CN111368679B - 一种低秩矩阵分解的谱线检测方法 - Google Patents
一种低秩矩阵分解的谱线检测方法 Download PDFInfo
- Publication number
- CN111368679B CN111368679B CN202010121155.6A CN202010121155A CN111368679B CN 111368679 B CN111368679 B CN 111368679B CN 202010121155 A CN202010121155 A CN 202010121155A CN 111368679 B CN111368679 B CN 111368679B
- Authority
- CN
- China
- Prior art keywords
- image
- low
- matrix
- lofar
- rank
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于视频处理的谱线检测方法,运用提取视频背景处理方法对LOFAR图进行处理,以实现谱线提取的效果。本发明在较低的信噪比的条件下可以提取LOFAR图中的谱线。
Description
技术领域
本发明属于水声技术中的被动检测技术,特别涉及一种对谱线检测的创新方法。
背景技术
提高提取LOFAR(Low Frequency And Recording)图中谱线的能力,对被动声呐的目标检测跟踪和分类识别具有重要的意义。在低信噪比情况下成功提取出LOFAR图中的谱线面临多方面的挑战:一是要提取出低信噪比的谱线,必须选择低的检测门限,由此导致的过多噪声点不易剔除;二是存在信号和背景起伏以及宽带干扰等情况,导致LOFAR图中的谱线时明时暗,甚至在谱线中间也会出现许多断点;三是信号和噪声的动态范围都比较大,即使对应同一目标的LOFAR图,也经常会出现多根强弱谱线并存的情况。LOFAR图中的谱线提取问题从上世纪40年代中期LOFAR图出现就开始研究。自上世纪80年代开始到现在,LOFAR图中的谱线自动提取问题又吸引了更多具有图像处理、人工智能和统计信号处理等领域背景的学者的广泛关注。 Thomas A Lampert等人将LOFAR图中的谱线提取问题看作是周期图中的轨迹检测问题,根据与成功应用有关的一系列准则对轨迹检测算法进行了综述,并指出尚未有一种算法满足所有的准则。这些准则包括算法应对背景噪声的变化、轨迹的强弱变化、轨迹频率变化的能力,分辨距离很近轨迹的能力,低信比下的轨迹检测能力,是否需要轨迹的起止时间等先验信息,以及算法的计算量大小等。LOFAR图中的谱线提取问题从上世纪中期到现在一直是一个值得深入研究的课题。
本发明从视频处理的角度对谱线图像进行处理。本发明通过将处理监控视频的算法——基于混合高斯分布的低秩矩阵分解算法引入水声领域的LOFAR图谱线提取处理中,并得到了较好的效果。
下面介绍本发明所使用的算法——基于混合高斯分布的低秩矩阵分解算法。设数据矩阵为其中d,n分别表示数据维数和数据个数,每一个列向量xi表示d维测度。一般的低秩矩阵分解(Low Rank Matrix Factorization,LRMF)问题可以表述为:
公式(1-1)可以在最大似然估计(Maximum Likihood Estimate,MLE)框架下等效地理解为
xij=(ui)Tvj+εij (1-2)
为了使模型对复杂噪声具有鲁棒性,可以将噪声建模将噪声建模为混合高斯分布(MoG)。令式(1-2)中εij的概率分布为
其中,Ω是X中未丢失元素的集合。
由式(1-5)可以导出关于MoG参数∏,∑和LRMF参数U,V的似然函数的最大值,即MoGLRMF模型:
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种低秩矩阵分解的谱线检测方法,对LOFAR图进行处理,在低信噪比的LOFAR图中得到淹没在噪声中的谱线位置。
技术方案
一种低秩矩阵分解的谱线检测方法,其特征在于步骤如下:
步骤1:对LOFAR图像进行预处理,使其符合图像处理时的数据的格式:具体方法为将维度为a×b频谱图像像素矩阵拉伸为只有一列,即(a×b)×1维的像素矩阵,并将要处理的频谱图像的拉伸后的像素矩阵拼接在一起,形成一个新的待处理的图像矩阵X;
步骤2:初始化低秩矩阵分解算法参数:初始化指示矩阵W,W是与X大小相同的指示矩阵,当像素矩阵中的元素xij丢失时,wij=0;当像素值xij可以被观测到的时候, wij=1;随机初始化两个低维矩阵和这两个低维矩阵的秩为1,且矩阵的中的值随机的在区间[0,1]中取;
步骤3:初始化混合高斯分布参数:初始化混合高斯白噪声混合比例∏={π1,π2,…,πK}和混合高斯白噪声方差∑={σ1,σ2,…,σK};
步骤4:将预处理后的LOFAR图像素矩阵X作为输入,通过混合高斯分布低秩矩阵分解算法,得到输出:两个低秩矩阵U和V;
步骤5:计算谱线图像背景即噪声矩阵B=UVT,通过原始图像减去背景噪声来得到谱线图像,即谱线图像F=X-B。
所述的步骤3中:在没有先验知识的情况下,初始化包含有两个高斯分布的混合高斯分布函数时,混合比例就分别是0.5。
有益效果
本发明提出的一种低秩矩阵分解的谱线检测方法,利用低秩矩阵分解的技术,在低信噪比下,处理频谱图得到图像中的谱线的位置。主要分为三种情形:(1)在背景噪声只有一种的情况下,对LOFAR图进行处理并得到谱线位置:如图3所示,在-25dB 和-30dB的情况下可以得到完整的谱线的图像;(2)在背景噪声多变的情况下,对 LOFAR图进行处理并得到谱线位置,(2)可以看作是(1)在将噪声的形式多样化的推广。具体的效果如图4所示,在-25dB和-30dB的情况下可以得到完整的谱线的图像。(3) 针对LOFAR图的随时间逐渐显示特征,对LOFAR图进行随时间显示处理。具体效果如图5所示,在-25dB和-30dB的情况下,得到完整的谱线的图像。
附图说明
图1为低秩矩阵分解处理谱线图像的基本流程。
图2为谱线图像预处理示意图。
图3、4、5为本发明效果图,分别对应发明效果中的(1),(2),(3)三种情况。图3(1)表示的是LOFAR图中的谱线所在的真实位置,即groundtruth。图3(2)(3)分别表示情况(1)时当信噪比为-25dB、-30dB时的LOFAR图的原始图与处理后的结果图。图4表示情况(2)下的效果图。图5表示情况(3)下的效果图。
图6为生成随时间显示LOFAR图方法的示意图。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
实施例1:将包含谱线的LOFAR图,维度为227×227和不包含谱线的只包含背景噪声的LOFAR图维度为227×227经过预处理后拼接在一起作为输入,该输入的维度为51529×2。所包含的谱线的位置信息如图3(1)的groudtruth所示。初始化低维矩阵U,V:秩设置为1,其值随机分布在区间[0,1]。混合高斯模型数目1。初始化的混合高斯模型的混合系数为1。得到的结果如效果图如图3所示,所包含谱线被完整提取出来。
实施例2:将包含谱线的LOFAR图,维度为227×227,数量为1张和不包含谱线的只包含背景噪声的LOFAR图,维度为227×227,数量为4张且其中包含的背景噪声都与包含谱线的LOFAR图的背景噪声不同,且它们也互不相同,经过预处理后拼接在一起作为输入,该输入的维度为51529×5。所包含的谱线的位置信息如图3(1) 的groudtruth所示。初始化低维矩阵U,V:秩设置为1,其值随机分布在区间[0,1]。混合高斯模型数目1。初始化的混合高斯模型的混合系数为1。得到的结果如效果图如图4所示,所包含谱线被完整提取出来。
实施例3:将不包含谱线的LOFAR图(B)和包含线谱的LOFAR图(BF)按照不同的比例进行矩阵拼接,再把拼接好的Y个矩阵依次排列,并在其前后各重复排列X个(B),可以得到线谱逐渐出现的视频序列。具体操作见图6。其中,X=2,Y=3。所包含的谱线的位置信息如图5(1)的groudtruth所示。初始化低维矩阵U,V:秩设置为1,其值随机分布在区间[0,1]。混合高斯模型数目1。初始化的混合高斯模型的混合系数为 1。得到的结果如效果图如图5所示,所包含谱线被完整提取出来。
Claims (2)
1.一种低秩矩阵分解的谱线检测方法,其特征在于步骤如下:
步骤1:对LOFAR图像进行预处理,使其符合图像处理时的数据的格式:具体方法为将维度为a×b频谱图像像素矩阵拉伸为只有一列,即(a×b)×1维的像素矩阵,并将要处理的频谱图像的拉伸后的像素矩阵拼接在一起,形成一个新的待处理的像素矩阵X;
步骤2:初始化低秩矩阵分解算法参数:初始化指示矩阵W,W是与X大小相同的指示矩阵,当拉伸后的像素矩阵中的元素xij丢失时,wij=0;当元素xij可以被观测到的时候,wij=1;随机初始化两个低秩矩阵和这两个低秩矩阵的秩为1,且矩阵的中的值随机的在区间[0,1]中取;
步骤3:初始化混合高斯分布参数:初始化混合高斯白噪声混合比例Π={π1,π2,…,πK}和混合高斯白噪声方差∑={σ1,σ2,…,σK};
步骤4:将预处理后的LOFAR图像素矩阵X作为输入,通过混合高斯分布低秩矩阵分解算法,得到输出:两个低秩矩阵U和V;
步骤5:计算谱线图像背景即噪声矩阵B=UVT,通过原始图像减去背景噪声来得到谱线图像,即谱线图像F=X-B。
2.根据权利要求1所述的一种低秩矩阵分解的谱线检测方法,其特征在于所述的步骤3中:在没有先验知识的情况下,初始化包含有两个高斯分布的混合高斯分布函数时,混合比例就分别是0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010121155.6A CN111368679B (zh) | 2020-02-26 | 2020-02-26 | 一种低秩矩阵分解的谱线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010121155.6A CN111368679B (zh) | 2020-02-26 | 2020-02-26 | 一种低秩矩阵分解的谱线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368679A CN111368679A (zh) | 2020-07-03 |
CN111368679B true CN111368679B (zh) | 2022-03-22 |
Family
ID=71206502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010121155.6A Active CN111368679B (zh) | 2020-02-26 | 2020-02-26 | 一种低秩矩阵分解的谱线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368679B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353952A (zh) * | 2011-06-03 | 2012-02-15 | 哈尔滨工程大学 | 一种频域相干累加的线谱检测方法 |
CN105427300A (zh) * | 2015-12-21 | 2016-03-23 | 复旦大学 | 一种基于低秩表示和学习字典的高光谱图像异常探测算法 |
CN105785346A (zh) * | 2014-12-26 | 2016-07-20 | 中国科学院声学研究所 | 一种基于相位方差加权的未知目标线谱检测方法及系统 |
WO2017132465A1 (en) * | 2016-01-29 | 2017-08-03 | Wisconsin Alumni Research Foundation | System and method for denoising medical images by enforcing low rank spatial-temporal or spatial-spectral image matrices |
CN107329141A (zh) * | 2017-08-03 | 2017-11-07 | 厦门大学 | 一种海洋环境下的航体微弱辐射噪声信号检测方法 |
CN108398183A (zh) * | 2018-02-06 | 2018-08-14 | 东北电力大学 | 一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法 |
CN108921014A (zh) * | 2018-05-21 | 2018-11-30 | 西北工业大学 | 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法 |
CN109765526A (zh) * | 2018-12-29 | 2019-05-17 | 北京邮电大学 | 一种基于空间谱的目标搜索方法及装置 |
CN110554392A (zh) * | 2019-05-10 | 2019-12-10 | 中国船舶重工集团公司第七一五研究所 | 一种基于频率—能量起伏特性的运动目标线谱识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10229092B2 (en) * | 2017-08-14 | 2019-03-12 | City University Of Hong Kong | Systems and methods for robust low-rank matrix approximation |
-
2020
- 2020-02-26 CN CN202010121155.6A patent/CN111368679B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353952A (zh) * | 2011-06-03 | 2012-02-15 | 哈尔滨工程大学 | 一种频域相干累加的线谱检测方法 |
CN105785346A (zh) * | 2014-12-26 | 2016-07-20 | 中国科学院声学研究所 | 一种基于相位方差加权的未知目标线谱检测方法及系统 |
CN105427300A (zh) * | 2015-12-21 | 2016-03-23 | 复旦大学 | 一种基于低秩表示和学习字典的高光谱图像异常探测算法 |
WO2017132465A1 (en) * | 2016-01-29 | 2017-08-03 | Wisconsin Alumni Research Foundation | System and method for denoising medical images by enforcing low rank spatial-temporal or spatial-spectral image matrices |
CN107329141A (zh) * | 2017-08-03 | 2017-11-07 | 厦门大学 | 一种海洋环境下的航体微弱辐射噪声信号检测方法 |
CN108398183A (zh) * | 2018-02-06 | 2018-08-14 | 东北电力大学 | 一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法 |
CN108921014A (zh) * | 2018-05-21 | 2018-11-30 | 西北工业大学 | 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法 |
CN109765526A (zh) * | 2018-12-29 | 2019-05-17 | 北京邮电大学 | 一种基于空间谱的目标搜索方法及装置 |
CN110554392A (zh) * | 2019-05-10 | 2019-12-10 | 中国船舶重工集团公司第七一五研究所 | 一种基于频率—能量起伏特性的运动目标线谱识别方法 |
Non-Patent Citations (4)
Title |
---|
Analysis of target detection via matrix completion;Sunav Choudhary等;《2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》;20150806;3771-3775 * |
Low rank plus sparse decomposition of synthetic aperture radar data for maritime surveillance;Filippo Biondi;《2016 4th International Workshop on Compressed Sensing Theory and its Applications to Radar, Sonar and Remote Sensing (CoSeRa)》;20161117;75-79 * |
冰下运动目标主动探测技术研究;刘建设等;《应用声学》;20190731;第38卷(第4期);562-568 * |
改进的低秩稀疏分解及其在目标检测中的应用;杨真真等;《仪器仪表学报》;20190430;第40卷(第4期);198-206 * |
Also Published As
Publication number | Publication date |
---|---|
CN111368679A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112435221B (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
CN108961198B (zh) | 一种多风格生成对抗网络的水下图像合成方法及其应用 | |
CN111091109B (zh) | 基于人脸图像进行年龄和性别预测的方法、系统和设备 | |
CN110837846A (zh) | 一种图像识别模型的构建方法、图像识别方法及装置 | |
CN110825900A (zh) | 特征重构层的训练方法、图像特征的重构方法及相关装置 | |
CN113011357A (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
US20230162522A1 (en) | Person re-identification method of integrating global features and ladder-shaped local features and device thereof | |
CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
Máttyus et al. | Matching adversarial networks | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN111508528B (zh) | 基于自然音频统计特性的无参考音频质量评价方法和装置 | |
CN111368679B (zh) | 一种低秩矩阵分解的谱线检测方法 | |
CN111881803A (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN115223033A (zh) | 一种合成孔径声呐图像目标分类方法及系统 | |
CN115620083A (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN113554685A (zh) | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 | |
CN114358056A (zh) | 基于深度学习的无人机信号识别方法及系统 | |
CN112581396A (zh) | 一种基于生成对抗网络的反射消除方法 | |
CN111754459A (zh) | 基于统计深度特征的染色伪造图像检测方法及电子装置 | |
Gibson et al. | A perceptual based contrast enhancement metric using AdaBoost | |
CN114663965B (zh) | 一种基于双阶段交替学习的人证比对方法和装置 | |
CN113808055B (zh) | 基于混合膨胀卷积的植物识别方法、装置及存储介质 | |
CN115063591B (zh) | 一种基于边缘度量关系的rgb图像语义分割方法及装置 | |
CN116912921B (zh) | 表情识别方法、装置、电子设备及可读存储介质 |
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 |