CN104463325A - 一种极地探冰雷达原始数据噪声抑制方法 - Google Patents

Abstract

本发明公开了一种极地探冰雷达原始数据噪声抑制方法，该方法包括步骤如下：步骤S1：通过对探冰雷达原始数据进行曲波变换，获得雷达原始数据的曲波系数矩阵；步骤S2：利用阈值神经网络模型对探冰雷达原始数据的曲波系数的阈值调整，获得探冰雷达原始数据的曲波系数的最优阈值；步骤S3：基于新阈值函数和最优阈值对探冰雷达原始数据的曲波系数去除噪声，获得去除噪声的曲波系数矩阵；步骤S4：在曲波变换域对去除噪声的曲波系数矩阵进行曲波反变换，获得降噪声后的探冰雷达数据。

Description

一种极地探冰雷达原始数据噪声抑制方法

技术领域

本发明属于极地探冰雷达数据噪声抑制技术，具体涉及一种基于Curvelet阈值神经网络的极地探冰雷达数据噪声抑制方法。

背景技术

探冰雷达技术是基于电磁波理论，通过雷达回波研究冰雪介质特征的地球物理探测方法。由于南极冰盖面积巨大，具有成层性和匀质性，而且低温下冰对电磁波衰减非常弱，电磁波能够穿透三四千米的深度，使得冰厚探测雷达在南极冰盖探测方面具有很大的优势。20世纪60年代以来，通过探冰雷达获得的冰盖厚度、冰盖内部层理、冰盖底部环境和物质平衡等，大大促进了极地冰川和全球气候变化的研究。

探冰雷达回波信号中，通常包括：收发天线之间的耦合信号、冰面直接反射信号、冰下内部层反射信号、冰岩界面回波信号以及系统噪声和其他杂波干扰信号。为了提高探冰雷达数据分析的准确性，必须进行杂波抑制和降噪处理。

发明内容

(一)要解决的技术问题

为了解决传统Curvelet降噪方法用于探冰雷达数据处理时，对Curvelet系数存在一定程度的“过扼杀”的问题，本发明目的是提供一种基于Curvelet阈值神经网络和新阈值函数的极地探冰雷达原始数据噪声抑制方法。

(二)技术方案

为实现上述目的，本发明提供一种极地探冰雷达原始数据噪声抑制方法，该方法包括步骤如下：

步骤S1：通过对探冰雷达原始数据进行曲波变换，获得雷达原始数据的曲波系数矩阵；

步骤S2：利用阈值神经网络模型调整探冰雷达原始数据的曲波系数的阈值，获得探冰雷达原始数据的曲波系数的最优阈值；

步骤S3：基于新阈值函数和最优阈值对探冰雷达原始数据的曲波系数去除噪声，获得去除噪声的曲波系数矩阵；

步骤S4：在曲波变换域对去除噪声的曲波系数矩阵进行曲波反变换，获得降噪声后的探冰雷达数据。

(三)有益效果

本发明基于曲波阈值神经网络和新阈值函数，在曲波变换域对探冰雷达数据进行降噪，得到降噪数据。本发明提出极地探冰雷达数据降噪方法，可用于用于探冰雷达数据的预处理、提高数据信噪比等方面。

附图说明

图1为本发明的方法流程图；

图2为本发明中TNN阈值神经网络框图；

图3为本发明新阈值函数与经典的Donoho普适阈值函数对比图；

图4为本发明适用的探冰雷达原始数据成像图；

图5为本发明的方法处理后的探冰雷达数据成像图；

图6是图4对应的第2000道数据的单道波形；

图7是图5对应的第2000道数据的单道波形。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面将结合附图和具体实施方式对本发明做进一步详细的解释。

本发明中所使用的数据来源于本实验室研制的探冰雷达，没有具体型号，没有批产。具体参数如下：工作带宽：100MHz，中心频率：150MHz，发射信号类型：线性调频信号，天线阵列：2个。

本发明对探冰雷达数据处理流程如图1所示。基于阈值神经网络模型，基于提出的新阈值函数连续可导的特性，在最小均方误差意义下，通过梯度下降法求解曲波(Curvelet)域各尺度、方向的自适应阈值，经过阈值处理后，最后用Curvelet反变换得到降噪数据。通过对探冰雷达原始数据进行Curvelet变换，获得雷达原始数据的Curvelet系数矩阵，再利用阈值神经网络(TNN是ThreshholdingNeural Network的简称)对Curvelet系数的阈值进行调整，即：在最小均方误差意义下获得最优阈值，将最优阈值代入本发明的阈值函数，获得阈值调整后的Curvelet系数矩阵，最后对阈值调整后的Curvelet系数矩阵进行Curvelet反变换，获得降噪后的探冰雷达数据。

利用本发明方法对探冰雷达原始数据处理包括如下步骤：

步骤S1：将含噪探冰雷达原始数据进行Curvelet变换，获得雷达原始数据的曲波系数矩阵。对探冰雷达原始数据进行Curvelet变换获得不同尺度和不同方向的各向异的Curvelet系数，所述不同尺度和不同方向的各向异的Curvelet系数包含粗尺度系数和精细尺度系数；粗尺度系数，用于恢复探冰雷达原始数据的粗轮廓；精细尺度系数，用于恢复探冰雷达原始数据的纹理细节。

步骤S2：利用阈值神经网络模型调整探冰雷达原始数据的曲波系数的阈值，获得探冰雷达原始数据的曲波系数的最优阈值；即是将Curvelet系数代入阈值神经网络，进行阈值调整，获得最优阈值；所述阈值调整采用SURE无偏估计方法(所述SURE是最小均方误差意义下的最优阈值估计方法)，基于新阈值函数连续可导的特性，在最小均方误差意义，通过梯度下降法求解探冰雷达原始数据的Curvelet域各尺度、各方向的自适应阈值，获得探冰雷达原始数据的Curvelet系数的最优阈值。

步骤S3：将步骤S2获得的最优阈值代入新阈值函数对探冰雷达原始数据的曲波系数去除噪声，获得去噪后的Curvelet系数矩阵；

步骤S4：在曲波变换域对去噪后的Curvelet系数进行Curvelet反变换，获得去噪声后的探冰雷达数据。

步骤S2中阈值神经网络(TNN)如图2所示J(t)表示使用阈值函数前后的误差，神经网络是由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统，其具有优秀的学习能力。阈值神经网络是通过阈值函数来加权处理输入数据的神经网络，将探冰雷达原始数据的Curvelet系数中的精细尺度系数代入阈值神经网络，进行阈值调整，获得最优阈值。该阈值神经网络包括：输入为探冰雷达原始数据的被噪声污染的观测信号y_i＝x_i+n_i，i＝0，...，N-1，其中：x_i为理想恢复信号，n_i为加性噪声，i为被噪声污染的观测信号的个数，N为探冰雷达原始数据的第N个被噪声污染的观测信号。正交变换是将输入被噪声污染的观测信号变换到变换域，经过阈值处理，保留被噪声污染的观测信号的能量，抑制噪声能量。

阈值神经网络模型中，u_i为观测信号的变换系数，η(x，t)为变换域的阈值函数，v_i为经过阈值处理的系数。

将经过阈值处理的系数v_i经过正交变换，获得降噪后的信号

步骤S3中新阈值函数η_N(x，t)为： ${\mathrm{\η}}_N(x,t)=x+t\·(1-2^{\frac{2.9}{t}x})/(1+2^{\frac{2.9}{t}x}),$ 其中x为步骤S1得到的Curvelet系数中的粗尺度系数和精细尺度系数，t为步骤S2得到的最优阈值，将最优阈值t代入新阈值函数，获得去噪后的Curvelet系数η_N(x，t)。

图3示出本发明新阈值函数与经典的Donoho普适阈值函数对比图，Donoho为数学家，经典的Donoho普适阈值函数包括硬阈值函数η_H(x，t)和软阈值函数η_s(x，t)，硬阈值函数和软阈值函数如下：

硬阈值函数： ${\mathrm{\&eta;}}_H(x,t)=\left\{\begin{array}{cc}0& ,\left|x\right|<t\\ x& ,\left|x\right|\&GreaterEqual;t\end{array}\right.,$

软阈值函数： ${\mathrm{\&eta;}}_S(x,t)=\mathrm{sgn}\left(x\right)\left(\right|x|-t)=\left\{\begin{array}{cc}x+t& ,x<t\\ 0& ,\left|x\right|\&le;t\\ x-t& ,x>t\end{array}\right..$

由硬阈值、软阈值函数表达式可知，硬阈值函数在阈值点不连续，软阈值函数虽然连续但其导数不连续，在具体应用中以上两阈值函数不便于进行数学运算处理，本发明的阈值函数连续可导，克服了硬阈值函数、软阈值函数使用的局限性。

图4为本发明适用的探冰雷达原始数据成像剖面图，剖面显示了在南极中山站附近冰盖上58公里长的冰下信息。该剖面图有较低的辨识度，0-800米之间的层位模糊不清，1500米左右的冰岩交界面层位对比度不高。图4中示出距离向深度(Depth)、方位向距离(Distance)这两个坐标标识了目标的位置。

图5是用本发明方法处理后的剖面图。冰下400-1000米的冰下冰盖内部分层信息清晰呈现，可以看出冰盖内部反射层之间间隔较小且近乎平行。据推断，引起冰下浅层反射层的主要原因可能有大气沉积物、空隙、冰川冰晶体各向异性、密度的不均等、冰盖冰内酸度的变化等。雷达图像的各反射层具体指示着什么，需要与冰芯对比才能得出较合理的解释。冰下1500米左右，剖面清晰地呈现了冰下基岩的起伏，并呈现了对应的冰盖厚度。由冰面高程减去冰厚可得冰下基岩的高程，据此可做出冰下地形图。冰川厚度和冰下地形数据还可以用于构建冰川表面和冰岩界面的数字高程模型，以应用于冰川动力学的数值模拟中，从而获得区域冰川厚度和冰储量的变化特征。图5中示出距离向深度(Depth)、方位向距离(Distance)这两个坐标标识了目标的位置。

图6、图7是图4、图5对应的第2000道数据的单道波形。可以看出，本发明算法处理后的冰雷达数据噪声得到较好的抑制，同时也保持了冰下层位边缘信息，为冰雷达数据的进一步解译提供了必要的前提。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种极地探冰雷达原始数据噪声抑制方法，该方法包括步骤如下：

步骤S1：通过对探冰雷达原始数据进行曲波变换，获得雷达原始数据的曲波系数矩阵；

步骤S2：利用阈值神经网络模型调整探冰雷达原始数据的曲波系数的阈值，获得探冰雷达原始数据的曲波系数的最优阈值；

步骤S3：基于新阈值函数和最优阈值对探冰雷达原始数据的曲波系数去除噪声，获得去除噪声的曲波系数矩阵；

步骤S4：在曲波变换域对去除噪声的曲波系数矩阵进行曲波反变换，获得降噪声后的探冰雷达数据。

2.根据权利要求1所述的极地探冰雷达数据噪声抑制方法，其特征在于，对探冰雷达原始数据进行曲波变换，获得不同尺度和不同方向的各向异的曲波系数。

3.根据权利要求2所述的极地探冰雷达数据噪声抑制方法，其特征在于，所述不同尺度和不同方向的各向异的曲波系数包含粗尺度系数和精细尺度系数；粗尺度系数，用于恢复探冰雷达原始数据的粗轮廓；精细尺度系数，用于恢复探冰雷达原始数据的纹理细节。

4.根据权利要求3所述的极地探冰雷达数据噪声抑制方法，其特征在于，所述阈值神经网络是通过阈值函数来加权处理输入数据的神经网络，将探冰雷达原始数据的曲波系数中的精细尺度系数代入阈值神经网络，进行阈值调整，获得最优阈值。

5.根据权利要求1所述的极地探冰雷达数据噪声抑制方法，其特征在于，所述阈值调整采用SURE无偏估计方法，基于新阈值函数连续可导的特性，在最小均方误差意义，通过梯度下降法求解探冰雷达原始数据的曲波域各尺度、各方向的自适应阈值，获得探冰雷达原始数据的曲波系数的最优阈值，所述SURE是最小均方误差意义下的最优阈值估计。

6.根据权利要求1所述的极地探冰雷达数据噪声抑制方法，其特征在于，所述新阈值函数η_N(x，t)表示如下：

${\mathrm{\&eta;}}_N(x,t)=x+t\&CenterDot;(1-2^{\frac{2.9}{t}x})/(1+2^{\frac{2.9}{t}x}),$

x为曲波系数中的粗尺度系数和精细尺度系数，将最优阈值t代入新阈值函数，获得去噪后的曲波系数η_N(x，t)，N为探冰雷达原始数据的第N个被噪声污染的观测信号。