CN115236206A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115236206A CN115236206A CN202210782948.1A CN202210782948A CN115236206A CN 115236206 A CN115236206 A CN 115236206A CN 202210782948 A CN202210782948 A CN 202210782948A CN 115236206 A CN115236206 A CN 115236206A
- Authority
- CN
- China
- Prior art keywords
- frequency ultrasonic
- atom
- signal
- detection signal
- ultrasonic detection
- 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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/32—Arrangements for suppressing undesired influences, e.g. temperature or pressure variations, compensating for signal noise
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/28—Details, e.g. general constructional or apparatus details providing acoustic coupling, e.g. water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4427—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with stored values, e.g. threshold values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/04—Wave modes and trajectories
- G01N2291/044—Internal reflections (echoes), e.g. on walls or defects
Abstract
本发明实施例提供一种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。该方法包括:获取待测样品的高频超声检测信号;根据所述高频超声检测信号构建离散过完备字典,并对所述离散过完备字典进行训练;利用训练好的字典,通过多路径匹配追踪算法重构所述高频超声检测信号并得到全局最优原子;对所述全局最优原子进行插值,构建连续原子库;在所述连续原子库中根据全局最优原子的参数,重构高频超声检测信号,完成信号去噪。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
技术领域
本发明属于信号处理技术领域,具体涉及一种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。
背景技术
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。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。
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。由于不同材质的声阻抗不同,超声在传播过程中会发生反射、折射、衍射等现象,反射信号的强度在材料非连续处会发生变化,所以通过对回波信号进行分析,可以实现缺陷的有效诊断。但在实际检测过程中,高频超声检测对象较微小,反射回波信号较微弱,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。
发明内容
本发明实施例提供一种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,用于解决现有技术中高频超声检测微小缺陷信号低信噪比、低检测精度问题。
本发明实施例提供一种基于多路径匹配追踪算法改进的高频超声去噪方法,该方法包括:
S1:获取待测样品的高频超声检测信号;
S2:根据所述高频超声检测信号构建离散过完备字典,并对所述离散过完备字典进行训练;
S3:利用训练好的字典,通过多路径匹配追踪算法重构所述高频超声检测信号并得到全局最优原子;
S4:对所述全局最优原子进行插值,构建连续原子库;
S5:在所述连续原子库中根据全局最优原子的参数,重构高频超声检测信号,完成信号去噪。
优选地,所述步骤S1中获取待测样品的高频超声检测信号的方法为:
将待测样品完全浸没在去离子水中,使用高频超声探头扫描待测样品,保存扫描过程中获取的高频超声检测信号;所述高频超声探头的焦平面设置在待测样品的底面。
优选地,所述步骤S2中根据所述高频超声检测信号构建离散过完备字典的方法为:
根据所述高频超声检测信号选择迭代参数,构建离散过完备字典。
优选地,所述迭代参数包括字典矩阵D∈RM×N,系数矩阵α∈Rk×M,索引集ωm,残差Em。
优选地,所述步骤S3中利用训练好的字典,通过多路径匹配追踪算法重构所述高频超声检测信号并得到全局最优原子具体包括以下步骤:
S31: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;
S32:对于第t次迭代,计算残差rt-1和字典矩阵D中的所有原子做内积,找出内积最大的G个对应的原子以及对应的索引,且根据每次迭代只保留n条路径,根据最优原子与残差的内积设置阈值,将入选原子与信号的内积小于阈值的剔除;
S33:更新索引集ωt和对应的重构原子集Ωt:
S34: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;
S35:判断是否达到迭代终止条件,若达到迭代终止条件,则迭代终止并利用所述索引集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;
S36:在所有路径中选择残差最小的进行输出,得到全局最优原子。
优选地,所述步骤S4中对所述全局最优原子进行插值,构建连续原子库具体包括以下步骤:
在所述全局最优原子频率附近利用极坐标插值,构建连续原子库,具体表示如下:
d(fa)=c(fn)+rcos(θ)u(fn)-rsin(θ)v(fn)
d(fb)=c(fn)+rcos(θ)u(fn)
d(fc)=c(fn)+rcos(θ)u(fn)+rsin(θ)v(fn)
其中,f表示频率,d(fn)表示从离散字典中选择的全局最优原子,c(fn)表示所述d(fa),d(fb),d(fc)构成连续原子库的圆心,u(fn)表示由圆心指向初始原子d(fb)的单位向量,v(fn)表示在圆弧平面上垂直于u(fn)的单位向量,r表示圆的半径,θ表示起点原子和初始原子之间的夹角。
优选地,所述步骤S5中在所述连续原子库中根据全局最优原子的参数,重构高频超声检测信号,完成信号去噪,具体包括以下步骤:
S51:根据所述原子库,则任意一个原子表示为:
其中,Δ表示构建连续原子库的大小,即在范围为Δ的区域内构建原子库;
S52:将原子幅值考虑在内,则任意一个原子表示为:
其中,a表示原子幅值;
S53:扩大选择区域:
αi≥0
βi 2+γi 2≤αi 2ri 2
αiricos(θ)≤βi≤αir
S54:通过求解任务获得最后信号Y:
S55:通过调整最后信号Y的参数,得到最终重构的信号可以表示为:
本发明实施例提供一种基于多路径匹配追踪算法改进的高频超声去噪系统,该系统包括:
采集模块,用于获取待测样品的高频超声检测信号;
构建字典模块,用于根据所述高频超声检测信号构建离散过完备字典,并对所述离散过完备字典进行训练;
稀疏重构模块,用于通过多路径匹配追踪算法重构所述高频超声检测信号并选取全局最优原子;
插值模块,用于对所述全局最优原子进行插值,构建连续原子库;
重构模块,用于在所述连续原子库中根据全局最优原子的参数,重构高频超声检测信号,完成信号去噪。
所述系统用以实现上述所述的一种基于多路径匹配追踪算法改进的高频超声去噪方法。
本发明实施例提供一种网络设备,该设备包括处理器、存储器和总线系统,所述处理器和存储器通过该总线系统相连,所述存储器用于存储指令,所述处理器用于执行存储器存储的指令,以实现上述所述的一种基于多路径匹配追踪算法改进的高频超声去噪方法。
本发明实施例提供一种计算机存储介质,所述计算机存储介质存储有计算机软件产品,所述计算机软件产品包括的若干指令,用以使得一台计算机设备执行上述所述的一种基于多路径匹配追踪算法改进的高频超声去噪方法。
与现有技术相比,本发明具有如下的有益效果:
本发明实施例提供一种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。本发明通过构建离散过完备字典,使用多路径匹配追踪算法提高了信号重构精度;通过多条路径选择全局最优路径,利用多路径匹配追踪算法挑选的全局最优原子,通过剪枝操作和阈值选择减少了路径选择,降低了计算量;然后在全局最优原子频率附近利用极坐标插值,构建连续原子库,通过调整全局最优原子的参数,消除信号与离散字典之间的误差。本发明提高了高频超声信号的信噪比,更有效的观察到微小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
为了更清楚地说明本发明实施案例或现有技术中的技术方案,下边将对实施例中所需要使用的附图做简单介绍,通过参考附图会更清楚的理解本发明的特征和优点,附图是示意性的而不应该理解为对本发明进行任何限制,对于本域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。其中:
图1是根据本发明实施例的一种基于多路径匹配追踪算法改进的高频超声去噪方法的流程图;
图2是本发明实施例中原始高频超声检测信号的波形图;
图3是本发明实施例中原始高频超声检测信号经去噪处理后的波形图;
图4是根据本发明实施例的一种基于多路径匹配追踪算法改进的高频超声去噪系统的示意图;
图5是根据本发明实施例的一种网络设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本发明实施例提供一种基于多路径匹配追踪算法改进的高频超声去噪方法,如图1所示,本实施例的方法包括:
S101:获取待测样品的高频超声检测信号;
S102:根据所述高频超声检测信号构建离散过完备字典,并对所述离散过完备字典进行训练;
S103:利用训练好的字典,通过多路径匹配追踪算法重构所述高频超声检测信号并得到全局最优原子;
S104:对所述全局最优原子进行插值,构建连续原子库;
S105:在所述连续原子库中根据全局最优原子的参数,重构高频超声检测信号,完成信号去噪。
本发明实施例提供一种基于多路径匹配追踪算法改进的高频超声去噪方法,本发明通过构建离散过完备字典,使用多路径匹配追踪算法提高了信号重构精度;通过多条路径选择全局最优路径,利用多路径匹配追踪算法挑选的全局最优原子,通过剪枝操作和阈值选择减少了路径选择,降低了计算量;然后在全局最优原子频率附近利用极坐标插值,构建连续原子库,通过调整全局最优原子的参数,消除信号与离散字典之间的误差。发明提高了高频超声信号的信噪比,更有效的观察到微小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。
进一步地,在步骤S101中对获取待测样品的高频超声检测信号的方法为:
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,使用高频超声探头扫描待测样品,保存扫描过程中获取的高频超声回波时域信号;所述高频超声探头的焦平面设置在待测样品的底面。
进一步地,在步骤S102中根据所述高频超声检测信号构建离散过完备字典的方法为:
根据所述高频超声回波时域信号选择迭代参数,使用Gabor原子,构建离散过完备字典。
所述迭代参数包括字典矩阵D∈RM×N,系数矩阵α∈Rk×M,索引集ωm,残差Em。
进一步地,在步骤S103中利用训练好的字典,通过加入剪枝操作和阈值选择的多路径匹配追踪算法重构所述高频超声检测信号并得到全局最优原子具体包括以下步骤:
S31: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;
S32:对于第t次迭代,计算残差rt-1和字典矩阵D中的所有原子做内积,找出内积最大的G个对应的原子以及对应的索引,且根据每次迭代只保留n条路径,根据最优原子与残差的内积设置阈值,将入选原子与信号的内积小于阈值的剔除;
S33:更新索引集ωt和对应的重构原子集Ωt:
S34: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;
S35:判断是否达到迭代终止条件,若达到迭代终止条件,则迭代终止并利用所述索引集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;
S36:在所有路径中选择残差最小的进行输出,得到全局最优原子。
进一步地,在步骤S104中对所述全局最优原子进行插值,构建连续原子库具体包括以下步骤:
在所述全局最优原子频率附近利用极坐标插值,构建连续原子库,具体表示如下:
d(fa)=c(fn)+rcos(θ)u(fn)-rsin(θ)v(fn)
d(fb)=c(fn)+rcos(θ)u(fn)
d(fc)=c(fn)+rcos(θ)u(fn)+rsin(θ)v(fn)
其中,f表示频率,d(fn)表示从离散字典中选择的全局最优原子,c(fn)表示所述d(fa),d(fb),d(fc)构成连续原子库的圆心,u(fn)表示由圆心指向初始原子d(fb)的单位向量,v(fn)表示在圆弧平面上垂直于u(fn)的单位向量,r表示圆的半径,θ表示起点原子和初始原子之间的夹角。
进一步地,在步骤S105中在所述连续原子库中根据全局最优原子的参数,重构高频超声检测信号,完成信号去噪具体包括以下步骤:
S51:根据所述原子库,则任意一个原子表示为:
其中,Δ表示构建连续原子库的大小,即在范围为Δ的区域内构建原子库;
S52:将原子幅值考虑在内,则任意一个原子表示为:
其中,a表示原子幅值;
S53:扩大选择区域:
αi≥0
βi 2+γi 2≤αi 2ri 2
αiricos(θ)≤βi≤αir
S54:通过求解任务获得最后信号:
S55:通过调整最后信号Y的参数,得到最终重构的信号可以表示为:
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550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明显。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
本发明实施例提供一种基于多路径匹配追踪算法改进的高频超声去噪系统,如图4所示,该系统包括:
采集模块401,用于获取待测样品的高频超声检测信号;
构建字典模块402,用于根据所述高频超声检测信号构建离散过完备字典,并对所述离散过完备字典进行训练;
稀疏重构模块403,用于通过多路径匹配追踪算法重构所述高频超声检测信号并得到全局最优原子;
插值模块404,用于对所述全局最优原子进行插值,构建连续原子库;
重构模块405,用于在所述连续原子库中根据全局最优原子的参数,重构高频超声检测信号,完成信号去噪。
所述系统,用以实现上述实施例一所述的一种基于多路径匹配追踪算法改进的高频超声去噪方法,为了避免冗余,在此不再赘述。
实施例三
本发明实施例提供一种网络设备,如图5所示,该设备包括处理器501、存储器502和总线系统503,所述处理器501和存储器502通过该总线系统503相连,所述存储器502用于存储指令,所述处理器501用于执行存储器502存储的指令。
应理解,在本发明实施例中,该处理器501可以是中央处理单元(CentralProcessing Unit,简称为“CPU”),该处理器501还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器502可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器502的一部分还可以包括非易失性随机存取存储器。例如,存储器502还可以存储设备类型的信息。
该总线系统503除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都标为总线系统503。
在实现过程中,上述的方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器502,处理器501读取存储器502中的信息,结合其硬件完成上述方法的各步骤。为避免重复,这里不再详细描述。
实施例四
本发明实施例提供一种计算机存储介质,所述计算机存储介质存储有计算机软件产品,所述计算机软件产品包括的若干指令,用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
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。
可以理解的是,在本申请实施例中涉及的各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围。
可以理解的是,在本发明的实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于多路径匹配追踪算法改进的高频超声去噪方法,其特征在于,包括:
S1:获取待测样品的高频超声检测信号;
S2:根据所述高频超声检测信号构建离散过完备字典,并对所述离散过完备字典进行训练;
S3:利用训练好的字典,通过多路径匹配追踪算法重构所述高频超声检测信号并得到全局最优原子;
S4:对所述全局最优原子进行插值,构建连续原子库;
S5:在所述连续原子库中根据全局最优原子的参数,重构高频超声检测信号,完成信号去噪。
2.根据权利要求1所述的一种基于多路径匹配追踪算法改进的高频超声去噪方法,其特征在于,所述步骤S1中获取待测样品的高频超声检测信号的方法为:
将待测样品完全浸没在去离子水中,使用高频超声探头扫描待测样品,保存扫描过程中获取的高频超声检测信号;所述高频超声探头的焦平面设置在待测样品的底面。
3.根据权利要求1所述的一种基于多路径匹配追踪算法改进的高频超声去噪方法,其特征在于,所述步骤S2中根据所述高频超声检测信号构建离散过完备字典的方法为:
根据所述高频超声检测信号选择迭代参数,构建离散过完备字典。
4.根据权利要求3所述的一种基于多路径匹配追踪算法改进的高频超声去噪方法,其特征在于,所述迭代参数包括字典矩阵D∈RM×N,系数矩阵α∈Rk×M,索引集ωm,残差Em。
5.根据权利要求1所述的一种基于多路径匹配追踪算法改进的高频超声去噪方法,其特征在于,所述步骤S3中利用训练好的字典,通过多路径匹配追踪算法重构所述高频超声检测信号并得到全局最优原子具体包括以下步骤:
S31: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;
S32:对于第t次迭代,计算残差rt-1和字典矩阵D中的所有原子做内积,找出内积最大的G个对应的原子以及对应的索引,且根据每次迭代只保留n条路径,根据最优原子与残差的内积设置阈值,将入选原子与信号的内积小于阈值的剔除;
S33:更新索引集ωt和对应的重构原子集Ωt:
S34:计算待处理信号y相对应重构原子集Ωt的稀疏系数αt;
S35:判断是否达到迭代终止条件,若达到迭代终止条件,则迭代终止并利用所述索引集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;
S36:在所有路径中选择残差最小的进行输出,得到全局最优原子。
6.根据权利要求1所述的一种基于多路径匹配追踪算法改进的高频超声去噪方法,其特征在于,所述步骤S4中对所述全局最优原子进行插值,构建连续原子库具体包括以下步骤:
在所述全局最优原子频率附近利用极坐标插值,构建连续原子库,具体表示如下:
d(fa)=c(fn)+rcos(θ)u(fn)-rsin(θ)v(fn)
d(fb)=c(fn)+rcos(θ)u(fn)
d(fc)=c(fn)+rcos(θ)u(fn)+rsin(θ)v(fn)
其中,f表示频率,d(fn)表示从离散字典中选择的全局最优原子,c(fn)表示所述d(fa),d(fb),d(fc)构成连续原子库的圆心,u(fn)表示由圆心指向初始原子d(fb)的单位向量,v(fn)表示在圆弧平面上垂直于u(fn)的单位向量,r表示圆的半径,θ表示起点原子和初始原子之间的夹角。
7.根据权利要求6所述的一种基于多路径匹配追踪算法改进的高频超声去噪方法,其特征在,所述步骤S5中在所述连续原子库中根据全局最优原子的参数,重构高频超声检测信号,完成信号去噪具体包括以下步骤:
S51:根据所述原子库,则任意一个原子表示为:
其中,Δ表示构建连续原子库的大小,即在范围为Δ的区域内构建原子库;
S52:将原子幅值考虑在内,则任意一个原子表示为:
其中,a表示原子幅值;
S53:扩大选择区域:
αi≥0
βi 2+γi 2≤αi 2ri 2
αiricos(θ)≤βi≤αir
S54:通过求解任务获得最后信号Y:
S55:通过调整最后信号Y的参数,得到最终重构的信号可以表示为:
8.一种基于多路径匹配追踪算法改进的高频超声去噪系统,其特征在于,
采集模块,用于获取待测样品的高频超声检测信号;
构建字典模块,用于根据所述高频超声检测信号构建离散过完备字典,并对所述离散过完备字典进行训练;
稀疏重构模块,用于通过多路径匹配追踪算法重构所述高频超声检测信号并得到全局最优原子;
插值模块,用于对所述全局最优原子进行插值,构建连续原子库;
重构模块,用于在所述连续原子库中根据全局最优原子的参数,重构高频超声检测信号,完成信号去噪。
9.一种网络设备,其特征在于,包括处理器、存储器和总线系统,所述处理器和存储器通过该总线系统相连,所述存储器用于存储指令,所述处理器用于执行存储器存储的指令,以实现权利要求1至7任意一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机软件产品,所述计算机软件产品包括的若干指令,用以使得一台计算机设备执行权利要求1至7任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210782948.1A CN115236206B (zh) | 2022-06-30 | 2022-06-30 | 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 |
PCT/CN2023/095645 WO2024001611A1 (zh) | 2022-06-30 | 2023-05-23 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210782948.1A CN115236206B (zh) | 2022-06-30 | 2022-06-30 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115236206A true CN115236206A (zh) | 2022-10-25 |
CN115236206B CN115236206B (zh) | 2023-06-20 |
Family
ID=83672063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210782948.1A Active CN115236206B (zh) | 2022-06-30 | 2022-06-30 | 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 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115236206B (zh) |
WO (1) | WO2024001611A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024001611A1 (zh) * | 2022-06-30 | 2024-01-04 | 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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176947A (zh) * | 2013-04-12 | 2013-06-26 | 哈尔滨工业大学 | 一种基于信号相关性的多通道信号去噪方法 |
US8863044B1 (en) * | 2013-09-06 | 2014-10-14 | International Business Machines Corporation | Layout assessment method and system |
CN106557449A (zh) * | 2015-09-24 | 2017-04-05 | 中国石油化工股份有限公司 | 基于匹配追踪的快速基函数分解方法和装置 |
CN109191399A (zh) * | 2018-08-29 | 2019-01-11 | 陕西师范大学 | 基于改进的多路径匹配追踪算法的磁共振图像去噪方法 |
CN109632973A (zh) * | 2018-12-26 | 2019-04-16 | 西安科技大学 | 一种基于多尺度匹配追踪的超声回波信号提取方法 |
CN111222289A (zh) * | 2020-01-10 | 2020-06-02 | 燕山大学 | 基于数据-模型驱动的k-svd的滚动轴承冲击性故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861731B (zh) * | 2021-02-09 | 2023-04-18 | 西安科技大学 | 一种基于参数寻优的超声信号去噪方法 |
CN113449683B (zh) * | 2021-07-15 | 2022-12-27 | 江南大学 | 基于k-svd训练局部字典的高频超声稀疏去噪方法及系统 |
CN114235970B (zh) * | 2021-12-20 | 2024-04-23 | 西安科技大学 | 一种自适应超声重叠回波分离方法 |
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 |
-
2022
- 2022-06-30 CN CN202210782948.1A patent/CN115236206B/zh active Active
-
2023
- 2023-05-23 WO PCT/CN2023/095645 patent/WO2024001611A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176947A (zh) * | 2013-04-12 | 2013-06-26 | 哈尔滨工业大学 | 一种基于信号相关性的多通道信号去噪方法 |
US8863044B1 (en) * | 2013-09-06 | 2014-10-14 | International Business Machines Corporation | Layout assessment method and system |
CN106557449A (zh) * | 2015-09-24 | 2017-04-05 | 中国石油化工股份有限公司 | 基于匹配追踪的快速基函数分解方法和装置 |
CN109191399A (zh) * | 2018-08-29 | 2019-01-11 | 陕西师范大学 | 基于改进的多路径匹配追踪算法的磁共振图像去噪方法 |
CN109632973A (zh) * | 2018-12-26 | 2019-04-16 | 西安科技大学 | 一种基于多尺度匹配追踪的超声回波信号提取方法 |
CN111222289A (zh) * | 2020-01-10 | 2020-06-02 | 燕山大学 | 基于数据-模型驱动的k-svd的滚动轴承冲击性故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
余晓男: "芯片微缺陷的高频超声检测机理与稀疏诊断方法研究" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024001611A1 (zh) * | 2022-06-30 | 2024-01-04 | 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 |
Also Published As
Publication number | Publication date |
---|---|
WO2024001611A1 (zh) | 2024-01-04 |
CN115236206B (zh) | 2023-06-20 |
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 | |
CN106841402A (zh) | 一种基于贪婪算法的相控阵超声信号重构优化方法 | |
CN107037136B (zh) | 一种管道换热污垢阵列式超声检测方法 | |
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 | |
Viola et al. | Time-domain optimized near-field estimator for ultrasound imaging: Initial development and results | |
Mei et al. | Visual geometry group-UNet: deep learning ultrasonic image reconstruction for curved parts | |
CN111915691A (zh) | 基于神经网络的图像处理系统、方法、终端、及介质 | |
Kvasnikov et al. | The use of geometrical acoustics for the solution of visualization problems | |
Bai et al. | Ultrasonic defect characterization using the scattering matrix: A performance comparison study of Bayesian inversion and machine learning schemas | |
Jin et al. | Sparse deconvolution method for ultrasound images based on automatic estimation of reference signals | |
CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
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 | |
CN115439408A (zh) | 一种金属表面缺陷检测方法、装置及存储介质 | |
CN109087246B (zh) | 一种基于稀疏重构的超声图像重构方法 | |
CN112861731B (zh) | 一种基于参数寻优的超声信号去噪方法 | |
Bevan et al. | Automated detection and characterisation of defects from multiview ultrasonic imaging | |
Su et al. | An improved orthogonal matching pursuit method for denoising high-frequency ultrasonic detection signals of flip chips | |
CN109363720B (zh) | 波形生成的方法和系统 | |
Wang et al. | A high-resolution minimum variance algorithm based on optimal frequency-domain segmentation | |
CN114998137A (zh) | 一种基于生成对抗网络的探地雷达图像杂波抑制方法 | |
CN114612434B (zh) | 一种波纹管表面缺陷检测方法及系统 | |
CN115100069A (zh) | 超声图像重建方法、系统、设备及介质 | |
Ashraf et al. | Improved CycleGAN for underwater ship engine audio translation | |
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 | |
Liu et al. | Sequential dynamic aperture focusing strategy for transmissive ultrasonic phase array tomography |
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 |