent Citations (7)
Title |
---|
Comparison of two state-of-the-art rotating dipole sound source imaging technologies: Models, algorithms and applications;Liang Yu;Applied Acoustics;全文 * |
Mathias Oechslin.The Doppler effect — an evolutionary critical cue for the perception of the direction of moving sound sources.2008 International Conference on Audio, Language and Image Processing.2008,全文. * |
Novel Method for Fetal and Maternal Heart Rate Measurements Using 2-D Ultrasound Color Doppler Flow Images;Yadan Wang;Ultrasound in Medicine & Biology;全文 * |
基于多普勒敏感信号声图像序列的水下 运动小目标探测方法;刘慧敏;中国优秀硕士学位论文全文数据库 (信息科技辑);全文 * |
基于波束形成的旋转点声源追踪识别研究;杨超;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);全文 * |
旋翼气动噪声的 声成像理论与试验研究;莫品西;中国博士学位论文全文数据库 (基础科学辑);全文 * |
旋转叶片气动偶极子声源的可视化定位方法研究;高建正;中国博士学位论文全文数据库 (工程科技Ⅱ辑);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116989888A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nikolova | Introduction to microwave imaging | |
Dougherty | Extensions of DAMAS and benefits and limitations of deconvolution in beamforming | |
Chu et al. | Comparison of deconvolution methods for the visualization of acoustic sources based on cross-spectral imaging function beamforming | |
CN110490947B (zh) | 核磁共振图像重建方法、装置、存储介质及终端设备 | |
Chu et al. | A high-resolution and low-frequency acoustic beamforming based on Bayesian inference and non-synchronous measurements | |
Ning et al. | Sound source localization of non-synchronous measurements beamforming based on the truncated nuclear norm regularization | |
Chu et al. | Resolution and quantification accuracy enhancement of functional delay and sum beamforming for three-dimensional acoustic source identification with solid spherical arrays | |
Chardon et al. | Theoretical analysis of the DAMAS algorithm and efficient implementation of the covariance matrix fitting method for large-scale problems | |
Wan et al. | An improved complex multi-task Bayesian compressive sensing approach for compression and reconstruction of SHM data | |
CN116989888B (zh) | 声成像方法、装置、计算机设备和存储介质 | |
Zhang et al. | Order domain beamforming for the acoustic localization of rotating machinery under variable speed working conditions | |
Yu et al. | Adaptive imaging of sound source based on total variation prior and a subspace iteration integrated variational Bayesian method | |
CN115830462B (zh) | 基于循环一致性对抗网络的sar图像重构方法及装置 | |
Hu et al. | Achieving high-resolution 3D acoustic imaging in a large-aspect-ratio cabin by the non-synchronous measurements | |
Jiang et al. | Robust time-frequency reconstruction by learning structured sparsity | |
Yaman et al. | Recent theory and applications on inverse problems | |
Yang et al. | Hybrid patch near-field acoustic holography based on Kalman filter | |
Haq et al. | Block-based compressed sensing of MR images using multi-rate deep learning approach | |
CN114252148B (zh) | 一种基于长椭球波叠加的声场重建方法 | |
CN113917540B (zh) | 基于稀疏约束的抗假频射线束进行地震数据去噪的方法 | |
Rabinovich et al. | An augmented time reversal method for source and scatterer identification | |
Merino-Martınez et al. | Three–dimensional acoustic imaging using asynchronous microphone array measurements | |
CN115903018A (zh) | 一种基于物理信息神经网络的背景噪声程函成像方法 | |
Li et al. | Reconstructing the surface velocity of a vibrating structure using a weighted transfer matrix mode method | |
Beaumont et al. | An approximate message passing approach for DOA estimation in phase noisy environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |