CN112325868A - 一种基于多尺度变换的偏振光罗盘去噪方法 - Google Patents
一种基于多尺度变换的偏振光罗盘去噪方法 Download PDFInfo
- Publication number
- CN112325868A CN112325868A CN202011128018.1A CN202011128018A CN112325868A CN 112325868 A CN112325868 A CN 112325868A CN 202011128018 A CN202011128018 A CN 202011128018A CN 112325868 A CN112325868 A CN 112325868A
- Authority
- CN
- China
- Prior art keywords
- imfs
- component
- polarized light
- denoising
- dominated
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C17/00—Compasses; Devices for ascertaining true or magnetic north for navigation or surveying purposes
- G01C17/38—Testing, calibrating, or compensating of compasses
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多尺度变换的偏振光罗盘去噪方法,对偏振光罗盘的偏振相机采集的原始偏振角图像进行去噪处理,再对去噪后的偏振角解算航向角数据,再次对航向角数据进行去噪,最终得到去噪后的航向角数据。本发明解决了现有偏振光罗盘易受噪声影响导致输出航向角误差较大的问题,去燥效果更好,经一系列处理后的航向角数据更加精确。
Description
技术领域
本发明涉及现代信息处理的图像和数据去噪技术,具体地说,是指一种基于多尺度变换的偏振光罗盘去噪方法。
背景技术
偏振光导航系统是一种依靠天空偏振光解算载体航向信息的全自主导航系统,该系统无需任何外界信息,也不会向外辐射能量,因此被广泛应用于航天、航空、航海等军事领域。偏振光罗盘是偏振光导航系统的关键部件,偏振光罗盘的测量精度直接决定着整个偏振光导航系统的性能,所以如何提高偏振光罗盘的测量精度一直是偏振光导航领域的研究重点。由于偏振光罗盘中偏振相机采集的原始偏振角图像不仅易受光的内在量子特性和入射光子数量不确定性产生的光响应不均匀性、光子和暗电流散粒噪声的影响,而且罗盘电路设计和从模拟到数字转换光子和电子涨落中产生的读出电子热噪声、低频闪烁噪声、量化噪声等对罗盘输出的原始航向角数据影响显著增加,导致偏振光导航系统输出信号中存在大量噪声,这些噪声会对航向信息的解算带来很大误差,从而降低该导航系统的性能,因此有必要对偏振光罗盘进行去噪处理。
现有图像去噪主要针对两种情况:(1)对灰度和单色图像去噪;(2)彩色滤波图像和分焦平面偏振仪图像去噪,尚无对偏振光罗盘的偏振角图像和航向角数据直接去噪的方法。因此直接对偏振光罗盘中偏振相机采集的原始偏振角图像和罗盘直接输出的原始航向角数据进行去噪处理对提高航向测量精度有非常重要的意义。
发明内容
发明目的:为了解决现有技术中的偏振光罗盘输出信号存在大量噪声影响导航系统性能的问题,本发明提供一种基于多尺度变换的偏振光罗盘去噪方法。
技术方案:一种基于多尺度变换的偏振光罗盘去噪方法,包括以下步骤:
步骤一:获取偏振光罗盘中偏振相机采集的原始偏振角图像,对原始偏振角图像进行二维经验模态分解,得到多个尺度下的图像本征模函数I-IMFs和一个图像残余分量;
步骤二:利用基于区间相似值的一维图像熵法将多个I-IMFs分成两类:太阳子午线主导的I-IMFs和非太阳子午线主导的I-IMFs;舍弃所述图像残余分量;
步骤三:对于每个太阳子午线主导的I-IMFs,采用基于主成分贡献率的自适应主成分分析去噪方法进行去噪,得到去噪后的太阳子午线主导的I-IMFs;舍弃非太阳子午线主导的I-IMFs;
步骤四:对去噪后的太阳子午线主导的I-IMFs进行重组,得到去噪后的偏振角图像;
步骤五:根据去噪后的偏振角图像解算航向角数据;
步骤六:将解算出的航向角数据进行集合经验模态分解,得到多个尺度下的数据本征模函数D-IMFs和一个数据残余分量;
步骤七:利用相似样本熵法将多个D-IMFs分成三类:低频真实信号分量的D-IMFs、混合分量的D-IMFs和高频噪声分量的D-IMFs;所述数据残余分量也归类于低频真实信号分量的D-IMFs;
步骤八:采用基于自适应阈值的时频峰值滤波法分别对低频真实信号分量的D-IMFs和混合分量的D-IMFs进行去噪,得到去噪后的低频真实信号分量的D-IMFs和混合分量的D-IMFs;舍弃所述高频噪声分量的D-IMFs;
步骤九:将去噪后的低频真实信号分量的D-IMFs和混合分量的D-IMFs重组,得到去噪后的航向角数据。
进一步地,偏振光罗盘中偏振相机不断地采集原始偏振角图像并按照步骤一至步骤五的方法对原始偏振角图像去噪;同时,偏振光罗盘对之前采集并去噪的偏振角图像解算后的航向角数据进行步骤六-步骤九的去噪处理。
进一步地,步骤三中,所述主成分贡献率由每个太阳子午线主导的I-IMFs的一维图像熵与所有太阳子午线主导的I-IMFs的一维图像熵之和的比值确定,设第i个太阳子午线主导的I-IMFs的主成分贡献率为Rpi,
其中,(1D-IE)i表示第i个太阳子午线主导的I-IMFs的一维图像熵,M为太阳子午线主导的I-IMFs的个数。
进一步地,步骤八中,利用短窗时频峰值滤波法对低频真实信号分量的D-IMFs进行滤波,利用长窗时频峰值滤波法对混合分量的D-IMFs进行滤波。
进一步地,步骤八中,所述自适应阈值由各低频真实信号分量的D-IMFs或混合分量的D-IMFs的样本熵与所有低频真实信号分量的D-IMFs和混合分量的D-IMFs的样本熵之和的比值确定,设对第j个低频真实信号分量的D-IMFs或混合分量的D-IMF s滤波的自适应阈值为Tj,
其中,(SE)j为第j个低频真实信号分量的D-IMFs或混合分量的D-IMFs的样本熵,N为低频真实信号分量的D-IMFs及混合分量的D-IMFs的个数和。
有益效果:相比较现有技术,本发明提供的一种基于多尺度变换的偏振光罗盘去噪方法,采用依次递进的去噪方法,即先对偏振光罗盘中偏振相机采集的原始偏振角图像去噪后进行更精确的航向角解算,然后进一步对偏振光罗盘输出的原始航向角数据进行去噪,实现了更好的去噪效果;
通过将二维经验模态分解方法(BEMD)引入到采集的原始偏振角图像去噪中,利用基于区间相似值的一维图像熵法(1D-IE)对原始偏振角图像进行分类,以得到更精确的解算航向角所需信息;
通过将集合经验模态分解方法(EEMD)引入到输出的原始航向角数据去噪中,利用相似样本熵法(SE)分类得到不同频域的数据,采用自适应阈值数据去噪算法进行处理,最终提供了偏振光罗盘航向测量精度。
附图说明
图1是基于多尺度变换的偏振光罗盘去噪方法的流程图;
图2是偏振相机采集的原始偏振角图像分解结果图;
图3是I-IMFs分类效果图;
图4是偏振角图像去噪前后的航向误差对比效果图;
图5是输出的原始航向角数据分解结果图;
图6是D-IMFs分类和LFT-C和H-C去噪效果图;
图7是数据去噪前后航向误差对比效果图。
具体实施方式
下面将结合附图和实例对本发明的具体实施方式作进一步的详细说明。
如图1所示,一种基于多尺度变换的偏振光罗盘去噪方法,包括以下步骤:
步骤一:获取偏振光罗盘中偏振相机采集的原始偏振角图像,对原始偏振角图像进行二维经验模态分解(BEMD),分解成十个图像本征模函数(I-IMFs)和一个图像残余分量ri,十个图像本征模函数(I-IMFs)分别记为I-IMF1、I-IMF2、……、I-IMF10,;
图2为对原始偏振角图像利用二维经验模态分解方法分解得到的结果,偏振光罗盘中偏振相机采集的原始偏振角图像分解为I-IMF1、I-IMF2、……、I-IMF10和ri。
步骤二:利用基于区间相似值的一维图像熵法(1D-IE)将该10个I-IMFs分成两类:即太阳子午线主导的I-IMFs和非太阳子午线主导的I-IMFs,并舍弃偏振角图像残余分量ri;
本实施例中,采用区间相似值的一维图像熵法(1D-IE)计算I-IMF1、I-IMF2、……、I-IMF10的图像熵值。一维图像熵是图像中灰度分布的聚集特性所涉及的信息量,熵越大,图像轮廓信息越丰富;反之,熵越低,表示有用信号越少。其实施步骤如下所示:
(1)计算各个I-IMF的一维图像熵:
上式中,(1D-IE)k表示一维图像熵值,Pk表示图像中有灰度值的像素所占的比例。
本实施例中,对图2分解得到的I-IMF1、I-IMF2、……、I-IMF10对应的一维图像熵值1D-IE1、1D-IE2、……、1D-IE10用上述公式进行了计算,结果如下表所示:
(2)根据区间相似值,将I-IMF1至I-IMF5归类为太阳子午线主导的I-IMFs,I-IMF6至I-IMF10归类为非太阳子午线主导的I-IMFs。
本实施例中,图3为对步骤二中得到的I-IMFs进行分类的结果。
步骤三:采用基于主成分贡献率(Rp)的自适应主成分分析(PCA)去噪方法对太阳子午线主导的每个I-IMF进行去噪,舍弃非太阳子午线主导的I-IMFs,其中主成分贡献率(Rp)是由太阳子午线主导的每个I-IMF一维图像熵(1D-IE)与所有太阳子午线主导的I-IMFs一维图像熵(1D-IE)之和的比值确定,即
步骤四:将去噪后太阳子午线主导的I-IMF1至I-IMF5进行重组,得到去噪后的偏振角图像。
本实施例中,图4为对去噪前后的偏振角图像的航向误差进行对比的效果图。
步骤五:根据去噪后的偏振角图像解算航向角数据。
步骤六:将解算得到的航向角数据通过集合经验模态分解方法(EEMD)分解成七个数据本征模函数(D-IMFs)和一个数据残余分量rd,该七个数据本征模函数分别记为D-IMF1、D-IMF2、……、D-IMF7。
图5为利用集合经验模态分解方法得到的结果,将原始航向角数据分解为D-IMF1、D-IMF2、……、D-IMF7、rd。
步骤七:利用相似样本熵法(SE)将上述多个D-IMFs分成三类:即低频真实信号分量(LFT-C),混合分量(H-C)和高频噪声分量(HFN-C),此外,步骤六分解得到的数据残余分量rd直接归类为低频真实信号分量(LFT-C)。
本实施例中,采用相似样本熵法(SE)计算D-IMF1、D-IMF2、……、D-IMF7的样本熵值。样本熵是一种能够检测复杂时间序列的测度方法,样本熵值越大,信号越复杂。其实施步骤如下所示:
(1)计算各个D-IMF的样本熵:
上式中,SE表示样本熵值,m表示嵌入维数,r表示相似容限,A和B表示两个有限点集。
本实施例中,m的取值为2,r的取值为0.1。对图5中分解得到的D-IMF1、D-IMF2、……、D-IMF7的样本熵值SE1、SE2、……、SE7用上述公式进行了计算,结果如下表所示:
(2)根据相似样本熵值,将D-IMF1归类为HFN-C,D-IMF2、D-IMF3、D-IMF4归类为H-C,D-IMF5、D-IMF6、D-IMF7、rd归类为LFT-C。
步骤八:采用基于自适应阈值(T)的时频峰值滤波法(TFPF)对LFT-C和H-C进行去噪:即短窗TFPF用于LFT-C,长窗TFPF用于H-C,此外,舍弃步骤七中得到的HFN-C;其中自适应阈值(T)由LFT-C和H-C中每个D-IMF的样本熵(SE)与所有LFT-C和H-C的D-IMFs样本熵(SE)之和的比值确定,
本实施例中,图6为对步骤七分类得到的D-IMFs并利用步骤八中方法对LFT-C和H-C去噪处理的结果。
步骤九:重组去噪后低频真实信号分量(LFT-C)和混合分量(H-C)的D-IMFs,得到去噪后的航向角数据。
本实施例中,图7为对步骤九中重建得到的去噪后的航向误差与去噪前的航向误差对比结果。
本方法中,偏振相机不断地采集原始偏振角图像,在对原始偏振角图像进行去噪(按照步骤一至步骤五)的同时,可以对之前采集并去噪后的偏振角图像解算出的航向角数据进行去噪(按照步骤六至步骤九),该两部分操作互不影响。
Claims (5)
1.一种基于多尺度变换的偏振光罗盘去噪方法,其特征在于,包括以下步骤:
步骤一:获取偏振光罗盘中偏振相机采集的原始偏振角图像,对原始偏振角图像进行二维经验模态分解,得到多个尺度下的图像本征模函数I-IMFs和一个图像残余分量;
步骤二:利用基于区间相似值的一维图像熵法将多个I-IMFs分成两类:太阳子午线主导的I-IMFs和非太阳子午线主导的I-IMFs;舍弃所述图像残余分量;
步骤三:对于每个太阳子午线主导的I-IMFs,采用基于主成分贡献率的自适应主成分分析去噪方法进行去噪,得到去噪后的太阳子午线主导的I-IMFs;舍弃非太阳子午线主导的I-IMFs;
步骤四:对去噪后的太阳子午线主导的I-IMFs进行重组,得到去噪后的偏振角图像;
步骤五:根据去噪后的偏振角图像解算航向角数据;
步骤六:将解算出的航向角数据进行集合经验模态分解,得到多个尺度下的数据本征模函数D-IMFs和一个数据残余分量;
步骤七:利用相似样本熵法将多个D-IMFs分成三类:低频真实信号分量、混合分量和高频噪声分量;所述数据残余分量也归类于低频真实信号分量;
步骤八:采用基于自适应阈值的时频峰值滤波法分别对低频真实信号分量和混合分量进行去噪,得到去噪后的低频真实信号分量和混合分量;舍弃所述高频噪声分量;
步骤九:将去噪后的低频真实信号分量和混合分量重组,得到去噪后的航向角数据。
2.根据权利要求1所述的基于多尺度变换的偏振光罗盘去噪方法,其特征在于,偏振光罗盘中偏振相机不断地采集原始偏振角图像并按照步骤一至步骤五的方法对原始偏振角图像去噪;同时,偏振光罗盘对之前采集并去噪的偏振角图像解算后的航向角数据进行步骤六-步骤九的去噪处理。
4.根据权利要求1或2所述的基于多尺度变换的偏振光罗盘去噪方法,其特征在于,步骤八中,利用短窗时频峰值滤波法对低频真实信号分量进行滤波,利用长窗时频峰值滤波法对混合分量进行滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011128018.1A CN112325868B (zh) | 2020-10-20 | 2020-10-20 | 一种基于多尺度变换的偏振光罗盘去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011128018.1A CN112325868B (zh) | 2020-10-20 | 2020-10-20 | 一种基于多尺度变换的偏振光罗盘去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112325868A true CN112325868A (zh) | 2021-02-05 |
CN112325868B CN112325868B (zh) | 2022-06-10 |
Family
ID=74310489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011128018.1A Active CN112325868B (zh) | 2020-10-20 | 2020-10-20 | 一种基于多尺度变换的偏振光罗盘去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112325868B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115014313A (zh) * | 2022-05-30 | 2022-09-06 | 中北大学 | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060190174A1 (en) * | 2005-02-24 | 2006-08-24 | Aichi Micro Intelligent Corporation | Electronic compass and direction finding method |
CN104880192A (zh) * | 2015-06-12 | 2015-09-02 | 北京航空航天大学 | 一种基于偏振罗盘的载体航向角计算方法 |
CN110631567A (zh) * | 2019-10-09 | 2019-12-31 | 北京航空航天大学 | 一种差分天空偏振罗盘大气折射误差的反演及修正方法 |
CN111337029A (zh) * | 2020-01-10 | 2020-06-26 | 中北大学 | 基于自学习多速率残差校正的偏振光惯性严密组合导航方法 |
CN111457911A (zh) * | 2020-05-29 | 2020-07-28 | 北京航空航天大学 | 一种基于偏振二维残差信息的仿生偏振罗盘标定方法 |
-
2020
- 2020-10-20 CN CN202011128018.1A patent/CN112325868B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060190174A1 (en) * | 2005-02-24 | 2006-08-24 | Aichi Micro Intelligent Corporation | Electronic compass and direction finding method |
CN104880192A (zh) * | 2015-06-12 | 2015-09-02 | 北京航空航天大学 | 一种基于偏振罗盘的载体航向角计算方法 |
CN110631567A (zh) * | 2019-10-09 | 2019-12-31 | 北京航空航天大学 | 一种差分天空偏振罗盘大气折射误差的反演及修正方法 |
CN111337029A (zh) * | 2020-01-10 | 2020-06-26 | 中北大学 | 基于自学习多速率残差校正的偏振光惯性严密组合导航方法 |
CN111457911A (zh) * | 2020-05-29 | 2020-07-28 | 北京航空航天大学 | 一种基于偏振二维残差信息的仿生偏振罗盘标定方法 |
Non-Patent Citations (1)
Title |
---|
王玉波,等: "一种图像校正的偏振光罗盘系统的研究", 《激光与红外》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115014313A (zh) * | 2022-05-30 | 2022-09-06 | 中北大学 | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 |
CN115014313B (zh) * | 2022-05-30 | 2023-08-22 | 中北大学 | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112325868B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marques et al. | A review of sparse recovery algorithms | |
Candes et al. | Near-optimal signal recovery from random projections: Universal encoding strategies? | |
O'Sullivan et al. | Information-theoretic image formation | |
Davenport et al. | Introduction to compressed sensing. | |
Patel et al. | Gradient-based image recovery methods from incomplete Fourier measurements | |
Ongie et al. | Convex recovery of continuous domain piecewise constant images from nonuniform Fourier samples | |
CN104200441B (zh) | 基于高阶奇异值分解的磁共振图像去噪方法 | |
CN111274525A (zh) | 一种基于多线性增广拉格朗日乘子法的张量数据恢复方法 | |
Liu et al. | A deep framework assembling principled modules for CS-MRI: unrolling perspective, convergence behaviors, and practical modeling | |
Williams et al. | Quantum state estimation when qubits are lost: a no-data-left-behind approach | |
Shah et al. | Group symmetry and covariance regularization | |
CN105761228A (zh) | 通过微修正rpc参数实现卫星遥感影像高精度几何纠正方法 | |
CN112325868B (zh) | 一种基于多尺度变换的偏振光罗盘去噪方法 | |
Yin et al. | Stable principal component pursuit via convex analysis | |
Wang et al. | Hierarchical sparse signal recovery by variational Bayesian inference | |
Hu et al. | An adaptive nonlocal Gaussian prior for hyperspectral image denoising | |
CN104103063A (zh) | 一种基于自动调焦原理无参考噪声图像质量评价方法 | |
CN115014313B (zh) | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 | |
CN111008356B (zh) | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 | |
Sermwuthisarn et al. | A fast image recovery using compressive sensing technique with block based orthogonal matching pursuit | |
Admile et al. | Content based image retrieval using feature extracted from dot diffusion block truncation coding | |
CN111080730B (zh) | 基于跨通道和空间加权卷积特征的脑图像解码方法及系统 | |
CN108492317B (zh) | 一种基于阿基米德螺线作为观测矩阵的红外图像重构方法 | |
Starck et al. | An overview of inverse problem regularization using sparsity | |
Tan et al. | Nonnegative sparse representation of signals with a determinant-type sparsity measure based on the dc programming |
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 |