CN113449683B - 基于k-svd训练局部字典的高频超声稀疏去噪方法及系统 - Google Patents

基于k-svd训练局部字典的高频超声稀疏去噪方法及系统 Download PDF

Info

Publication number
CN113449683B
CN113449683B CN202110800782.7A CN202110800782A CN113449683B CN 113449683 B CN113449683 B CN 113449683B CN 202110800782 A CN202110800782 A CN 202110800782A CN 113449683 B CN113449683 B CN 113449683B
Authority
CN
China
Prior art keywords
sparse
signal
local
frequency ultrasonic
dictionary
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
Application number
CN202110800782.7A
Other languages
English (en)
Other versions
CN113449683A (zh
Inventor
宿磊
谈世宏
李可
顾杰斐
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.)
Jiangnan University
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN202110800782.7A priority Critical patent/CN113449683B/zh
Publication of CN113449683A publication Critical patent/CN113449683A/zh
Application granted granted Critical
Publication of CN113449683B publication Critical patent/CN113449683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于K‑SVD训练局部字典的高频超声稀疏去噪方法及系统，包括以下步骤：获取待测样品的高频超声检测信号；将获取的超声检测信号截取为长度为n的局部信号，组成数据集；利用数据集和K‑SVD训练局部字典；利用训练好的局部字典对局部信号进行稀疏分解，得到稀疏系数矩阵；利用稀疏系数矩阵重构超声检测信号的所有局部信号；利用重构的所有局部信号和贝叶斯最大后验概率估计全局信号，重构全局高频超声检测信号，完成去噪。本发明提高高频超声信号的信噪比和检测精度，可以更有效的观察到样品内部微缺陷的反射信号及位置。

Description

基于K-SVD训练局部字典的高频超声稀疏去噪方法及系统
技术领域
本发明涉及信号处理技术领域，具体涉及一种基于K-SVD训练局部字典的高频超声稀疏去噪方法。
背景技术
高频超声在样品内部传播时，遇到不同界面会发生反射现象，产生不同的反射信号(回波)，利用这一特性，可以通过高频超声扫描样品，从而对样品内部的微缺陷进行检测。
当超声波传播到缺陷界面时，由缺陷引起的声阻抗失配将影响反射信号的强度，通过分析检测回波信号，可以对缺陷进行有效诊断。超声检测回波信号包含着与缺陷位置、尺寸以及特征相关的信息，由于高频超声检测受材料晶粒噪声以及检测系统噪声的影响，缺陷的反射回波被掩盖在噪声中，从而极大地限制了高频超声检测地检测精度和准确性。在实际检测中，高频超声检测对象的尺度通常比较微小，为微米级，缺陷的反射回波信号本身就比较微弱，因此，对回波信号进行去噪以提高检查精度尤为重要。目前，针对信号的去噪已经有较为成熟的去噪技术，但缺乏针对高频超声信号的专门处理技术，且高频超声信号和一般信号有很大的区别，一方面高频超声信号属于脉冲信号，能量比较集中，对处理技术的时间分辨率要求较高；另一方面高频超声信号由于频率极高，因此对采样频率的要求也极高，导致高频超声信号维度较大，因此对处理技术的计算效率要求较高。
发明内容
本发明的目的是提供一种基于K-SVD训练局部字典的高频超声稀疏去噪方法及系统，针对高频超声检测信号，快速有效的去噪，为实现更加快速且准确的微小缺陷检测提供了方法。
为了解决上述技术问题，本发明提供了基于K-SVD训练局部字典的高频超声稀疏去噪方法，包括以下步骤：
S1：获取待测样品的高频超声检测信号；
S2：将获取的超声检测信号截取为长度为n的局部信号，组成数据集；
S3：利用数据集和K-SVD训练局部字典；
S4：利用训练好的局部字典对局部信号进行稀疏分解，得到稀疏系数矩阵；
S5：利用稀疏系数矩阵重构超声检测信号的所有局部信号；
S6：利用重构的所有局部信号和贝叶斯最大后验概率估计全局信号，重构全局高频超声检测信号，完成去噪。
作为本发明的进一步改进，所述S1具体包括以下步骤：将待测样品完全浸没在去离子水中，高频超声探头的焦平面设置在待测样品的底面，保存扫描过程中获取的高频超声检测信号。
作为本发明的进一步改进，所述S2具体包括以下步骤：将获取的长度为N的高频超声检测信号进行重复截取长度为n的局部信号，组成数据集
Figure GDA0003899347640000021
得到(N-n+1)个局部信号。
作为本发明的进一步改进，所述S3具体包括以下步骤：
S31：将数据集
Figure GDA0003899347640000022
作为训练集，设定训练迭代终止条件，初始化迭代参数；
S32：迭代求解，对于第J次迭代，对每个样本zj进行稀疏分解得到稀疏系数，最终得到稀疏系数矩阵α，利用稀疏系数矩阵α对字典D(J)中的原子依次更新；
S33：判断是否达到设定的迭代终止条件：若达到迭代终止条件，则迭代终止并得到训练完成的局部字典Dn×k；若未达到迭代终止条件，则令J＝J+1，并重新执行步骤S32继续进行迭代求解。
作为本发明的进一步改进，所述迭代参数包括字典矩阵D(0)∈Rn×k，系数矩阵α∈Rk ×M，训练集
Figure GDA0003899347640000031
索引集w，残差E，所述迭代终止条件为：残差的二范数小于噪声水平的1.15倍，其中，采用标准差σ评定噪声水平。
作为本发明的进一步改进，所述S32中稀疏分解包括以下步骤：
S321：给定字典D、待处理信号y和稀疏度k，初始化稀疏系数α0＝0，残差r0＝y，重构原子集Ω0＝φ，索引集ω0＝φ；
S322：对于第t次迭代，计算残差rt-1和字典D中的所有原子做内积，找出内积最大值对应的原子以及对应的索引，即：
Figure GDA0003899347640000032
S323：更新索引集ωt和对应的重构原子集Ωt：
Figure GDA0003899347640000033
S324：采用最小二乘法计算信号y相对应重构原子集Ωt的稀疏系数αt，即：
Figure GDA0003899347640000034
S325：判断是否达到迭代终止条件，若达到迭代终止条件，则迭代终止并利用索引集ωt还原稀疏系数α；若未达到迭代终止条件，则令t＝t+1，直至迭代结束。
作为本发明的进一步改进，所述利用稀疏系数矩阵α对字典D(J)中的原子依次更新，包括以下步骤：
S326：对于更新字典D(J)中的第m个原子dm,m＝1,2…,k，找出稀疏矩阵α的第m行向量
Figure GDA0003899347640000035
中不为0的索引wm，wm为：
Figure GDA0003899347640000036
S327：计算训练集的重构误差Em，即：
Figure GDA0003899347640000041
S328：从重构误差Em中取出对应索引集wm的列，构成
Figure GDA0003899347640000042
并对
Figure GDA0003899347640000043
进行奇异值分解，即：
Figure GDA0003899347640000044
S329：取U的第一列更新字典DJ的第m列，即dm＝U(:,1)，令
Figure GDA0003899347640000045
得到
Figure GDA0003899347640000046
后，对应索引wm将其更新到的向量
Figure GDA0003899347640000047
中。
作为本发明的进一步改进，所述步骤S6具体包括以下步骤：
S61：结合高频超声检测信号的全局特征，信号的贝叶斯最大后验概率估计为：
Figure GDA0003899347640000048
其中，X为去噪后的高频超声信号，Y为含噪高频超声信号，Hi为第i个局部信号的位置矩阵，用来提取第i个局部信号，将X初始化为对应的噪声信号Y，即X＝Y，将贝叶斯最大后验概率估计解耦成多个简单的优化任务，即式：
Figure GDA0003899347640000049
S62：采用稀疏分解，计算得到所有稀疏系数
Figure GDA00038993476400000410
固定稀疏系数
Figure GDA00038993476400000411
带入贝叶斯最大后验概率估计，得到：
Figure GDA00038993476400000412
S63：利用二项式的求极值法可得到去噪后的全局高频超声检测信号，即：
Figure GDA00038993476400000413
基于K-SVD训练局部字典的高频超声稀疏去噪系统，包括：
采集模块，用于获取待测样品的高频超声检测信号；
信号处理模块，用于将获取的超声检测信号截取为长度为n的局部信号，组成数据集；
训练模块，用于利用数据集和K-SVD训练局部字典；
稀疏分解模块，用于利用训练好的局部字典对局部信号进行稀疏分解，得到稀疏系数矩阵；
局部重构模块，用于利用稀疏系数矩阵重构超声检测信号的所有局部信号；
全局重构模块，用于利用重构的所有局部信号和贝叶斯最大后验概率估计全局信号，重构全局高频超声检测信号，完成去噪。
一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的基于K-SVD训练局部字典的高频超声稀疏去噪方法的步骤。
本发明的有益效果：本申请针对现有高频超声检测微小缺陷的信号去噪处理方法的不足，公开了一种基于K-SVD训练局部字典的高频超声稀疏去噪方法，在信号处理上，对相应的稀疏去噪模型以及算法参数进行了调整：构建K-SVD训练局部字典，训练字典提高了稀疏表征的稀疏性，提高了重构精度，局部字典极大的降低了计算复杂度；利用局部训练字典对待测样品的高频超声检测所获得的时域信号的局部信号进行稀疏重构，并通过贝叶斯最大后验概率估计全局信号，进而实现全局高频超声信号的重构去噪，可以提高高频超声信号的信噪比，更有效的观察到微缺陷的反射回波信号，从而提高高频超声检测微缺陷的准确性和可靠性。
附图说明
图1是本发明方法流程示意图；
图2是本发明实施例中原始高频超声检测信号；
图3是本发明实施例中图2处理后的高频超声检测信号。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例一
参考图1，本发明实施例提供了一种基于K-SVD训练局部字典的高频超声稀疏去噪方法，包括以下步骤：
S1：获取待测样品的高频超声检测信号；
S2：将获取的超声检测信号截取为长度为n的局部信号，组成数据集；
S3：利用数据集和K-SVD训练局部字典；
S4：利用训练好的局部字典对局部信号进行稀疏分解，得到稀疏系数矩阵；
S5：利用稀疏系数矩阵重构超声检测信号的所有局部信号；
S6：利用重构的所有局部信号和贝叶斯最大后验概率估计全局信号，重构全局高频超声检测信号，完成去噪。
具体的，步骤一，利用高频超声探头获取待测样品的高频超声回波时域信号。具体的，配置高纯度的去离子水作为耦合介质，将待测样品完全浸没在去离子水中，高频超声探头的焦平面设置在待测样品的底面，保存扫描过程中获取的超声回波时域信号。
步骤二，利用获取的超声回波时域信号，截为长度为n的局部信号，组成数据集
Figure GDA0003899347640000061
具体的，长度为N的高频超声信号进行重复截取长度为n的局部信号，总共得到(N-n+1)个局部信号。
步骤三，使用数据集Z作为训练集，利用K-SVD训练低维度的局部字典Dn×k，具体为：
1、输入数据集Z，设定迭代终止条件，迭代终止条件具体为：
采用标准差σ评定噪声水平，迭代终止条件为残差的2范数小于噪声水平的1.15倍，即：
||Dα-y||2≤cσ；
2、初始化迭代参数，包括初始化字典矩阵D(0)∈Rn×k，系数矩阵α∈Rk×M，训练集
Figure GDA0003899347640000062
索引集wm，残差Em。
3、迭代求解，第J次迭代，具体如下：
(1)稀疏分解：对每个样本zj进行稀疏分解得到稀疏系数，最终得到稀疏系数矩阵α，具体的：
A.给定字典D、待处理信号y和稀疏度k，初始化稀疏系数α0＝0，残差r0＝y，重构原子集Ω0＝φ，索引集ω0＝φ；
B.对于第t次迭代，计算残差rt-1和字典D中的所有原子做内积，找出内积最大值对应的原子以及对应的索引，即：
Figure GDA0003899347640000071
C.更新索引集ωt和对应的重构原子集Ωt：
Figure GDA0003899347640000072
D.采用最小二乘法计算信号y相对应重构原子集Ωt的稀疏系数αt，即：
Figure GDA0003899347640000073
E.判断是否达到迭代终止条件，若达到迭代终止条件，则迭代终止并利用索引集ωt还原稀疏系数α；若未达到迭代终止条件，则令t＝t+1，直至迭代结束。
(2)原子更新：利用稀疏系数矩阵α对字典D(J)中的原子依次更新，具体的：
A.对于更新字典D(J)中的第m个原子dm,m＝1,2…,k，找出稀疏矩阵α的第m行向量
Figure GDA0003899347640000074
中不为0的索引wm，wm为：
Figure GDA0003899347640000075
B.并计算训练集的重构误差Em，即：
Figure GDA0003899347640000076
C.从的重构误差Em中取出对应索引集wm的列，构成
Figure GDA0003899347640000077
并对
Figure GDA0003899347640000078
进行奇异值分解，即：
Figure GDA0003899347640000079
D.取U的第一列更新字典DJ的第m列，即dm＝U(:,1)，令
Figure GDA0003899347640000081
得到
Figure GDA0003899347640000082
后，对应索引wm将其更新到的向量
Figure GDA0003899347640000083
中；
4、判断是否达到预先配置的迭代终止条件:若达到迭代终止条件，则迭代终止并得到训练完成的局部字典；若未达到迭代终止条件，则令J＝J+1，并重新执行上述(1)继续进行迭代求解。
步骤四，将待处理高频超声信号截成长度为n的局部信号，利用局部字典D对局部信号进行稀疏分解，得到稀疏系数矩阵α，并利用稀疏系数矩阵α和局部字典重构高频超声信号的所有局部信号。
步骤五，利用重构的所有局部信号和贝叶斯最大后验概率估计全局信号，重构全局高频超声信号，具体为：
1、考虑高频超声信号的全局特征，信号的贝叶斯最大后验概率估计为：
Figure GDA0003899347640000084
2、X为去噪后的高频超声信号，Y为含噪高频超声信号，Hi为第i个局部信号的位置矩阵，用来提取第i个局部信号，将X初始化为对应的噪声信号Y，即X＝Y，将贝叶斯最大后验概率估计解耦成多个简单的优化任务，即式：
Figure GDA0003899347640000085
3、采用稀疏分解，计算得到所有稀疏系数
Figure GDA0003899347640000086
固定稀疏系数
Figure GDA0003899347640000087
带入贝叶斯最大后验概率估计，得到：
Figure GDA0003899347640000088
4、利用二项式的求极值法可得到去噪后的全局高频超声信号，即：
Figure GDA0003899347640000089
本申请能有效去除高频超声检测信号的噪声，极大的提高了信号的信噪比，进而保证了高频超声检测的准确性以及可靠性。
在本申请的实际应用中，通过上述方法处理待测样品的高频超声检测信号后，相较于原始信号，重构得到的高频超声信号很好的消除了噪声的干扰，有效的提高了断面扫描下的微缺陷位置识别准确性和可靠性，并提高了信号的处理效率。申请人还通过以下实际实验证明了上述方法的可行性与准确性，具体的：
该实验用于验证本发明对高频超声信号具有良好的去噪效果。本实验采用SAM300E超声扫描显微镜检测倒装芯片并提取回波信号，实验用芯片为美国PracticalComponent公司制作的面阵型芯片，型号是FA10-200×200，检测超声频率为110MHz，信号采样长度为700个采样点。所得到的高频超声检测信号如图2所示，在图2中可以清晰的看到，低幅值的回波信号被掩盖在噪声中，难以区分，容易造成微缺陷的漏检或错检。采用本申请提供的方法对该信号进行稀疏重构，去噪后的信号如图3所示，相较于图2，稀疏重构后的信号有效的去除了噪声的干扰，使信号的反射特征更加的突出。对高频超声信号进行稀疏重构能够有效的提高信号的信噪比，从而提高高频超声检测识别微缺陷的准确性以及可靠性。
实施例二
基于同一发明构思，本实施例提供了一种基于K-SVD训练局部字典的高频超声稀疏去噪系统，其解决问题的原理与所述基于K-SVD训练局部字典的高频超声稀疏去噪方法类似，重复之处不再赘述。
基于K-SVD训练局部字典的高频超声稀疏去噪系统，包括：
采集模块，用于获取待测样品的高频超声检测信号；
信号处理模块，用于将获取的超声检测信号截取为长度为n的局部信号，组成数据集；
训练模块，用于利用数据集和K-SVD训练局部字典；
稀疏分解模块，用于利用训练好的局部字典对局部信号进行稀疏分解，得到稀疏系数矩阵；
局部重构模块，用于利用稀疏系数矩阵重构超声检测信号的所有局部信号；
全局重构模块，用于利用重构的所有局部信号和贝叶斯最大后验概率估计全局信号，重构全局高频超声检测信号，完成去噪。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (9)

1.基于K-SVD训练局部字典的高频超声稀疏去噪方法，其特征在于：包括以下步骤：
S1：获取待测样品的高频超声检测信号；
S2：将获取的超声检测信号截取为长度为n的局部信号，组成数据集；
S3：利用数据集和K-SVD训练局部字典；
S4：利用训练好的局部字典对局部信号进行稀疏分解，得到稀疏系数矩阵；
S5：利用稀疏系数矩阵重构超声检测信号的所有局部信号；
S6：利用重构的所有局部信号和贝叶斯最大后验概率估计全局信号，重构全局高频超声检测信号，完成去噪；
所述步骤S6具体包括以下步骤：
S61：结合高频超声检测信号的全局特征，信号的贝叶斯最大后验概率估计为：
Figure FDA0003899347630000011
其中，X为去噪后的高频超声信号，Y为含噪高频超声信号，Hi为第i个局部信号的位置矩阵，用来提取第i个局部信号，将X初始化为对应的噪声信号Y，即X＝Y，将贝叶斯最大后验概率估计解耦成多个简单的优化任务，即式：
Figure FDA0003899347630000012
S62：采用稀疏分解，计算得到所有稀疏系数
Figure FDA0003899347630000013
固定稀疏系数
Figure FDA0003899347630000014
带入贝叶斯最大后验概率估计，得到：
Figure FDA0003899347630000015
S63：利用二项式的求极值法可得到去噪后的全局高频超声检测信号，即：
Figure FDA0003899347630000016
2.如权利要求1所述的基于K-SVD训练局部字典的高频超声稀疏去噪方法，其特征在于：所述S1具体包括以下步骤：将待测样品完全浸没在去离子水中，高频超声探头的焦平面设置在待测样品的底面，保存扫描过程中获取的高频超声检测信号。
3.如权利要求1所述的基于K-SVD训练局部字典的高频超声稀疏去噪方法，其特征在于：所述S2具体包括以下步骤：将获取的长度为N的高频超声检测信号进行重复截取长度为n的局部信号，组成数据集
Figure FDA0003899347630000021
得到(N-n+1)个局部信号。
4.如权利要求3所述的基于K-SVD训练局部字典的高频超声稀疏去噪方法，其特征在于：所述S3具体包括以下步骤：
S31：将数据集
Figure FDA0003899347630000022
作为训练集，设定训练迭代终止条件，初始化迭代参数；
S32：迭代求解，对于第J次迭代，对每个样本zj进行稀疏分解得到稀疏系数，最终得到稀疏系数矩阵α，利用稀疏系数矩阵α对字典D(J)中的原子依次更新；
S33：判断是否达到设定的迭代终止条件：若达到迭代终止条件，则迭代终止并得到训练完成的局部字典Dn×k；若未达到迭代终止条件，则令J＝J+1，并重新执行步骤S32继续进行迭代求解。
5.如权利要求4所述的基于K-SVD训练局部字典的高频超声稀疏去噪方法，其特征在于：所述迭代参数包括字典矩阵D(0)∈Rn×k，系数矩阵α∈Rk×M，训练集
Figure FDA0003899347630000023
索引集wm，残差Em，所述迭代终止条件为：残差的二范数小于噪声水平的1.15倍，其中，采用标准差σ评定噪声水平。
6.如权利要求5所述的基于K-SVD训练局部字典的高频超声稀疏去噪方法，其特征在于：所述S32中稀疏分解包括以下步骤：
S321：给定字典D、待处理信号y和稀疏度k，初始化稀疏系数α0＝0，残差r0＝y，重构原子集Ω0＝φ，索引集ω0＝φ；
S322：对于第t次迭代，计算残差rt-1和字典D中的所有原子做内积，找出内积最大值对应的原子以及对应的索引，即：
Figure FDA0003899347630000031
S323：更新索引集ωt和对应的重构原子集Ωt：
ωt＝[ωt-1,λt],
Figure FDA0003899347630000032
S324：采用最小二乘法计算信号y相对应重构原子集Ωt的稀疏系数αt，即：
Figure FDA0003899347630000033
S325：判断是否达到迭代终止条件，若达到迭代终止条件，则迭代终止并利用索引集ωt还原稀疏系数α；若未达到迭代终止条件，则令t＝t+1，直至迭代结束。
7.如权利要求6所述的基于K-SVD训练局部字典的高频超声稀疏去噪方法，其特征在于：所述利用稀疏系数矩阵α对字典D(J)中的原子依次更新，包括以下步骤：
S326：对于更新字典D(J)中的第m个原子dm,m＝1,2…,k，找出稀疏矩阵α的第m行向量
Figure FDA0003899347630000034
中不为0的索引wm，wm为：
Figure FDA0003899347630000035
S327：计算训练集的重构误差Em，即：
Figure FDA0003899347630000036
S328：从重构误差Em中取出对应索引集wm的列，构成
Figure FDA0003899347630000037
并对
Figure FDA0003899347630000038
进行奇异值分解，即：
Figure FDA0003899347630000039
S329：取U的第一列更新字典DJ的第m列，即dm＝U(:,1)，令
Figure FDA00038993476300000310
得到
Figure FDA00038993476300000311
后，对应索引wm将其更新到的向量
Figure FDA00038993476300000312
中。
8.基于K-SVD训练局部字典的高频超声稀疏去噪系统，其特征在于：包括：
采集模块，用于获取待测样品的高频超声检测信号；
信号处理模块，用于将获取的超声检测信号截取为长度为n的局部信号，组成数据集；
训练模块，用于利用数据集和K-SVD训练局部字典；
稀疏分解模块，用于利用训练好的局部字典对局部信号进行稀疏分解，得到稀疏系数矩阵；
局部重构模块，用于利用稀疏系数矩阵重构超声检测信号的所有局部信号；
全局重构模块，用于利用重构的所有局部信号和贝叶斯最大后验概率估计全局信号，重构全局高频超声检测信号，完成去噪；
所述全局重构模块用于执行以下步骤：
S61：结合高频超声检测信号的全局特征，信号的贝叶斯最大后验概率估计为：
Figure FDA0003899347630000041
其中，X为去噪后的高频超声信号，Y为含噪高频超声信号，Hi为第i个局部信号的位置矩阵，用来提取第i个局部信号，将X初始化为对应的噪声信号Y，即X＝Y，将贝叶斯最大后验概率估计解耦成多个简单的优化任务，即式：
Figure FDA0003899347630000042
S62：采用稀疏分解，计算得到所有稀疏系数
Figure FDA0003899347630000043
固定稀疏系数
Figure FDA0003899347630000044
带入贝叶斯最大后验概率估计，得到：
Figure FDA0003899347630000045
S63：利用二项式的求极值法可得到去噪后的全局高频超声检测信号，即：
Figure FDA0003899347630000046
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的基于K-SVD训练局部字典的高频超声稀疏去噪方法的步骤。
CN202110800782.7A 2021-07-15 2021-07-15 基于k-svd训练局部字典的高频超声稀疏去噪方法及系统 Active CN113449683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110800782.7A CN113449683B (zh) 2021-07-15 2021-07-15 基于k-svd训练局部字典的高频超声稀疏去噪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110800782.7A CN113449683B (zh) 2021-07-15 2021-07-15 基于k-svd训练局部字典的高频超声稀疏去噪方法及系统

Publications (2)

Publication Number Publication Date
CN113449683A CN113449683A (zh) 2021-09-28
CN113449683B true CN113449683B (zh) 2022-12-27

Family

ID=77816216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110800782.7A Active CN113449683B (zh) 2021-07-15 2021-07-15 基于k-svd训练局部字典的高频超声稀疏去噪方法及系统

Country Status (1)

Country Link
CN (1) CN113449683B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330455B (zh) * 2022-01-05 2022-10-11 哈尔滨工业大学 一种基于压缩感知的钢轨声发射信号快速高精度重构方法
CN115236206B (zh) * 2022-06-30 2023-06-20 江南大学 基于多路径匹配追踪算法改进的高频超声去噪方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049885A (zh) * 2012-12-08 2013-04-17 新疆公众信息产业股份有限公司 一种利用分析性稀疏表示的超分辨率图像重建方法
CN107818555A (zh) * 2017-10-27 2018-03-20 武汉大学 一种基于最大后验的多字典遥感图像时空融合方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106289508A (zh) * 2016-07-19 2017-01-04 西南交通大学 一种面向机械故障诊断的振动信号重构方法
US10133964B2 (en) * 2017-03-28 2018-11-20 Siemens Healthcare Gmbh Magnetic resonance image reconstruction system and method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049885A (zh) * 2012-12-08 2013-04-17 新疆公众信息产业股份有限公司 一种利用分析性稀疏表示的超分辨率图像重建方法
CN107818555A (zh) * 2017-10-27 2018-03-20 武汉大学 一种基于最大后验的多字典遥感图像时空融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进K-SVD 的磁共振图像去噪算法;蒋行国 等;《科技导报》;20140831;第32卷(第8期);第1-6页 *

Also Published As

Publication number Publication date
CN113449683A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN113449683B (zh) 基于k-svd训练局部字典的高频超声稀疏去噪方法及系统
CN105549016B (zh) 超声矩阵检验
CN110361778B (zh) 一种基于生成对抗网络的地震数据重建方法
CN106841402A (zh) 一种基于贪婪算法的相控阵超声信号重构优化方法
CN115236206B (zh) 基于多路径匹配追踪算法改进的高频超声去噪方法及系统
CN106814141A (zh) 一种基于正交匹配追踪的相控阵超声信号压缩方法
Soussen et al. Ultrasonic non destructive testing based on sparse deconvolution
Bai et al. Ultrasonic defect characterization using the scattering matrix: A performance comparison study of Bayesian inversion and machine learning schemas
CN112041699A (zh) 重建系统和方法
CN111353935A (zh) 基于深度学习的磁共振成像优化方法及其设备
CN115840879A (zh) 一种增材制造构件超声检测回波信号处理方法及系统
CN112861731B (zh) 一种基于参数寻优的超声信号去噪方法
Abdessalem et al. Resolution improvement of ultrasonic signals using sparse deconvolution and variational mode decomposition algorithms
CN110515063A (zh) 基于迭代平稳离散小波变换的水声信号处理方法和装置
Su et al. Sparse reconstruction for microdefect detection of two-dimensional ultrasound image based on blind estimation
Shpigler et al. Detection of overlapping ultrasonic echoes with deep neural networks
CN115563476A (zh) 一种机械故障冗余提升小波字典贝叶斯稀疏表示方法
CN112183297B (zh) 一种超声相控阵信号稀疏特征提取方法
CN115561310A (zh) 能够处理接地极缺陷回波信号中非随机相干噪声的方法
CN114487114A (zh) 基于全向性超声探头的检测方法及其装置、超声检测系统
Yang et al. Matching-pursuit-based adaptive wavelet-packet atomic decomposition applied in ultrasonic inspection
Chen et al. Signal de-noising in ultrasonic testing based on stationary wavelet transform
Zhang et al. Identification and Suppression of Multi-component Noise in Audio Magnetotelluric based on Convolutional Block Attention Module
Saniie et al. Machine Learning and Modeling of Ultrasonic Signals for High-Fidelity Data Compression
CN112784811B (zh) 一种全局最优超声信号去噪方法

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