CN106821425A - 一种双通道膀胱碎石镜系统 - Google Patents

Abstract

本发明涉及一种双通道膀胱碎石镜系统，包括用于进行画面拍摄和监控的摄像头；与摄像头有线连接，用于将光学图像转换成电子信号的图像传感器；与图像传感器有线连接，用于对接收的数据进行分析和处理的单片机；与单片机有线连接，用于提供清洗液的微型水泵；与单片机有线连接，用于排出污物的负压装置；与单片机有线连接，用于打开供液管路的第一电磁阀；与单片机有线连接，用于打开排污管路的第二电磁阀；与单片机通过GPRS无线网络无线连接，用于进行数据传输与交换的云服务器。该双通道膀胱碎石镜系统通过摄像头对碎石画面进行拍摄和监控，并实时传输到单片机，通过单片机向相关设备下达指令，实现智能化和便捷化操作。

Description

一种双通道膀胱碎石镜系统

技术领域

本发明属于医用器械技术领域，尤其涉及一种双通道膀胱碎石镜系统。

背景技术

膀胱结石的内镜治疗因创伤小、恢复快已成为临床治疗的主要手段。

现有的双通道膀胱碎石镜系统存在以下缺点：一方面，观察结石困难，不便于使用和操作；另一方面，增加了医护人员的工作负担，并且在一定程度上降低了工作效率；其次就是人工操作给手术带来一定的危险性。

发明内容

本发明为解决现有的操作和使用不便，观察结石困难，另一方面，增加了医护人员的工作负担，并且在一定程度上降低了工作效率的技术问题而提供一种双通道膀胱碎石镜系统。

本发明为解决公知技术中存在的技术问题所采取的技术方案是：

本发明提供的双通道膀胱碎石镜系统，所述双通道膀胱碎石镜系统包括：

用于进行画面拍摄和监控的摄像头；所述摄像头的混合图像满足下面的关系式，

S_n＝(1-β_nβ_n-1...β₂β₁)F+β_nβ_n-1...β₂β₁G′；

其中β_i＝1-α_i,i＝1,2,...,n，

采用Logistic映射来产生这些迭代参数，选定参数μ'和初值a₁，由公式：

α_i+1＝μ'α_i(1-α_i)；

{α_i}为混沌加密后迭代时的参数序列，这样的参数序列有较强的随机性，可以进一步增强隐藏图像的安全性，利用单幅载体图像可以将一幅秘密图像隐藏起来，再将数字图像混合的思想推广，利用多幅图像的多个混合参数来隐藏秘密信息，这就是多幅图像的混合，对将要隐藏的图像G，记为θ(t)，采用Logistic混沌加密，加密后的图像表示为G′，加密图像G′记为x(t),载体图像F_i(i＝1,2,…,n)和加密图像G′都是M×N的数字图像，并且混合参数为{α_i|0≤α_i≤1,i＝1,2,…,n}，根据图像的混合算法，首先对图像F₁和G′进行α₁混合得到S₁＝α₁F₁+(1-α₁)G′，然后对图像F₂和G′进行α₂混合得到S₂＝α₂F₂+(1-α₂)S₁，依次进行图像混合得到S_n＝α_nF_n+(1-α_n)S_n-1，则数字图像S_n称为图像G′的关于数字图像组F_i(i＝1,2,…,n)的一个n幅图像混合，

混合图像可表示为：

即：

S_n＝α_nF_n+β_nα_n-1F_n-1+…+β_nβ_n-1…β_n-iα_n-iF_n-i

+…+β_nβ_n-1…β₂β₁G′；

其中β_i＝1-α_i,i＝1,2,…,n，选定参数μ′和初值α₁，根据α_i+1＝μ′α_i(1-α_i)产生一个混沌序列{α_i|0＜α_i＜1,i＝1,2,…n}，作为迭代时的参数序列，在这里选取的参数μ′和初值α₁要不同于产生水印时的参数μ(t)和初值x(1)；

所述摄像头的焦点区域确定方法包括：

对图像以当前视觉注意焦点为原点进行极坐标变换，在极坐标空间里进行搜索；

设表示直角坐标中的概率边界图，F(x_o,y_o)为当前焦点(直角坐标)，以该焦点为坐标原点进行极坐标变换，所得的极坐标概率边界图记为设P表示极坐标边界图中所有像素的集合，L＝{0,1}为极坐标边界图中每个像素标记的集合，假定像素p的标记l_p＝0表示该像素处于焦点区域封闭边界的内部，l_p＝1表示该像素处于焦点区域封闭边界外部，寻找焦点区域最优封闭边界的问题等价于，在概率边界图上寻求从集合P到集合L的标号函数，该标号函数满足如下能量方程：

这里，δ(l_p,l_q)为Kronecker符号；

U_p(l_p)为能量函数数据项。关于数据项，只有两种情况是确定的，即对于极坐标图像第一列来说，其对应于极点，必处于焦点区域内部，因而对于有l_p＝0，U_p(l_p＝0)＝0，U_p(l_p＝1)＝Cst；对于最后一列，位于焦点区域封闭边界外部，因而对于必有：l_p＝1，U_p(l_p＝0)＝Cst，U_p(l_p＝1)＝0；

公式(1)所规定的能量函数，用最大流-最小割法进行求解；其中极坐标概率边界图像素之间的连接权值按下式确定：

在极坐标下获得了焦点区域封闭边界的最优解后，对该边界像素坐标进行逆极坐标变换，即得直角坐标下的焦点区域封闭边界的最优解；

与摄像头有线连接，用于将光学图像转换成电子信号的图像传感器；所述图像传感器的归一化互相关度量方法的公式如下：

S(x,y)表示原始待匹配图像中坐标位置为(x,y)处像素点的灰度值，T(u,v)表示模板图像中坐标位置为(u,v)处像素点的灰度值，模板图像大小为m×n；

与图像传感器有线连接，用于对接收的数据进行分析和处理的单片机；所述单片机的确定每层小波系数对应噪声阈值的步骤包括：

根据如下公式确定每层小波系数对应的噪声阈值：

其中，g为含噪图像的小波系数的总数，k为对应的分解层序数，λ_k为对含噪图像进行g层小波分解后第k层的噪声阈值；

δ_k＝median(|(w_pq)_k|)/0.6745；

(w_pq)_k表示小波分解后第k层的水平，垂直，对角线方向上的高频系数；

与单片机有线连接，用于提供清洗液的微型水泵；

与单片机有线连接，用于排出污物的负压装置；

与单片机有线连接，用于打开供液管路的第一电磁阀；

与单片机有线连接，用于打开排污管路的第二电磁阀；

与单片机有线连接，用于对运行数据进行保存的档案管理终端；

与单片机通过GPRS无线网络无线连接，用于进行数据传输与交换的云服务器；

所述电源模块与单片机有线连接，用于提供电源；

所述档案管理终端上安装有显示装置和打印装置，显示装置和打印装置均通过数据线与单片机相连接；

所述碎石仪与单片机有线连接，用于震碎膀胱结石。

进一步，所述云服务器对不同跳频点之间的时频域跳频源信号进行拼接，具体步骤如下：

第一步，估计第l跳对应的个入射角度，用表示第l跳第n个源信号对应的入射角度，的计算公式如下：

表示第l跳估计得到的第n个混合矩阵列向量的第m个元素，c表示光速，即v_c＝3×10⁸米/秒；

第二步，判断第l(l＝2，3，…)跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：

其中m_n ^(l)表示第l跳估计的第m_n ^(l)个信号与第一跳估计的第n个信号属于同一个源信号；

第三步，将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用Y_n(p,q)表示第n个源信号在时频点(p,q)上的时频域估计值，p＝0,1,2,....,P，q＝0,1,2,...,N_fft-1，即

进一步，所述GPRS无线网络的直接信任值的具体计算步骤为：

采集网络观测节点i与节点j之间的n个时间片的交互次数：

选取一定时间间隔t作为一个观测时间片，以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标，真实交互次数，记作y_t，依次记录n个时间片的y_n，并将其保存在节点i的通信记录表中；

预测第n+1个时间片的交互次数：

根据采集到的n个时间片的交互次数建立时间序列，采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数，预测交互次数，记作计算公式如下：

预测系数a_n、b_n、c_n的取值可由如下公式计算得到：

其中：分别是一次、二次、三次指数平滑数，由如下公式计算得到：

是三次指数平滑法的初始值，其取值为

α是平滑系数(0＜α＜1)，体现信任的时间衰减特性，即离预测值越近的时间片的y_t权重越大，离预测值越远的时间片的y_t权重越小；一般地，如果数据波动较大，且长期趋势变化幅度较大，呈现明显迅速的上升或下降趋势时α应取较大值(0.6～0.8)，可以增加近期数据对预测结果的影响；当数据有波动，但长期趋势变化不大时，α可在0.1～0.4之间取值；如果数据波动平稳，α应取较小值(0.05～0.20)；

计算直接信任值：

节点j的直接信任值TD_ij为预测交互次数和真实交互次数y_n+1的相对误差，

本发明具有的优点和积极效果是：该双通道膀胱碎石镜系统通过摄像头对碎石画面进行拍摄和监控，并实时传输到单片机，通过单片机向相关设备下达指令，实现智能化和便捷化操作，减轻了医护人员的工作负担，并且提高了工作效率。

附图说明

图1是本发明实施例提供的双通道膀胱碎石镜系统的原理框图；

图中：1、摄像头；2、图像传感器；3、单片机；4、微型水泵；5、负压装置；6、第一电磁阀；7、第二电磁阀；8、档案管理终端；9、电源模块；10、云服务器。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合图1对本发明的结构作详细的描述。

本发明实施例提供的双通道膀胱碎石镜系统包括：

用于进行画面拍摄和监控的摄像头1；

与摄像头1有线连接，用于将光学图像转换成电子信号的图像传感器2；

与图像传感器2有线连接，用于对接收的数据进行分析和处理的单片机3；

与单片机3有线连接，用于提供清洗液的微型水泵4；

与单片机3有线连接，用于排出污物的负压装置5；

与单片机3有线连接，用于打开供液管路的第一电磁阀6；

与单片机3有线连接，用于打开排污管路的第二电磁阀7；

与单片机3有线连接，用于对运行数据进行保存的档案管理终端8；

与单片机3通过GPRS无线网络无线连接，用于进行数据传输与交换的云服务器9。

进一步，所述电源模块10与单片机3有线连接，用于提供电源。

进一步，所述档案管理终端8上安装有显示装置和打印装置，显示装置和打印装置均通过数据线与单片机3相连接。

进一步，所述碎石仪与单片机3有线连接，用于震碎膀胱结石。

所述摄像头的混合图像满足下面的关系式，

S_n＝(1-β_nβ_n-1...β₂β₁)F+β_nβ_n-1...β₂β₁G′；

其中β_i＝1-α_i,i＝1,2,...,n，

采用Logistic映射来产生这些迭代参数，选定参数μ'和初值a₁，由公式：

α_i+1＝μ'α_i(1-α_i)；

{α_i}为混沌加密后迭代时的参数序列，这样的参数序列有较强的随机性，可以进一步增强隐藏图像的安全性，利用单幅载体图像可以将一幅秘密图像隐藏起来，再将数字图像混合的思想推广，利用多幅图像的多个混合参数来隐藏秘密信息，这就是多幅图像的混合，对将要隐藏的图像G，记为θ(t)，采用Logistic混沌加密，加密后的图像表示为G′，加密图像G′记为x(t),载体图像F_i(i＝1,2,…,n)和加密图像G′都是M×N的数字图像，并且混合参数为{α_i|0≤α_i≤1,i＝1,2,…,n}，根据图像的混合算法，首先对图像F₁和G′进行α₁混合得到S₁＝α₁F₁+(1-α₁)G′，然后对图像F₂和G′进行α₂混合得到S₂＝α₂F₂+(1-α₂)S₁，依次进行图像混合得到S_n＝α_nF_n+(1-α_n)S_n-1，则数字图像S_n称为图像G′的关于数字图像组F_i(i＝1,2,…,n)的一个n幅图像混合，

混合图像可表示为：

即：

S_n＝α_nF_n+β_nα_n-1F_n-1+…+β_nβ_n-1…β_n-iα_n-iF_n-i

+…+β_nβ_n-1…β₂β₁G′；

其中β_i＝1-α_i,i＝1,2,…,n，选定参数μ′和初值α₁，根据α_i+1＝μ′α_i(1-α_i)产生一个混沌序列{α_i|0＜α_i＜1,i＝1,2,…n}，作为迭代时的参数序列，在这里选取的参数μ′和初值α₁要不同于产生水印时的参数μ(t)和初值x(1)；

所述摄像头的焦点区域确定方法包括：

对图像以当前视觉注意焦点为原点进行极坐标变换，在极坐标空间里进行搜索；

设表示直角坐标中的概率边界图，F(x_o,y_o)为当前焦点(直角坐标)，以该焦点为坐标原点进行极坐标变换，所得的极坐标概率边界图记为设P表示极坐标边界图中所有像素的集合，L＝{0,1}为极坐标边界图中每个像素标记的集合，假定像素p的标记l_p＝0表示该像素处于焦点区域封闭边界的内部，l_p＝1表示该像素处于焦点区域封闭边界外部，寻找焦点区域最优封闭边界的问题等价于，在概率边界图上寻求从集合P到集合L的标号函数，该标号函数满足如下能量方程：

这里，δ(l_p,l_q)为Kronecker符号；

U_p(l_p)为能量函数数据项。关于数据项，只有两种情况是确定的，即对于极坐标图像第一列来说，其对应于极点，必处于焦点区域内部，因而对于有l_p＝0，U_p(l_p＝0)＝0，U_p(l_p＝1)＝Cst；对于最后一列，位于焦点区域封闭边界外部，因而对于必有：l_p＝1，U_p(l_p＝0)＝Cst，U_p(l_p＝1)＝0；

公式(1)所规定的能量函数，用最大流-最小割法进行求解；其中极坐标概率边界图像素之间的连接权值按下式确定：

在极坐标下获得了焦点区域封闭边界的最优解后，对该边界像素坐标进行逆极坐标变换，即得直角坐标下的焦点区域封闭边界的最优解；

与摄像头有线连接，用于将光学图像转换成电子信号的图像传感器；所述图像传感器的归一化互相关度量方法的公式如下：

S(x,y)表示原始待匹配图像中坐标位置为(x,y)处像素点的灰度值，T(u,v)表示模板图像中坐标位置为(u,v)处像素点的灰度值，模板图像大小为m×n；

与图像传感器有线连接，用于对接收的数据进行分析和处理的单片机；所述单片机的确定每层小波系数对应噪声阈值的步骤包括：

根据如下公式确定每层小波系数对应的噪声阈值：

其中，g为含噪图像的小波系数的总数，k为对应的分解层序数，λ_k为对含噪图像进行g层小波分解后第k层的噪声阈值；

δ_k＝median(|(w_pq)_k|)/0.6745；

(w_pq)_k表示小波分解后第k层的水平，垂直，对角线方向上的高频系数；

进一步，所述云服务器对不同跳频点之间的时频域跳频源信号进行拼接，具体步骤如下：

第一步，估计第l跳对应的个入射角度，用表示第l跳第n个源信号对应的入射角度，的计算公式如下：

表示第l跳估计得到的第n个混合矩阵列向量的第m个元素，c表示光速，即v_c＝3×10⁸米/秒；

第二步，判断第l(l＝2，3，…)跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：

其中m_n ^(l)表示第l跳估计的第m_n ^(l)个信号与第一跳估计的第n个信号属于同一个源信号；

第三步，将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用Y_n(p,q)表示第n个源信号在时频点(p,q)上的时频域估计值，p＝0,1,2,....,P，q＝0,1,2,...,N_fft-1，即

进一步，所述GPRS无线网络的直接信任值的具体计算步骤为：

采集网络观测节点i与节点j之间的n个时间片的交互次数：

选取一定时间间隔t作为一个观测时间片，以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标，真实交互次数，记作y_t，依次记录n个时间片的y_n，并将其保存在节点i的通信记录表中；

预测第n+1个时间片的交互次数：

根据采集到的n个时间片的交互次数建立时间序列，采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数，预测交互次数，记作计算公式如下：

预测系数a_n、b_n、c_n的取值可由如下公式计算得到：

其中：分别是一次、二次、三次指数平滑数，由如下公式计算得到：

是三次指数平滑法的初始值，其取值为

α是平滑系数(0＜α＜1)，体现信任的时间衰减特性，即离预测值越近的时间片的y_t权重越大，离预测值越远的时间片的y_t权重越小；一般地，如果数据波动较大，且长期趋势变化幅度较大，呈现明显迅速的上升或下降趋势时α应取较大值(0.6～0.8)，可以增加近期数据对预测结果的影响；当数据有波动，但长期趋势变化不大时，α可在0.1～0.4之间取值；如果数据波动平稳，α应取较小值(0.05～0.20)；

计算直接信任值：

节点j的直接信任值TD_ij为预测交互次数和真实交互次数y_n+1的相对误差，

下面结合工作原理对本发明的结构作进一步的描述。

利用摄像头1观察结石情况，对操作过程进行拍摄和监控，并通过图像传感器2实时传输到单片机3中，利用单片机3向相关设备下达操作指令，实现操作的便利性，通过微型水泵4和第一电磁阀6提供清洗结石粉末和杂物的清理液，利用负压装置5和第二电磁阀7将携带结石粉末和杂物的污水排出，电源模块9提供电源，利用云服务器10进行监控画面的存储，监控画面通过显示装置进行显示，同时通过打印装置进行打印保存。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (3)

1.一种双通道膀胱碎石镜系统，其特征在于，所述双通道膀胱碎石镜系统包括：

用于进行画面拍摄和监控的摄像头；所述摄像头的混合图像满足下面的关系式，

S_n＝(1-β_nβ_n-1...β₂β₁)F+β_nβ_n-1...β₂β₁G′；

其中β_i＝1-α_i,i＝1,2,...,n，

采用Logistic映射来产生这些迭代参数，选定参数μ'和初值a₁，由公式：

α_i+1＝μ'α_i(1-α_i)；

{α_i}为混沌加密后迭代时的参数序列，这样的参数序列有较强的随机性，可以进一步增强隐藏图像的安全性，利用单幅载体图像可以将一幅秘密图像隐藏起来，再将数字图像混合的思想推广，利用多幅图像的多个混合参数来隐藏秘密信息，这就是多幅图像的混合，对将要隐藏的图像G，记为θ(t)，采用Logistic混沌加密，加密后的图像表示为G′，加密图像G′记为x(t),载体图像F_i(i＝1,2,…,n)和加密图像G′都是M×N的数字图像，并且混合参数为{α_i|0≤α_i≤1,i＝1,2,…,n}，根据图像的混合算法，首先对图像F₁和G′进行α₁混合得到S₁＝α₁F₁+(1-α₁)G′，然后对图像F₂和G′进行α₂混合得到S₂＝α₂F₂+(1-α₂)S₁，依次进行图像混合得到S_n＝α_nF_n+(1-α_n)S_n-1，则数字图像S_n称为图像G′的关于数字图像组F_i(i＝1,2,…,n)的一个n幅图像混合，

混合图像可表示为：

$\left\{\begin{array}{c}{S}_1\left(t\right)={\mathrm{\α}}_1{F}_1\left(t\right)+(1-{\mathrm{\α}}_1)x\left(t\right)\\ S_2\left(t\right)={\mathrm{\α}}_2{F}_2\left(t\right)+(1-{\mathrm{\α}}_2)S_1\left(t\right)\\ .\\ .\\ .\\ S_n\left(t\right)={\mathrm{\α}}_n{F}_n\left(t\right)+(1-{\mathrm{\α}}_n)S_{n-1}\left(t\right)\end{array}\right.;$

即：

S_n＝α_nF_n+β_nα_n-1F_n-1+…+β_nβ_n-1…β_n-iα_n-iF_n-i

+…+β_nβ_n-1…β₂β₁G′；

其中β_i＝1-α_i,i＝1,2,…,n，选定参数μ′和初值α₁，根据α_i+1＝μ′α_i(1-α_i)产生一个混沌序列{α_i|0＜α_i＜1,i＝1,2,…n}，作为迭代时的参数序列，在这里选取的参数μ′和初值α₁要不同于产生水印时的参数μ(t)和初值x(1)；

所述摄像头的焦点区域确定方法包括：

对图像以当前视觉注意焦点为原点进行极坐标变换，在极坐标空间里进行搜索；

设表示直角坐标中的概率边界图，F(x_o,y_o)为当前焦点(直角坐标)，以该焦点为坐标原点进行极坐标变换，所得的极坐标概率边界图记为设P表示极坐标边界图中所有像素的集合，L＝{0,1}为极坐标边界图中每个像素标记的集合，假定像素p的标记l_p＝0表示该像素处于焦点区域封闭边界的内部，l_p＝1表示该像素处于焦点区域封闭边界外部，寻找焦点区域最优封闭边界的问题等价于，在概率边界图上寻求从集合P到集合L的标号函数，该标号函数满足如下能量方程：

$\begin{array}{c}Q\left(f\right)=\underset{p\∈P}{\Σ}{U}_p\left(l_p\right)+\mathrm{\λ}\underset{(p,q)\∈\mathrm{\Ω}}{\Σ}{V}_{p,q}\·\mathrm{\δ}(l_p,l_q)\\ V_{p,q}=\left\{\begin{array}{cc}\mathrm{\η}\exp (-\frac{I_E^{pol}(r_p,{\mathrm{\θ}}_p)+I_E^{pol}(r_q,{\mathrm{\θ}}_q)}{2}),& \begin{array}{cc}if& \frac{I_E^{pol}(r_p,{\mathrm{\θ}}_p)+I_E^{pol}(r_q,{\mathrm{\θ}}_q)}{2}\≠0\end{array}\\ k,& otherwise\end{array}\right.\end{array}---\left(1\right)$

这里，δ(l_p,l_q)为Kronecker符号；

U_p(l_p)为能量函数数据项；关于数据项，只有两种情况是确定的，即对于极坐标图像第一列来说，其对应于极点，必处于焦点区域内部，因而对于有l_p＝0，U_p(l_p＝0)＝0，U_p(l_p＝1)＝Cst；对于最后一列，位于焦点区域封闭边界外部，因而对于必有：l_p＝1，U_p(l_p＝0)＝Cst，U_p(l_p＝1)＝0；

公式(1)所规定的能量函数，用最大流-最小割法进行求解；其中极坐标概率边界图像素之间的连接权值按下式确定：

$w_{p,q}=\exp (-\mathrm{\β}{\left(I_E^{pol}\left(r_p,{\mathrm{\θ}}_p\right)-I_E^{pol}\left(r_q,{\mathrm{\θ}}_q\right)\right)}^2);$

在极坐标下获得了焦点区域封闭边界的最优解后，对该边界像素坐标进行逆极坐标变换，即得直角坐标下的焦点区域封闭边界的最优解；

与摄像头有线连接，用于将光学图像转换成电子信号的图像传感器；所述图像传感器的归一化互相关度量方法的公式如下：

$P(x,y)=\frac{{\[\underset{v=0}{\overset{n}{\Σ}}\underset{u=0}{\overset{m}{\Σ}}T(u,v)S(x+u,y+v)\]}^2}{\underset{v=0}{\overset{n}{\Σ}}\underset{u=0}{\overset{m}{\Σ}}{S}^2(x+u,y+v)};$

S(x,y)表示原始待匹配图像中坐标位置为(x,y)处像素点的灰度值，T(u,v)表示模板图像中坐标位置为(u,v)处像素点的灰度值，模板图像大小为m×n；

与图像传感器有线连接，用于对接收的数据进行分析和处理的单片机；所述单片机的确定每层小波系数对应噪声阈值的步骤包括：

根据如下公式确定每层小波系数对应的噪声阈值：

${\mathrm{\λ}}_k={\mathrm{\δ}}_k\sqrt{2ln\left(g\right)}/(k+2);$

其中，g为含噪图像的小波系数的总数，k为对应的分解层序数，λ_k为对含噪图像进行g层小波分解后第k层的噪声阈值；

δ_k＝median(|(w_pq)_k|)/0.6745；

(w_pq)_k表示小波分解后第k层的水平，垂直，对角线方向上的高频系数；

与单片机有线连接，用于提供清洗液的微型水泵；

与单片机有线连接，用于排出污物的负压装置；

与单片机有线连接，用于打开供液管路的第一电磁阀；

与单片机有线连接，用于打开排污管路的第二电磁阀；

与单片机有线连接，用于对运行数据进行保存的档案管理终端；

与单片机通过GPRS无线网络无线连接，用于进行数据传输与交换的云服务器；

所述电源模块与单片机有线连接，用于提供电源；

所述档案管理终端上安装有显示装置和打印装置，显示装置和打印装置均通过数据线与单片机相连接；

所述碎石仪与单片机有线连接，用于震碎膀胱结石。

2.如权利要求1所述的双通道膀胱碎石镜系统，其特征在于，所述云服务器对不同跳频点之间的时频域跳频源信号进行拼接，具体步骤如下：

第一步，估计第l跳对应的个入射角度，用表示第l跳第n个源信号对应的入射角度，的计算公式如下：

${\widehat{\mathrm{\θ}}}_n\left(l\right)=\frac{1}{M-1}\underset{m=2}{\overset{M}{\Σ}}{\sin }^{-1}\[\frac{angle\left({\hat{a}}_{n,m}\right(l)/{\hat{a}}_{n,m-1}(l\left)\right)*c}{2\mathrm{\π}{\hat{f}}_{c,n}\left(l\right)d}\],n=1,2,...,\hat{N}$

表示第l跳估计得到的第n个混合矩阵列向量的第m个元素，c表示光速，即v_c＝3×10⁸米/秒；

第二步，判断第l(l＝2，3，…)跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：

${m_n}^{\left(l\right)}=\underset{m}{\mathrm{argmin}}\left|{\widehat{\mathrm{\θ}}}_m^{\left(l\right)}-{\widehat{\mathrm{\θ}}}_n^{\left(1\right)}\right|,n=1,2,...,\hat{N}$

其中m_n ^(l)表示第l跳估计的第m_n ^(l)个信号与第一跳估计的第n个信号属于同一个源信号；

第三步，将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用Y_n(p,q)表示第n个源信号在时频点(p,q)上的时频域估计值，p＝0,1,2,....,P，q＝0,1,2,...,N_fft-1，即

3.如权利要求1所述的双通道膀胱碎石镜系统，其特征在于，所述GPRS无线网络的直接信任值的具体计算步骤为：

采集网络观测节点i与节点j之间的n个时间片的交互次数：

选取一定时间间隔t作为一个观测时间片，以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标，真实交互次数，记作y_t，依次记录n个时间片的y_n，并将其保存在节点i的通信记录表中；

预测第n+1个时间片的交互次数：

根据采集到的n个时间片的交互次数建立时间序列，采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数，预测交互次数，记作计算公式如下：

${\hat{y}}_{n+1}=a_n+b_n+c_n$

预测系数a_n、b_n、c_n的取值可由如下公式计算得到：

$a_n=3{\hat{y}}_{n+1}^{\left(1\right)}-3{\hat{y}}_{n+1}^{\left(2\right)}+{\hat{y}}_{n+1}^{\left(3\right)}$

$b_n=\frac{\mathrm{\α}}{2{(1-\mathrm{\α})}^2}\[(6-5\mathrm{\α}){\hat{y}}_{n+1}^{\left(1\right)}-2(5-4\mathrm{\α}){\hat{y}}_{n+1}^{\left(2\right)}+(4-3\mathrm{\α}){\hat{y}}_{n+1}^{\left(3\right)}\]$

$c_n=\frac{{\mathrm{\α}}^2}{2{(1-\mathrm{\α})}^2}\[{\hat{y}}_{n+1}^{\left(1\right)}-2{\hat{y}}_{n+1}^{\left(2\right)}+{\hat{y}}_{n+1}^{\left(3\right)}\]$

其中：分别是一次、二次、三次指数平滑数，由如下公式计算得到：

${\hat{y}}_{n+1}^{\left(1\right)}=\mathrm{\α}\×y_n+(1-\mathrm{\α})\×{\hat{y}}_n^{\left(1\right)}$

${\hat{y}}_{n+1}^{\left(2\right)}=\mathrm{\α}\×{\hat{y}}_{n+1}^{\left(1\right)}+(1-\mathrm{\α})\×{\hat{y}}_n^{\left(2\right)}$

${\hat{y}}_{n+1}^{\left(3\right)}=\mathrm{\α}\×{\hat{y}}_{n+1}^{\left(2\right)}+(1-\mathrm{\α})\×{\hat{y}}_n^{\left(3\right)}$

是三次指数平滑法的初始值，其取值为

${\hat{y}}_0^{\left(1\right)}={\hat{y}}_0^{\left(2\right)}={\hat{y}}_0^{\left(3\right)}=\frac{y_1+y_2+y_3}{3}$

α是平滑系数(0＜α＜1)，体现信任的时间衰减特性，即离预测值越近的时间片的y_t权重越大，离预测值越远的时间片的y_t权重越小；一般地，如果数据波动较大，且长期趋势变化幅度较大，呈现明显迅速的上升或下降趋势时α应取较大值(0.6～0.8)，可以增加近期数据对预测结果的影响；当数据有波动，但长期趋势变化不大时，α可在0.1～0.4之间取值；如果数据波动平稳，α应取较小值(0.05～0.20)；

计算直接信任值：

节点j的直接信任值TD_ij为预测交互次数和真实交互次数y_n+1的相对误差，