CN104950337A - 基于峰度系数的噪声滤除方法 - Google Patents

Abstract

本发明涉及微波成像，超宽带无线检测，为有效地对掩埋目标进行探测，实现直接从含有目标信息的信号中提取出目标响应信号，同时避免目标信号中噪声过大，导致目标无法检测的弊端。为此，本发明采取的技术方案是，基于峰度系数的噪声滤除方法，将发射天线、接收天线布置在待测组织周边，发射天线发出信号，接收天线接收信号，然后执行下述步骤：1.将接收天线得到的信号进行集成经验模态分解EEMD分解；2.引入相关系数：3.找到相关系数最大的若干本征模态函数；4.利用峰度系数计算相关系数最大的若干本征模态函数峰度系数；5.得到目标信息图像。本发明主要应用于微波成像。

Description

基于峰度系数的噪声滤除方法

技术领域

本发明涉及微波成像，超宽带无线检测，未见目标检测，信号处理技术领域。具体讲，涉及基于峰度系数的噪声滤除方法。

背景技术

超宽带电磁波检测未见目标的原理在于不同生物组织对电磁波的吸收、反射及透射特性不同，使得天线发射的脉冲信号在复杂的结构中传播时所产生的电磁场能够反映组织结构的丰富信息。同时超宽带微波信号具有辐射功率低、目标信息携载量大、提供毫米级定位和检测成本较低等优点，能作为未见目标检测的常规手段。为了实现上述超宽带的优点，目标信号的提取至关重要。在一些情况中，目标即为被掩埋物体。在直接从实际探测到的包含目标信息的信号中提取目标信号进行成像的过程中，目标信号的选取，噪声的滤除尤为关键。目标信号选取不当，将直接导致目标无法检测。因而有必要开发新的方法将信号中的噪声进行区分并进行滤除，选取真正含有目标信息的信号。使得成像过程更加简便，成像结果更加准确。

发明内容

为克服技术的不足，有效地利用超宽带微波检测系统中对掩埋目标进行探测，提供一种新的目标信号的噪声滤除算法，实现直接从含有目标信息的信号中提取出目标响应信号，同时避免目标信号中噪声过大，导致目标无法检测的弊端。为此，本发明采取的技术方案是，基于峰度系数的噪声滤除方法，将发射天线、接收天线布置在待测组织周边，发射天线发出信号，接收天线接收信号，然后执行下述步骤：

1.将接收天线得到的信号进行集成经验模态分解EEMD分解，选择白噪声系数为1.2，循环次数为50，得到分解后的本征模态函数IMF1至IMF13，及剩余项r13；

2.在得到所有的本征模态函数IMF之后，需要区分有效的目标信号与噪声信号，这里引入相

关系数： $x_g=\frac{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}(x\left(k\right)-\stackrel{\‾}{x\left(k\right)})(c_n\left(k\right)-\stackrel{\‾}{c_n\left(k\right)})}{\sqrt{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(x\left(k\right)-\stackrel{\‾}{x\left(k\right)})}^2}\sqrt{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(c_n\left(k\right)-\stackrel{\‾}{c_n\left(k\right)})}^2}},---\left(3\right)$

使用该公式计算所有的本征模态函数与天线得到的信号之间的相关系数，Cn(k)即为第

k个IMF，μ为IMF信号的平均值，X(k)为天线得到的信号，N＝13；

3.找到相关系数最大的若干本征模态函数；

4.利用峰度系数计算相关系数最大的若干本征模态函数峰度系数，公式如下：

$\mathrm{kurt}=\frac{E{(c_n-\mathrm{\μ})}^4}{{\left(E{(c_n-\mathrm{\μ})}^2\right)}^2},\left(4\right)$

式中，E指期望；

5.由上一步骤得到的结果中峰度系数最大者即为得到的目标信号，对该信号用共焦成像算法

进行成像，即可得到目标信息图像。

采用的天线为A1至A8共8条，其中一个天线发射信号，其余的天线接收信号，这样循环检测，天线接收信号后进行处理，最后采用共焦成像算法对提取的目标信号再进行共焦成像算法的处理，8条发射天线的信号能够使得目标的散射信号得到增强，准确显示掩埋目标的位置。

发射天线发射中心频率为5GHz、带宽为10GHz的一阶导高斯信号。

与已有技术相比，本发明的技术特点与效果：

本发明直接从含有目标信息的信号中提取出目标响应信号，同时基于峰度系数，能够从目标信号中更大程度的将噪声滤除，直接提取目标信号进行成像，使得成像结果更加准确，避免了目标信号中噪声过大，导致目标无法检测的弊端，且简便快捷，能够获取足够多的信息来对目标进行检测；成像结果能够直观的实现目标存在与否的判断和定位，非常适合于被掩埋目标的检测系统。

附图说明

图1组织模型及天线结构示意图。

图2天线A1发A3收的含有目标信息信号的原始信号及本征模态函数(IMF1-IMF13,图中标为C1-C13)及剩余项(r13)图。

图3所有信号经过分解后提取目标响应信号所得的目标共焦成像图。

具体实施方式

为了有效地利用超宽带微波检测系统中对掩埋目标进行探测，本发明提供了一种新的目标信号的噪声滤除算法。该算法可以直接从含有目标信息的信号中提取出目标响应信号，同时该算法避免了目标信号中噪声过大，导致目标无法检测的弊端。该算法简便快捷，能够获取足够多的信息来对目标进行检测。常规的目标信号提取方法是建立有目标的模型和无目标的模型，通过天线发出的超宽带微波去分别探测有目标的模型和无目标的模型，得到包含目标信息的信号减去无目标信息的信号。实际情况中，无目标的信号是无法获得的，即使建立模型，其同真实的情况也是有误差的。因此开发了适用于目标检测的目标信号直接提取算法，直接从实际探测到的包含目标信息的信号中提取目标信号进行成像，在这个过程中，噪声的滤除变得尤为关键，以往是直接根据相关系数进行目标信号与噪声信号的区分。但是该方法进行的噪声滤除会使得噪声过大，目标检测不准确。因而有必要开发新的噪声滤除的算法进行目标信号的噪声滤除。该算法基于峰度系数，能够从目标信号中更大程度的将噪声滤除，直接提取目标信号进行成像，使得成像结果更加准确。该算法成像结果能够直观的实现目标存在与否的判断和定位，非常适合于被掩埋目标的检测系统。

图1为探测系统所采用的天线阵列结构和掩埋目标的整体模型。其中包含五种不同的结构，每种结构有不同的介电常数，电导率等电磁特性，而目标则被包含在这些不同的结构中。 为满足成像分辨率和探测深度的要求采用中心频率为5GHz、带宽为10GHz的一阶导高斯信号，信号波形如图2所示。具体实施过程如下：

1.将得到的所有信号进行EEMD(集成经验模态分解方法)分解时选择白噪声系数为1.2，循环次数为50，得到分解后的本征模态函数(IMF1至IMF13，图中标为C1-C13)及剩余项(r13)。如图2所示为天线A1发出超宽带微波，由天线A3接收到的包含目标信息的信号原始图以及经过EEMD分解得到的IMF1至IMF13及其余项r13的信号图。

2.在得到所有的IMF(本征模态函数)之后，需要区分有效的目标信号与噪声信号，这里引

入相关系数： $x_g=\frac{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}(x\left(k\right)-\stackrel{\‾}{x\left(k\right)})(c_n\left(k\right)-\stackrel{\‾}{c_n\left(k\right)})}{\sqrt{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(x\left(k\right)-\stackrel{\‾}{x\left(k\right)})}^2}\sqrt{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(c_n\left(k\right)-\stackrel{\‾}{c_n\left(k\right)})}^2}},---\left(3\right)$

式中，c_n即为第n个IMF，x(k)为原始信号。使用该公式计算所有的IMF与原始信号之间的相关系数，得到的结果如表1所示。原始信号就是天线收发接收到的信号，需要从原始信号中提取未见目标信号，因为原始信号中包含了未见目标信号，来自待测组织表层的反射信号，以及其他干扰信号。

3.从表1可以看出，IMF7与IMF8的相关系数是最大的，因而可以确定IMF7与IMF8中包含大部分的目标信号，但是将IMF7与IMF8相加所得的新的信号中仍有很大的噪声干扰使得成像结果不够明显准确。

4.峰度系数是用来检测含噪信号的瞬态特征，并作为功率谱的一种补充方法，很好的克服了功率谱不易检测和提取信号中瞬态特征的问题。它是根据高阶统计量理论将其定义为信号傅里叶变换后的归一化四阶累积量，它对加性噪声中非平稳信号特征的检测具有良好的能力 $\mathrm{kurt}=\frac{E{(c_n-\mathrm{\μ})}^4}{{\left(E{(c_n-\mathrm{\μ})}^2\right)}^2},\left(4\right)$

式中，E指期望。c_n即为第n个IMF，μ为IMF信号的平均。

5.计算所有IMF的峰度系数，得到的结果如表2所示，从表2中可以看出，IMF7的峰度系数最大，可以确定，该信号即为得到的目标信号。该信号即为含有目标响应的信号。对该信号用共焦成像算法进行成像，即可得到目标信息图像，如图3所示。

表1 各个IMF与原始信号之间的相关系数

表2 各个IMF的峰度系数

为验证掩埋目标超宽带微波检测系统的成像算法的有效性，采用图1所示的组织结构模型进行探测。模型尺寸设定为由八个天线组成的天线阵列排布在表层上，为使天线的收发效果更好，因此在表面附着一层凡士林。为接近真实探测环境，依次设立五种不同的组织结构，被掩埋目标位置大小信息如图所示，其直径为4mm，坐标位于(71,57)。将得到的所有信号进行EEMD分解时选择白噪声系数为1.2，循环次数为50，得到分解后的IMF1至IMF13。如图2为有目标信息时A1发射，A3的接收波形及其经分解后得到的IMF分量图。对所有得到的IMF，计算其与原始信号的相关系数，提取出相关系数较大的IMF。这里IMF7与IMF8的相关系数较大。然后继续计算所有信号的峰度系数，结果如表2所示，IMF7的峰度系数最大，因此得到IMF7即为目标响应信号。这里提取IMF7即实现了目标散射信号的提取。将所有得到的信号分解后得到的IMF7信号进行共焦成像，可以得到更加清晰的目标成像图，如图3所示。验证了该算法的有效性。

其中，模型大小为120mm*116mm,肿瘤位置为(71mm,57mm)

八个天线，位置分别为：

A1(25.5mm,65.5mm)，A2(35.1mm,50.2mm)，A3(41.1mm,36.8mm)，A4(49mm,25.5mm)，

A5(87.5mm,30.2mm)，A6(93mm,42.6mm)，A7(99.4mm,59.8mm)，A8(104.4mm,72.2mm)。

天线收发情况为其中一个天线发射信号，其余的天线接收信号，这样循环，例如：A1发射信号，则A1-A8天线接收信号，这样为一组信号，一共八组。

选取天线A1至A8分别发射信号，其余分别接收到的含有目标信息的信号，按照上述步骤将天线阵列的接收信号进行EEMD分解，其中，选择白噪声系数为1.2，循环次数为50，得到IMF1至IMF13所有的固有模态函数。在得到所有的固有模态函数中，计算其与原始信号的相关系数，得到相关系数较大的固有模态函数IMF7，IMF8。继续计算所有信号的峰度系数，得到峰度系数最大的信号即为目标响应信号。采用共焦成像算法对提取的目标信号再进行共焦成像算法的处理，能够使得目标的散射信号得到增强，显示掩埋目标的位置，实现掩埋目标的检测识别。结果表明该算法能有益于超宽带微波系统实现被掩埋物体的检测中目标信息的提取。

Claims (3)

1.一种基于峰度系数的噪声滤除方法，其特征是，将发射天线、接收天线布置在待测组织周边，发射天线发出信号，接收天线接收信号，然后执行下述步骤：

1)将接收天线得到的信号进行集成经验模态分解EEMD分解，选择白噪声系数为1.2，循环次数为50，得到分解后的本征模态函数IMF1至IMF13，及剩余项r13；

2)在得到所有的本征模态函数IMF之后，需要区分有效的目标信号与噪声信号，这里引

入相关系数：

使用该公式计算所有的本征模态函数与天线得到的信号之间的相关系数，Cn(k)即为第k个IMF，μ为IMF信号的平均值，X(k)为天线得到的信号，N＝13；

3)找到相关系数最大的若干本征模态函数；

4)利用峰度系数计算相关系数最大的若干本征模态函数峰度系数，公式如下：

式中，E指期望；

5)由上一步骤得到的结果中峰度系数最大者即为得到的目标信号，对该信号用共焦成像算法进行成像，即可得到目标信息图像。

2.如权利要求1所述的基于峰度系数的噪声滤除方法，其特征是，采用的天线为A1至A8共8条，其中一个天线发射信号，其余的天线接收信号，这样循环检测，天线接收信号后进行处理，最后采用共焦成像算法对提取的目标信号再进行共焦成像算法的处理，8条发射天线的信号能够使得目标的散射信号得到增强，准确显示掩埋目标的位置。

3.如权利要求1所述的基于峰度系数的噪声滤除方法，其特征是，发射天线发射中心频率为5GHz、带宽为10GHz的一阶导高斯信号。