CN101968382B - 一种焦平面探测器读出信号的数字信号处理方法 - Google Patents

Abstract

本发明公开了一种对焦平面读出信号进行去噪声的方法，首先，根据焦平面探测器读出信号中的噪声组成及特点，对读出信号进行小波分解，小波分解将探测器读出信号分解成各个能量不同的频带，然后根据信号中的噪声特点，对各层分解得到的系数采用相应的阈值进行处理，以达到衰减噪声能量的目的。

Description

一种焦平面探测器读出信号的数字信号处理方法

技术领域

本发明涉及一种数字信号处理方法，尤其涉及一种焦平面探测器读出信号的数字信号处理方法。

背景技术

传统的焦平面探测器读出电路主要是普通放大器结构。如：源极跟随器结构，直接注入结构等。这些普通的放大器结构只能将信号放大，不仅不能对信号进行去噪声处理，更加会带来较多的电子器件噪声。

因此，为了解决上述普通放大器无法降低噪声的问题，人们设计出了带有初步去噪功能的电容跨阻抗放大器等，并在放大器后面加上一个相关双采样结构。该结构是通过相关双采样的差分结构将信号中的KTC噪声去掉，同时也可以去除一些1/f噪声。但是由于读出电路中增加了电容，使得集成的面积变大，功耗增加，且带来了电子器件固有的噪声，这就是它的不足之处。

目前焦平面红外读出电路在相关双采样的基础上采用了一些结构上的改进。如：相关四采样，差分平均法，双复位法等，但是这种使用电路的方法降噪实际上还存在一定得缺陷：第一，电路的面积会增大，功耗会增加，显然在探测器上的应用就会有功耗和面积的限制作用；第二，电路中元器件数量的增加会增加更多的噪声，在不使用其他方法降噪的情况下反而会增加读出信号的噪声含量。

在电路无法更好的降低探测器噪声的情况下，人们期望采用信号处理的方法来消除信号中的噪声，小波变换作为一种新的正交多尺度自适应信号分析工具在各个领域中引起了广泛的兴趣，本发明采用小波变换的方式来消除焦平面探测器读出信号中的噪声。

在探测器读出信号的噪声中，占主要地位的有热噪声、1/f噪声、散粒噪声，和其他一些噪声。

热噪声：传感器材料中的热噪声是由于温度变换引起的晶体表面电子不规则运动而产生的电压噪声。热噪声电压功率谱密度表达式为：

                        S_V(f)＝4kTR                          (1)

式中，k为波尔兹曼常数，T为材料的温度，R为电阻。可以看出与频率无关，即属于白噪声。

散粒噪声：由于载流子各自独立而随机地通过势垒所引起的噪声。其功率谱密度为：

                              S_I(f)＝2qI    (2)

式中q为载流子电量，I为通过器件的电流。由式(2)可知散粒噪声功率谱密度与频率无关，属于白噪声。然而，该式仅在中低频范围内有效，在高频区，散粒噪声也将随频率的上升而增加。但是结合本文的实际应用，焦平面红外读出信号在10Hz～10KHz，属低频区，即在处理的过程中可直接把散粒噪声归为白噪声处理。

1/f噪声：存在于所有有源器件中，对于半导体器件，它与载流子散射几率的涨落有关。它是一种低频噪声，主要出现在1KHz以下。1/f噪声是一类具有长程相关性、自相似性以及非平稳性的随机噪声。其功率谱密度为：

                            S_V(f)＝AI^β/f^γ               (3)

式中，I为通过器件的电流，f为频率；参数A由器件结构特性决定；常数γ＝0.8～1.2，典型值为1.0；β＝2.0(均匀材料)或1.0～2.0(结构较复杂的器件)。1/f噪声具有两个基本特征：在一个相当宽的频率范围内，1/f噪声的功率谱密度与频率成反比；1/f噪声电压或电流的功率谱密度与通过器件的电流的平方成正比。

小波变换：给定平方可积的信号x(t)，即x(t)∈L²(R)，则x(t)的小波变换(wavelet transform，WT)定义为

${\mathrm{WT}}_x(a,b)=\frac{1}{\sqrt{a}}\&Integral;x\left(t\right){\mathrm{\&psi;}}^{*}\left(\frac{t-b}{a}\right)\mathrm{dt}=\&Integral;x\left(t\right){\mathrm{\&psi;}}_{a,b}^{*}\left(t\right)\mathrm{dt}=<x\left(t\right),{\mathrm{\&psi;}}_{a,b}\left(t\right)>---\left(\text{7}\right)$

式中b是时移，a是尺度因子。ψ(t)为基本小波。ψ_a，b(t)是母小波经移位和伸缩所产生的一组函数，称之为小波基函数。

小波去噪是通过低通滤波器和高通滤波器将信号的频谱分解到不同的频率范围，从而得到一个个的子带信号；又由于正交变换具有去除信号中的相关性和信号能量集中的功能，因此，通过小波变换就把信号的能量集中到某些频带的少数系数上。通过将其他频带上的小波系数置零或是给予小的权重，即可达到有效抑制噪声的目的。

令信号

    x(n)＝s(n)+u(n)                                            (8)

式中，s(n)是有用信号；u(n)是噪声序列。假定u(n)是零均值且服从高斯分布的随机序列，即服从

分布。对(8)式两边做小波变换，有

WT_x(a，b)＝WT_s(a，b)+WT_u(a，b)                                 (9)

令u＝(u(0)u(1)…u(N-1))^T，则

则Q为u的协方差矩阵。令W是小波变换矩阵，对于正交小波变换，它是正交阵。分别令x和s是对应x(n)和s(n)的向量，向量X，S和U分别是x(n)，s(n)和u(n)的小波变换，即X＝Wx，S＝Ws，U＝Wu。因为W是正交阵，且

所以

由此得到一个结论：平稳白噪声的小波变换仍然是平稳的自噪声。由该结论可知，带加性噪声的信号经过小波变换后能在最大程度上去除其相关性。

发明内容

本发明的主要目的是提供一种改进焦平面探测器性能的数字信号处理方法，在不增加电路结构的情况下降低读出信号中噪声，并且达到比增加相关双采样电路更大幅度提高输出信噪比和低功耗等优点。

通过分析探测器中噪声信号的成分、特点，寻找一种适合的方法将噪声去除。本发明使用小波变换将带噪声信号分解为各层低频与高频系数，然后用小波软阈值法作用在高频系数上，以降低信号中噪声的能量，最后通过小波重构恢复信号。

在热释电红外传感器读出信号中存在的噪声主要有热噪声、散粒噪声、1/f噪声，热噪声和散粒噪声都可以看成是白噪声。1/f噪声功率谱在低频段(小于1kHz)尤为明显，而白噪声功率谱遍布整个频率范围；由于1/f噪声是一类具有长程相关性、自相似性以及非平稳性的随机噪声，其非平稳性要求进行时间分析，而其自相似性又要求进行尺度分析，小波的多分辨分析兼具时频分析和尺度分析的功能，因此成为研究1/f噪声的良好工具。而白噪声进过小波分解以后在各层系数中的分布也是不相关的，还是白噪声，可以通过这一特点达到消噪的目的。

当有用信号以正弦调制输入，在传感器接收到信号以后其输出信号也是与之频率相同的正弦信号，假设输入的有用信号模型为s(t)＝Asin(2π*ω*t)，可得到经过焦平面读出电路放大以后的信号为：

       x(t)＝Bsin(2π*ω*t)+w(t)+f(t)                                (10)

式中w(t)表示均值为零的高斯白噪声，f(t)表示1/f噪声。

小波去噪的步骤分为三步：

(1).小波分解。选择合适的小波基ψ(t)和分解尺度j，用db4正交小波基，对信号进行7层正交小波分解，得到各尺度上的小波细节系数。

(2).阈值滤波。选取合适的阈值对分解得到的小波系数进行量化，量化的方法可分为软阈值量化与硬阈值量化。选取阈值的公式为：

${\mathrm{th}}_j=\mathrm{\&gamma;}*\sqrt{\mathrm{median}\left(\right|d_j\left(k\right)\left|\right)/0.6745}*\sqrt{2\ln \left(\mathrm{length}\left(d_j\left(k\right)\right)\right)}/\ln (j+1),$ 其中γ为噪声功率谱参数，d_j(k)为各层小波细节系数，j为小波分解的尺度；median是MATLAB中求中值运算的命令，length是MATLAB中求序列长度的命令。

本发明在阈值的选取方法上进行改进，小波固定阈值为

为噪声的方差，length(d_j(k))为小波细节系数的长度。估计噪声的方法是取小波系数在各个尺度下绝对值的中值median(|d_j(k)|)，然后将该中值除以常数0.6745作为该尺度下小波系数中噪声强度的估计，即

这样估计噪声方差的理由为在红外焦平面读出信号中不仅含有一些已知的热噪声，散粒噪声和1/f噪声，而且含有更多未知种类的噪声，如果只计算已知噪声的方差就不能很好的降噪，所以本发明采用了计算小波系数在各尺度下的中值再除以0.6745作为噪声的方差，这样对于未知的噪声也能起到降噪作用。

本发明又针对热释电红外传感器读出信号中的噪声在各个尺度上的分布特点，在不同的尺度取不同的阈值，即th/ln(j+1)。即随着尺度j的增大，阈值逐渐减小，使得与噪声在小波变换各尺度上的传播特性相一致。

最后使用软阈值法对各层小波细节系数进行修正，其公式为：

g_j(k)＝sgn(d_j(k))*(|d_j(k)|-th_j)，其中，g_j(k)为经过小波阈值作用以后的小波系数，sgn为符号函数。

(3).小波重构。根据阈值滤波以后的细节系数进行小波重构，得到降噪后的信号。

附图说明

图1是本发明模块的结构示意图。

图2是小波变换流程图。

图3是探测器输出信号的模型图。

图4是探测器输出信号模型的频谱图。

图5是经过小波去噪后的波形图。

图6是去噪后的频谱图。

图7实际探测器输出信号波形。

图8探测器输出信号频谱图。

图9探测器输出信号经过去噪声后的波形图。

图10探测器输出信号经过去噪声后的频谱图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本发明如图1所示，是整个探测器体系中的数字信号处理模块。由传感器产生一个比较微弱的电流信号；然后通过读出电路的放大作用，到后期使其转换成能被观测的电压信号；再通过数字信号处理模块把信号中的噪声去除；最后通过一系列的转换形成我们所希望的波形或图形输出显示。

数字信号处理模块的算法结构如图2所示，读出电路端输出的带噪声信号x(t)经过第一层小波分解后得到低频ca1和高频cd1两组数据，后然再把ca1使用同样的方法分解得到ca2和cd2，以此类推，共做7次分解。

分解后的高频段数据cd1，cd2，cd3，cd4，cd5，cd6，cd7使用小波阈值为 ${\mathrm{th}}_j=\mathrm{\&gamma;}*\sqrt{\mathrm{median}\left(\right|d_j\left(k\right)\left|\right)/0.6745}*\sqrt{2\ln \left(\mathrm{length}\left(d_j\left(k\right)\right)\right)}/\ln (j+1)$ 的软阈值处理，ca7不做任何处理。

软阈值处理后得到的高频段数据位cd1’，cd2’，cd3’，cd4’，cd5’，cd6’，cd7’，把cd7’和ca7做小波逆变换得到ca6’，再和cd6’做逆变换，以此类推，经过7次逆变换后得到去噪后的信号x(t)’。

详细的实施办法如图3开始，先模拟产生一个信号的模型，即图3的信号波形，其中包含有用信号，白噪声和1/f噪声，信噪比为-2～-3db。有用信号为s(t)＝Bsin(2π*ω*t)，白噪声模型在matlab中可以调用，1/f噪声模型由白噪声经过小波变换后生成。具体方法：将白噪声用db5小波做64层分解，再把各层小波系数归一化，取前32层系数。将第32层系数做db4小波逆变换，即得到了1/f噪声。带噪声信号的频谱如图4所示。

图5所示为小波去噪声后的波形。去噪声的过程如图2所示，选用db4正交小波基分解，对信号进行7层小波分解，然后对分解得到的7段高频小波系数作软阈值处理，阈值为 ${\mathrm{th}}_j=\mathrm{\&gamma;}*\sqrt{\mathrm{median}\left(\right|d_j\left(k\right)\left|\right)/0.6745}*\sqrt{2\ln \left(\mathrm{length}\left(d_j\left(k\right)\right)\right)}/\ln (j+1),$ 再把处理过的小波系数进行小波逆变换，即可得到如图5所示去噪后的波形，图6为去噪后波形的频谱。

通过pc机仿真建造信号模型后我们再用实际测得的探测器信号证明小波变换的有效性。如图7所示，此波形为探测器实际测得信号，其调制方式是方波加正弦波调制，频率为14hz。图7的采样间隔为0.0001s，采样点数为2500点。此信号的频谱如图8所示。信号的能量集中在低频段，高频段分布着一些较散的信号能量，从频谱图中既可以看出，有用信号主要分布在低频段，其他一些干扰信号和噪声不规则的分布在整个频谱范围内。

图9是经过小波变换处理以后的波形，其中正式方波和正弦波的混合调制。处理方法是将实际信号使用db7正交小波基做7层小波变换，噪声功率谱参数γ为0.36，对小波系数做软阈值量化。由于本文使用的阈值并不是针对某种特定的噪声而设置，而是通过小波系数中值估计出噪声方差，所以若是信号中还存在未知的噪声也可同样抑制。从信号的频谱图可以看出，由于信号能量集中在低频段，因此考虑只对高频段的5层做阈值处理，低频段2层不变。结果显示小波算法在处理红外探测器信号时是有效的。图10为处理过后的信号频谱图。

有益效果

通过分析焦平面探测器的读出信号的噪声组成及特点，采用小波变换的方法对焦平面探测器的读出信号进行处理，通过针对焦平面探测器读出信号中的噪声特点所选取的特定的小波降噪软阈值，获得了比传统降噪方法更高的信噪比，同时，简化了读出电路的芯片结构，减小了芯片面积和功耗，也进一步降低了读出信号中的热噪声的1/f噪声。

Claims (4)

1.一种焦平面探测器读出信号的数字信号处理方法，其特征在于：根据读出信号中噪声信号的组成成分和特点，对焦平面探测器读出信号进行小波分解，将带噪声信号分解为各层低频系数与高频系数，然后采用小波软阈值算法处理小波分解得到的高频系数，降低读出信号中噪声能量以实现降噪，最后根据由软阈值算法滤波后的系数进行小波重构以恢复信号；其中，利用小波变换对读出信号进行降噪具体包括以下步骤：

(1).选取合适的小波基ψ(t)和分解尺度j；ψ(t)具体选用db4正交小波基，对信号进行j＝7层正交小波分解，得到各尺度上的小波细节系数；

(2).选取合适的阈值对分解得到的小波细节系数进行软阈值量化，选取第j个尺度的软阈值的公式为：

其中th_j为第j个软阈值，γ为噪声功率谱参数，d_j(k)为各层小波细节系数，median(|d_j(k)|)为求小波细节系数的中值，length(d_j(k))为求小波细节系数的序列长度，median(|d_j(k)|)/0.6745为噪声的估计方差，其中，估计方差通过以下方法得到，取小波细节系数在各个尺度下绝对值的中值median(|d_j(k)|)，然后将该中值除以常数0.6745作为该尺度下小波细节系数中噪声强度的估计，即 

上述软阈值在固定阈值的基础上，对不同的分解尺度选取不同的阈值，随着尺度j的增大，阈值逐渐减小，使得与噪声在小波变换各尺度上的传播特性 相一致；使用软阈值法对各层小波细节系数进行修正，其公式为：g_j(k)＝sgn(d_j(k))*(|d_j(k)|-th_j)，其中g_j(k)为滤波后的系数，sgn为符号函数；

(3).小波重构,根据阈值滤波以后的细节系数进行小波重构，得到降噪后的信号。

2.根据权利要求1所述的数字信号处理方法，其特征在于用数字信号处理的方法降低探测器读出电路的噪声。

3.根据权利要求2所述的数字信号处理方法，其特征在于在热释电红外传感器读出信号中的噪声主要由热噪声、散粒噪声、1/f噪声组成。

4.根据权利要求3所述的数字信号处理方法，其特征在于当有用信号以正弦调制输入，在传感器接收到信号以后其输出信号也是与之频率相同的正弦信号，令输入的有用信号模型为s(t)＝Asin(2π*ω*t)，可得到经过焦平面读出电路放大以后的信号为：

x(t)＝Bsin(2π*ω*t)+w(t)+f(t)，式中w(t)表示均值为零的高斯白噪声，

f(t)表示1/f噪声。 

Images