CN111553370A - 一种基于混沌智能图像识别的弱信号检测方法及装置 - Google Patents

一种基于混沌智能图像识别的弱信号检测方法及装置 Download PDF

Info

Publication number
CN111553370A
CN111553370A CN202010025488.9A CN202010025488A CN111553370A CN 111553370 A CN111553370 A CN 111553370A CN 202010025488 A CN202010025488 A CN 202010025488A CN 111553370 A CN111553370 A CN 111553370A
Authority
CN
China
Prior art keywords
image
signal
signal detection
chaotic
detected
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.)
Granted
Application number
CN202010025488.9A
Other languages
English (en)
Other versions
CN111553370B (zh
Inventor
杨伏洲
沈梦琳
何思瑾
梁世远
彭晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangtze University
Original Assignee
Yangtze University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangtze University filed Critical Yangtze University
Priority to CN202010025488.9A priority Critical patent/CN111553370B/zh
Publication of CN111553370A publication Critical patent/CN111553370A/zh
Application granted granted Critical
Publication of CN111553370B publication Critical patent/CN111553370B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/001—Modulated-carrier systems using chaotic signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于混沌智能图像识别的弱信号检测方法及装置，所述方法包括：构建Duffing振子信号检测系统，获取不同状态的Duffing振子相位图；调节Duffing振子信号检测系统的系数，使系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，得到待测信号相空间状态图；对所述不同状态的Duffing振子相位图做预处理，得到预处理好的图像样本；提取所述图像样本的HOG特征和GLCM特征，组成图像样本的特征向量；通过所述图像样本的特征向量训练各SVM分类器，得到训练好的SVM模型；提取待测信号相空间状态图的HOG和GLCM特征并组成待测信号相空间状态图的特征向量；通过训练好的SVM模型进行弱信号检测。本发明对在强噪声环境下弱信号检测有更高的噪声容限且准确率高。

Description

一种基于混沌智能图像识别的弱信号检测方法及装置
技术领域
本发明属于随钻信号检测领域，涉及信号检测，图像处理两个学科。主要涉及一种基于混沌图像智能识别的弱信号检测方法。
背景技术
随钻测井工作中声波信号传输过程中受到环境因素的影响，钻杆运动时产生的噪声、钻杆与井壁碰撞、钻头对地层的撞击等都会产生随钻噪声。这些噪声在声波传输过程中对声波的检测造成严重干扰。基于混沌理论的弱信号检测，是近年来信号检测的一个热点。在强噪声背景下，利用混沌系统的初值敏感性以及对噪声的强免疫性，实现了对弱信号的检测。固定阻尼系数k并调节系统驱动力f在Duffing振子系统相空间的临界状态下，得到临界混沌状态的阈值 Fd。将待测信号加入振子系统中使得驱动力变得与时间相关即f(t)。观察系统相空间变化，当弱信号存在时，系统会从临界状态过渡到大尺度周期状态，否则系统会一直处于临界或混沌状态而不会进入到大周期状态。基于弱信号检测方式，随钻信号检测技术现已有多种方法：相关检测，小波分析，数字相敏解调技术等。
相关检测法是基于相关原理对强噪声背景下的弱信号的提取，利用信号和噪声、噪声和噪声的不相关及目标信号与提供的参考信号完全相关的特性，将目标信号与参考信号进行相关运算即可检测出淹没在噪声中的信号。由于参考信号已确定，那么很容易得到待测信号的幅值与相位，从而实现对弱信号的检测。
小波分析时局部化时域分析，它用时域和频域的联合表示信号的特征，弱信号与噪声通过多尺度小波变换到小波变换域中。在各尺度下尽可能的提取出信号的小波系统而去除噪声的小波系数，对降噪后的系数通过小波中间恢复弱信号，达到去除噪声的效果，从而实现对弱信号的检测。
数字相敏解调技术是一种广泛应用的弱信号检测技术，利用高速浮点数字信号处理和高速现场可编程门阵列芯片分别处理所采集的信号的实部和虚部，实现对弱信号幅值和相位的检测。但是，以上这些技术都是针对现有检测信号线性、平稳的以及需要高品质因素的滤波器的研究，噪声容限、弱信号检测准确性等都有待提高。
发明内容
基于以上不足，本发明提出一种基于混沌智能图像识别的弱信号检测方法及装置，通过分析Duffing振子相位图各状态的系统驱动力f临界范围，提取图像特征值并通过图像识别来判断Duffing振子相位图状态，由此达到检测强噪声背景下弱信号的目的。
本发明第一方面，提出一种基于混沌智能图像识别的弱信号检测方法，包括如下步骤：
S1、构建Duffing振子信号检测系统，获取不同状态的Duffing振子相位图；
S2、调节Duffing振子信号检测系统的系数，使系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，得到待测信号相空间状态图；
S3、对所述不同状态的Duffing振子相位图做预处理，去除坐标边框，将所述不同状态的Duffing振子相位图按照类别不同分别标注，得到预处理好的图像样本；
S4、提取所述图像样本的HOG特征和GLCM特征，将提取的HOG和GLCM 特征组成图像样本的特征向量；
S5、组合多个SVM分类器用于多分类，通过所述图像样本的特征向量训练各SVM分类器，得到训练好的SVM模型；
S6、采用与步骤S4相同的方式提取待测信号相空间状态图的HOG和GLCM 特征组成待测信号相空间状态图的特征向量；
S7、将待测信号相空间状态图的特征向量输入训练好的SVM模型，得到弱信号检测结果。
优选的，所述步骤S1中，所述Duffing振子信号检测系统为：
Figure RE-GDA0002556812850000031
其中k为阻尼系数，ω为信号频率，-ωx+ωx3为非线性恢复力，f为系统内策动力，fcos(ωt)为驱动力幅值，s(t)+n(t)为输入信号。
优选的，所述步骤S2中，所述预处理好的图像样本分别标注为“同宿”、“分叉”、“混沌”、“大周期”四类。
优选的，所述步骤S4具体包括：
S41、将图像划分成多个细胞单元，为每个细胞单元构建梯度方向直方图，把细胞单元组合成大的块，块内归一化梯度直方图并收集HOG特征；
S42、对图像上的每一像元求出预设邻域内的灰度共生矩阵，由所述灰度共生矩阵求出对应纹理图像的统计量，所述统计量包括能量ASM、熵ENT、对比度CON、相关度IDE，将所述统计量组成图像GLCM特征；；
S43、将提取到的HOG和GLCM特征组成图像样本的特征向量。
优选的，所述步骤S42具体为：
从图像中灰度为i的像素位置为(x,y)出发，统计与其距离为d灰度为J的像素(x+Dx，y+Dy)同时出现的次数p(i,j,d,θ)，数学表达式为：
p(i,j,d,θ)＝[(x,y),(x+Dx,y+Dx)|f(x,y)＝i,f(x+Dx,y+Dy)＝j]
其中：x,y＝0,1,2,...,N-1是图像中的像素坐标；i,j＝0,1,2,...,L-1是灰度级；Dx，Dy是位置偏移量；d为生成灰度共生矩阵的步长；θ生成方向，取 0°,45°,90°,135°四个方向，从而生成不同方向的灰度共生矩阵；对灰度共生矩阵进行归一化处理，计算对应纹理图像的统计量，所述统计量包括能量ASM、熵 ENT、对比度CON、相关度IDE：
Figure RE-GDA0002556812850000041
Figure RE-GDA0002556812850000042
Figure RE-GDA0002556812850000043
Figure RE-GDA0002556812850000044
将上述统计量组成图像的GLCM特征。
本发明第二方面，提供一种基于混沌智能图像识别的弱信号检测装置，所述装置包括：
振子系统构建模块：用于构建Duffing振子信号检测系统，获取不同状态的Duffing振子相位图；
振子系统调节模块：用于调节所述Duffing振子信号检测系统的系数，使系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，得到待测信号相空间状态图；
样本图像预处理模块：用于对所述不同状态的Duffing振子相位图做预处理，去除坐标边框，将所述不同状态的Duffing振子相位图按照类别不同分别标注，得到预处理好的图像样本；
图像特征提取模块：用于提取所述图像样本的HOG特征和GLCM特征，将提取的HOG和GLCM特征组成图像样本的特征向量；
SVM模型训练模块：用于组合多个SVM分类器用于多分类，通过所述图像样本的特征向量训练各SVM分类器，得到训练好的SVM模型；
弱信号检测模块：用于提取待测信号相空间状态图的HOG和GLCM特征组成待测信号相空间状态图的特征向量；将待测信号相空间状态图的特征向量输入训练好的SVM模型，得到弱信号检测结果。
优选的，所述振子系统构建模块中，所述Duffing振子信号检测系统为：
Figure RE-GDA0002556812850000045
其中k为阻尼系数，ω为信号频率，-ωx+ωx3为非线性恢复力，f为系统内策动力，fcos(ωt)为驱动力幅值，s(t)+n(t)为输入信号。
优选的，所述样本图像预处理模块中，所述预处理好的图像样本分别标注为“同宿”、“分叉”、“混沌”、“大周期”四类。
优选的，所述图像特征提取模块具体包括：
HOG特征提取单元：将图像划分成多个细胞单元，为每个细胞单元构建梯度方向直方图，把细胞单元组合成大的块，块内归一化梯度直方图并收集HOG 特征；
GLCM特征提取单元：对图像上的每一像元求出预设邻域内的灰度共生矩阵，由所述灰度共生矩阵求出对应纹理图像的统计量，所述统计量包括能量 ASM、熵ENT、对比度CON、相关度IDE，将所述统计量组成图像GLCM特征；
特征组合单元：将提取到的HOG和GLCM特征组成图像样本的特征向量。
本发明提出的一种基于混沌智能图像识别的弱信号检测方法及装置，其有益效果在于：
1)本发明由与混沌系统对于初值敏感性以及对于噪声的强免疫性，对在强噪声环境下弱信号检测有更高的噪声容限；
2)SVM模型具有稀疏性，即少量样本就可获得较好的分类效果；
3)与现有技术相比更加简单；
4)传统检测系统一般都是以线性理论为主，而混沌理论所呈现的基本特征是非线性，非平衡和不均匀、准确率更高。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于混沌智能图像识别的弱信号检测方法的流程示意图；
图2是未加入信号的Duffing振子临界状态x-y相位图；
图3是在临界状态下加入信号幅值为A＝1×10-5V，ω＝2*pi*1000rad/s，系统的大周期状态x-y相位图；
图4是在临界状态下加入信号幅值为A＝1×10-5V，ω＝2*pi*1000rad/s，噪声幅值为1×10-6dB即snr＝-10dBW的大周期状态x-y相位图；
图5是临界状态下加入噪声幅值为0.001dB的混沌状态x-y相位图；
图6是随机采集1s单频信号时域及频谱图；
图7是加入Duffing振子中的单频信号s(t)与噪声n(t)的时域图；
图8是Duffing振子在临界状态加入图7的信号和噪声后的大周期状态x-y 相位图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明的思想在于：相比相关检测，小波分析等传统弱信号检测方法，将混沌理论与智能图像识别结合起来，由于混沌振子对弱信号的敏感性以及对噪声的强免疫的特性，在Duffing振子临界状态下相位图的状态发生不同变化。通过图像智能识别，由此达到检测强噪声背景下弱信号的目的。因此利用混沌图像智能识别方法进行检测，不仅能提高噪声容限，而且更加准确。
请参阅图1，本发明提出一种基于混沌智能图像识别的弱信号检测方法，包括如下步骤：
S1、构建Duffing振子信号检测系统，获取不同状态的Duffing振子相位图；
所述Duffing振子检测信号模型为：
Figure RE-GDA0002556812850000071
其中k为阻尼系数，ω为信号频率，-ωx+ωx3为非线性恢复力，f为系统内策动力，fcos(ωt)为驱动力幅值，s(t)+n(t)为输入信号。
S2、调节Duffing振子信号检测系统的系数，使系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，得到待测信号相空间状态图；
取适当k、ω，同时f为系统内策动力的混沌临界阈值，使系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，得到此时系统的相空间状态图。
S3、对所述不同状态的Duffing振子相位图做预处理，去除坐标边框，将所述不同状态的Duffing振子相位图按照类别不同分别标注，得到预处理好的图像样本；
将尽可能多的不同种类的相空间状态图按照类别不同放在不同的目录下，将这些相空间状态图分别标注为“同宿”，“分叉”，“混沌”，“大周期”四类，得到预处理好的图像样本，这些图像样本将作为SVM模型的训练样本。
S4、提取所述图像样本的HOG特征和GLCM特征，将提取的HOG和GLCM 特征组成图像样本的特征向量；
进一步的，所述步骤S4具体包括如下分步骤：
S41、将图像划分成多个细胞单元，为每个细胞单元构建梯度方向直方图，把细胞单元组合成大的块(block)，块内归一化梯度直方图并收集HOG特征；
S42、对图像上的每一像元求出预设邻域内的灰度共生矩阵，由所述灰度共生矩阵求出对应纹理图像的统计量，所述统计量包括能量ASM、熵ENT、对比度CON、相关度IDE。具体为：
从图像中灰度为i的像素位置为(x,y)出发，统计与其距离为d灰度为J的像素(x+Dx，y+Dy)同时出现的次数p(i,j,d,θ)，数学表达式为：
p(i,j,d,θ)＝[(x,y),(x+Dx,y+Dx)|f(x,y)＝i,f(x+Dx,y+Dy)＝j]
其中：x,y＝0,1,2,…,M-1是图像中的像素坐标，M为像素数；i,j＝0,1,2,…,L-1是灰度级，L为灰度级数；Dx，Dy是位置偏移量；d为生成灰度共生矩阵的步长；θ生成方向，取0°,45°,90°,135°四个方向，从而生成不同方向的灰度共生矩阵；对灰度共生矩阵进行归一化处理，计算对应纹理图像的统计量，所述统计量包括能量ASM、熵ENT、对比度CON、相关度IDE：
Figure RE-GDA0002556812850000081
Figure RE-GDA0002556812850000082
Figure RE-GDA0002556812850000083
Figure RE-GDA0002556812850000084
将上述统计量组成图像的GLCM特征。
S43、将提取到的HOG和GLCM特征组成图像样本的特征向量。具体的，将提取到的HOG特征和GLCM特征合并成一个特征向量，用于图片分类。
S5、组合多个SVM分类器用于多分类，通过所述图像样本的特征向量训练各SVM分类器，得到训练好的SVM模型；
通过组合多个SVM分类器来解决多类分类问题： (xk,yk),k＝1,2,…,N；xk∈Rn；yk∈(-1,1)为样本集，对样本集构造分类面：wx+b＝0，使分类后的两样本之间的距离达到最大，其中w、x是n维向量。g(x)＝wx+b为线性判别函数的一般形式，对w、b放大和缩小相同的倍数来进行归一化，使距离分类面最近的样本满足|g(x)|≥1，此时两类样本满足|g(x)|≥1，两类样本的分类间隔为
Figure RE-GDA0002556812850000085
求取最优平面问题转化为求优化问题：
Figure RE-GDA0002556812850000086
Figure RE-GDA0002556812850000087
其中，ak为受约束的拉格朗日乘子。对：
Figure RE-GDA0002556812850000091
中的a求偏导得到对偶形式：
Figure RE-GDA0002556812850000092
同时优化问题的最优解必须满足以下条件akyk(wTxk+b)-1＝0，
Figure RE-GDA0002556812850000093
可以求得b。
由于
Figure RE-GDA0002556812850000094
可以求出结果大部分ak＝0，ak≠0所对应的样本称为支持向量，分类平面由支持向量确定。
支持向量机实现非线性分类是通过某种事先选择的非线性映射(核函数)将输入向量映射到高维特征空间，在这个空间中构造最优分类超平面。变换后空间的分类平面为
Figure RE-GDA0002556812850000095
与线性情况类似，优化方程为：
Figure RE-GDA0002556812850000096
Figure RE-GDA0002556812850000097
其中，
Figure RE-GDA0002556812850000098
是变换后的空间内积。构造核函数K(xk,xl)，使其等于
Figure RE-GDA0002556812850000099
代替求解
Figure RE-GDA00025568128500000910
4类样本总共构造出4*(4-1)＝12个平面。
S6、采用与步骤S4相同的方式提取待测信号相空间状态图的HOG和GLCM 特征组成待测信号相空间状态图的特征向量；
S7、将待测信号相空间状态图的特征向量输入训练好的SVM模型，得到弱信号检测结果。
具体的，在Duffing振子临界状态下输入待测信号，观察系统相空间变化，当弱信号存在时，系统会从临界状态过渡到大尺度周期状态，否则系统会一直处于临界或混沌状态而不会进入到大周期状态。通过识别系统相空间状态图检测出弱信号。
与所述方法实施例相对应，本发明还提供一种基于混沌智能图像识别的弱信号检测装置，所述装置包括：
振子系统构建模块：用于构建Duffing振子信号检测系统，获取不同状态的Duffing振子相位图；进一步的，所述振子系统构建模块中，所述Duffing振子信号检测系统为：
Figure RE-GDA0002556812850000101
其中k为阻尼系数，ω为信号频率，-ωx+ωx3为非线性恢复力，f为系统内策动力，fcos(ωt)为驱动力幅值，s(t)+n(t)为输入信号。
振子系统调节模块：用于调节所述Duffing振子信号检测系统的系数，使系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，得到待测信号相空间状态图；
样本图像预处理模块：用于对所述不同状态的Duffing振子相位图做预处理，去除坐标边框，将所述不同状态的Duffing振子相位图按照类别不同分别标注，得到预处理好的图像样本；进一步的，所述样本图像预处理模块中，所述预处理好的图像样本分别标注为“同宿”、“分叉”、“混沌”、“大周期”四类。
图像特征提取模块：用于提取所述图像样本的HOG特征和GLCM特征，将提取的HOG和GLCM特征组成图像样本的特征向量；进一步的，所述图像特征提取模块具体包括：
HOG特征提取单元：将图像划分成多个细胞单元，为每个细胞单元构建梯度方向直方图，把细胞单元组合成大的块，块内归一化梯度直方图并收集HOG 特征；
GLCM特征提取单元：对图像上的每一像元求出预设邻域内的灰度共生矩阵，由所述灰度共生矩阵求出对应纹理图像的统计量，所述统计量包括能量 ASM、熵ENT、对比度CON、相关度IDE，将所述统计量组成图像GLCM特征；；
特征组合单元：将提取到的HOG和GLCM特征组成图像样本的特征向量。
SVM模型训练模块：用于组合多个SVM分类器用于多分类，通过所述图像样本的特征向量训练各SVM分类器，得到训练好的SVM模型；
弱信号检测模块：用于提取待测信号相空间状态图的HOG特征和GLCM特征组成待测信号相空间状态图的特征向量；将待测信号相空间状态图的特征向量输入训练好的SVM模型，得到弱信号检测结果。
下面结合具体实验数据来验证本发明的效果：
对于所述Duffing振子信号检测系统
Figure RE-GDA0002556812850000111
令k＝0.5，ω＝2*pi*1000rad/s，f＝0.8276，且在仿真过程中取值不变，此时系统处于临界状态，如图2所示是未加入任何信号时的Duffing振子临界状态x-y相位图；
图3是在临界状态下加入信号幅值为A＝1×10-5V；ω＝2*pi*1000rad/s；系统的大周期状态x-y相位图；
图4是在临界状态下加入信号幅值为A＝1×10-5V；ω＝2*pi*1000rad/s，噪声幅值为1×10-6dB即snr＝-10dBW的大周期状态x-y相位图；
图5是临界状态下加入噪声幅值为0.001dB的混沌状态x-y相位图；
本发明采用的信号环境为在自然环境背景下发射信号频率为ω＝2*pi*1000rad/s的单频信号s(t)，如图6所示，图6是随机采集1s单频信号时域及频谱图；
图7是加入Duffing振子信号检测系统中的单频信号s(t)与噪声n(t)的时域图；
将随机采集的单频信号s(t)与噪声n(t)加入到已确定的Duffing振子信号检测系统中，如图8所示是Duffing振子信号检测系统在临界状态加入图7的信号和噪声后的大周期状态x-y相位图，系统为大周期状态，证明了混沌系统在噪声背景下可以检测弱信号。

Claims (9)

1.一种基于混沌智能图像识别的弱信号检测方法，其特征在于，包括如下步骤：
S1、构建Duffing振子信号检测系统，获取不同状态的Duffing振子相位图；
S2、调节Duffing振子信号检测系统的系数，使系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，得到待测信号相空间状态图；
S3、对所述不同状态的Duffing振子相位图做预处理，去除坐标边框，将所述不同状态的Duffing振子相位图按照类别不同分别标注，得到预处理好的图像样本；
S4、提取所述图像样本的HOG特征和GLCM特征，将提取的HOG和GLCM特征组成图像样本的特征向量；
S5、组合多个SVM分类器用于多分类，通过所述图像样本的特征向量训练各SVM分类器，得到训练好的SVM模型；
S6、采用与步骤S4相同的方式提取待测信号相空间状态图的HOG和GLCM特征并组成待测信号相空间状态图的特征向量；
S7、将待测信号相空间状态图的特征向量输入训练好的SVM模型，得到弱信号检测结果。
2.根据权利要求1所述基于混沌智能图像识别的弱信号检测方法，其特征在于，所述步骤S1中，所述Duffing振子检测信号模型为：
Figure FDA0002362292880000011
其中k为阻尼系数，ω为信号频率，-ωx+ωx3为非线性恢复力，f为系统内策动力，fcos(ωt)为驱动力幅值，s(t)+n(t)为输入信号。
3.根据权利要求1所述基于混沌智能图像识别的弱信号检测方法，其特征在于，所述步骤S2中，所述预处理好的图像样本分别标注为“同宿”、“分叉”、“混沌”、“大周期”四类。
4.根据权利要求1所述基于混沌智能图像识别的弱信号检测方法，其特征在于，所述步骤S4具体包括：
S41、将图像划分成多个细胞单元，为每个细胞单元构建梯度方向直方图，把细胞单元组合成大的块，块内归一化梯度直方图并收集HOG特征；
S42、对图像上的每一像元求出预设邻域内的灰度共生矩阵，由所述灰度共生矩阵求出对应纹理图像的统计量，所述统计量包括能量ASM、熵ENT、对比度CON、相关度IDE，将所述统计量组成图像GLCM特征；
S43、将提取到的HOG和GLCM特征组成图像样本的特征向量。
5.根据权利要求4所述基于混沌智能图像识别的弱信号检测方法，其特征在于，所述步骤S42具体为：
从图像中灰度为i的像素位置为(x,y)出发，统计与其距离为d灰度为J的像素(x+Dx，y+Dy)同时出现的次数p(i,j,d,θ)，数学表达式为：
p(i,j,d,θ)＝[(x,y),(x+Dx,y+Dx)|f(x,y)＝i,f(x+Dx,y+Dy)＝j]
其中：x,y＝0,1,2,...,N-1是图像中的像素坐标；i,j＝0,1,2,...,L-1是灰度级；Dx，Dy是位置偏移量；d为生成灰度共生矩阵的步长；θ生成方向，取0°,45°,90°,135°四个方向，从而生成不同方向的灰度共生矩阵；对灰度共生矩阵进行归一化处理，计算对应纹理图像的统计量，所述统计量包括能量ASM、熵ENT、对比度CON、相关度IDE：
Figure FDA0002362292880000021
Figure FDA0002362292880000022
Figure FDA0002362292880000023
Figure FDA0002362292880000024
将上述统计量组成图像的GLCM特征。
6.一种基于混沌智能图像识别的弱信号检测装置，其特征在于，所述装置包括：
振子系统构建模块：用于构建Duffing振子信号检测系统，获取不同状态的Duffing振子相位图；
振子系统调节模块：用于调节所述Duffing振子信号检测系统的系数，使系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，得到待测信号相空间状态图；
样本图像预处理模块：用于对所述不同状态的Duffing振子相位图做预处理，去除坐标边框，将所述不同状态的Duffing振子相位图按照类别不同分别标注，得到预处理好的图像样本；
图像特征提取模块：用于提取所述图像样本的HOG特征和GLCM特征，将提取的HOG和GLCM特征组成图像样本的特征向量；
SVM模型训练模块：用于组合多个SVM分类器用于多分类，通过所述图像样本的特征向量训练各SVM分类器，得到训练好的SVM模型；
弱信号检测模块：用于提取待测信号相空间状态图的HOG和GLCM特征组成待测信号相空间状态图的特征向量；将所述待测信号相空间状态图的特征向量输入训练好的SVM模型，得到弱信号检测结果。
7.根据权利要求6所述基于混沌智能图像识别的弱信号检测方法，其特征在于，所述振子系统构建模块中，所述Duffing振子信号检测系统为：
Figure FDA0002362292880000031
其中k为阻尼系数，ω为信号频率，-ωx+ωx3为非线性恢复力，f为系统内策动力，fcos(ωt)为驱动力幅值，s(t)+n(t)为输入信号。
8.根据权利要求6所述基于混沌智能图像识别的弱信号检测方法，其特征在于，所述样本图像预处理模块中，所述预处理好的图像样本分别标注为“同宿”、“分叉”、“混沌”、“大周期”四类。
9.根据权利要求6所述基于混沌智能图像识别的弱信号检测方法，其特征在于，所述图像特征提取模块具体包括：
HOG特征提取单元：将图像划分成多个细胞单元，为每个细胞单元构建梯度方向直方图，把细胞单元组合成大的块，块内归一化梯度直方图并收集HOG特征；
GLCM特征提取单元：对图像上的每一像元求出预设邻域内的灰度共生矩阵，由所述灰度共生矩阵求出对应纹理图像的统计量，所述统计量包括能量ASM、熵ENT、对比度CON、相关度IDE，将所述统计量组成图像GLCM特征；
特征组合单元：将提取到的HOG和GLCM特征组成图像样本的特征向量。
CN202010025488.9A 2020-01-10 2020-01-10 一种基于混沌智能图像识别的弱信号检测方法及装置 Active CN111553370B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010025488.9A CN111553370B (zh) 2020-01-10 2020-01-10 一种基于混沌智能图像识别的弱信号检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010025488.9A CN111553370B (zh) 2020-01-10 2020-01-10 一种基于混沌智能图像识别的弱信号检测方法及装置

Publications (2)

Publication Number Publication Date
CN111553370A true CN111553370A (zh) 2020-08-18
CN111553370B CN111553370B (zh) 2023-05-09

Family

ID=71999807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010025488.9A Active CN111553370B (zh) 2020-01-10 2020-01-10 一种基于混沌智能图像识别的弱信号检测方法及装置

Country Status (1)

Country Link
CN (1) CN111553370B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488211A (zh) * 2020-12-03 2021-03-12 浙江理工大学 一种织物图像瑕疵分类方法
CN113255261A (zh) * 2021-05-08 2021-08-13 黑龙江大学 一种基于fpga的伪随机序列周期检测方法
CN116819050A (zh) * 2023-06-26 2023-09-29 河南安祐中路桥工程有限公司 混凝土搅拌匀质度检测系统及其检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6104703A (en) * 1996-12-20 2000-08-15 Cornell Research Foundation, Inc. Communication systems and methods employing receivers with estimators
CN101294845A (zh) * 2008-05-05 2008-10-29 西北工业大学 转子早期故障的多频率微弱信号检测方法
CN101476932A (zh) * 2008-12-19 2009-07-08 哈尔滨工程大学 对待检信号相位无敏感性的同频Duffing振子及构建方法
CN103913222A (zh) * 2014-04-25 2014-07-09 重庆邮电大学 基于锁相环的Duffing振子弱信号时域检测方法
CN104462695A (zh) * 2014-12-12 2015-03-25 燕山大学 双耦合Duffing振子与变尺度相结合的微弱信号检测方法
US20170329928A1 (en) * 2014-08-29 2017-11-16 Sogang University Research Foundation Method for high-speed parallel processing for ultrasonic signal by using smart device

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6104703A (en) * 1996-12-20 2000-08-15 Cornell Research Foundation, Inc. Communication systems and methods employing receivers with estimators
CN101294845A (zh) * 2008-05-05 2008-10-29 西北工业大学 转子早期故障的多频率微弱信号检测方法
CN101476932A (zh) * 2008-12-19 2009-07-08 哈尔滨工程大学 对待检信号相位无敏感性的同频Duffing振子及构建方法
CN103913222A (zh) * 2014-04-25 2014-07-09 重庆邮电大学 基于锁相环的Duffing振子弱信号时域检测方法
US20170329928A1 (en) * 2014-08-29 2017-11-16 Sogang University Research Foundation Method for high-speed parallel processing for ultrasonic signal by using smart device
CN104462695A (zh) * 2014-12-12 2015-03-25 燕山大学 双耦合Duffing振子与变尺度相结合的微弱信号检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李国正;张波;: "基于Duffing振子检测频率未知微弱信号的新方法" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488211A (zh) * 2020-12-03 2021-03-12 浙江理工大学 一种织物图像瑕疵分类方法
CN113255261A (zh) * 2021-05-08 2021-08-13 黑龙江大学 一种基于fpga的伪随机序列周期检测方法
CN113255261B (zh) * 2021-05-08 2023-03-14 黑龙江大学 一种基于fpga的伪随机序列周期检测方法
CN116819050A (zh) * 2023-06-26 2023-09-29 河南安祐中路桥工程有限公司 混凝土搅拌匀质度检测系统及其检测方法
CN116819050B (zh) * 2023-06-26 2024-04-09 河南安祐中路桥工程有限公司 混凝土搅拌匀质度检测系统及其检测方法

Also Published As

Publication number Publication date
CN111553370B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN111553370A (zh) 一种基于混沌智能图像识别的弱信号检测方法及装置
CN109766858A (zh) 结合双边滤波的三维卷积神经网络高光谱影像分类方法
CN100476867C (zh) 一种基于学习的图像配准自动检验方法
CN103942540A (zh) 基于曲波纹理分析和svm-knn分类的假指纹检测算法
CN107977621A (zh) 沉船识别模型构建方法、装置、电子设备及存储介质
CN105894037A (zh) 一种基于sift训练样本提取的遥感图像全监督分类方法
Ahmed et al. Forgery detection algorithm based on texture features
Raveendra et al. Performance evaluation of face recognition system by concatenation of spatial and transformation domain features
Mehta et al. Splicing detection for combined dct, dwt and spatial markov-features using ensemble classifier
Huang et al. Superpixel-based change detection in high resolution sar images using region covariance features
Imdad et al. Writer identification using steered hermite features and svm
Połap et al. Sonar digital twin layer via multi-attention networks with feature transfer
Long* et al. Characterization of migrated seismic volumes using texture attributes: a comparative study
Isnanto et al. Face recognition system using feature extraction method of 2-D Gabor wavelet filter bank and distance-based similarity measures
Chen et al. Identifying computer generated and digital camera images using fractional lower order moments
Jyothy et al. Texture-based multiresolution steganalytic features for spatial image steganography
CN104077604B (zh) 一种文本内容无关的褶皱中文手写体鉴别方法
Manavalan et al. Evaluation of textural feature extraction from Grlm for prostate cancer trus medical images
Singh et al. Fingerprint recognition system based on mapping approach
Mohamed et al. Region of interest based prostate tissue characterization using least square support vector machine LS-SVM
CN112926383A (zh) 一种基于水下激光图像的目标自动识别系统
CN112633058A (zh) 基于特征融合的正面步态识别方法
Dhar et al. Fish image classification by XgBoost based on Gist and GLCM Features
Avcı Threshold Values of Different Classical Edge Detection Algorithms.
Mahmoud et al. The use of radon transform in handwritten Arabic (Indian) numerals recognition

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