CN115358256A - 一种光谱信号处理方法及系统 - Google Patents

一种光谱信号处理方法及系统 Download PDF

Info

Publication number
CN115358256A
CN115358256A CN202210822186.3A CN202210822186A CN115358256A CN 115358256 A CN115358256 A CN 115358256A CN 202210822186 A CN202210822186 A CN 202210822186A CN 115358256 A CN115358256 A CN 115358256A
Authority
CN
China
Prior art keywords
pass filter
low
decomposition
frequency
coefficient
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.)
Pending
Application number
CN202210822186.3A
Other languages
English (en)
Inventor
郝文元
黄明洋
吴珂
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.)
Chongqing Chuanyi Automation Co Ltd
Original Assignee
Chongqing Chuanyi Automation Co Ltd
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 Chongqing Chuanyi Automation Co Ltd filed Critical Chongqing Chuanyi Automation Co Ltd
Priority to CN202210822186.3A priority Critical patent/CN115358256A/zh
Publication of CN115358256A publication Critical patent/CN115358256A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种光谱信号处理方法及系统，首先获取光谱数据、高频滤波器和低频滤波器；然后对高频滤波器和低频滤波器进行参数求解，获取与高频滤波器和低频滤波器关联的目标参数；再利用目标参数对光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数；再基于光谱数据的信号长度计算阈值，并利用计算出的阈值对高通滤波系数和低通滤波系数进行处理，得到高频系数和低频系数；最后根据高频系数和低频系数对光谱数据进行重构，以得到滤波后的光谱数据。本申请通过对光谱数据进行分解得到相应层级的小波系数，然后对小波系数进行处理，得到高频系数和低频系数后对光谱数据进行重构，从而达到对光谱数据多分辨率的滤波效果。

Description

一种光谱信号处理方法及系统
技术领域
本申请涉及信号处理技术领域，特别是涉及一种光谱信号处理方法及系统。
背景技术
在紫外可见光谱定量分析中，由于分光光度计内部的光学系统、光源、检测器、电子元器件，电路设计以及外部环境干扰等因素产生的随机噪声，严重影响光谱定量分析结果的准确性，为提高紫外可见光谱分析精度，需要对光谱数据进行去噪预处理。
发明内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种光谱信号处理方法及系统，用于解决现有技术中存在的技术问题。
为实现上述目的及其他相关目的，本申请提供一种光谱信号处理方法，所述方法包括以下步骤：
获取预先或实时采集的光谱数据、以及预先或实时选择的高频滤波器、低频滤波器；
对所述高频滤波器和所述低频滤波器进行参数求解，获取与所述高频滤波器和所述低频滤波器关联的目标参数；
利用所述目标参数对所述光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数；
基于所述光谱数据的信号长度计算阈值，并利用计算出的阈值对所述高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；
根据所述高频系数和所述低频系数对所述光谱数据进行重构，以得到滤波后的光谱数据。
可选地，对所述高频滤波器和所述低频滤波器进行参数求解，获取与所述高频滤波器和所述低频滤波器关联的目标参数的过程包括：
利用预先确定的目标算法，对分解低通滤波器、分解高通滤波器、重构低通滤波器和重构高通滤波器进行参数求解，并获取对应的目标参数，有：
Lo_D(z)＝h-2z2-h-1z1-h0z0+h1z-1+h2z-2+h3z-3；
Hi_D(z)＝-h3z2+h2z1-h1z0-h0z-1+h-1z-2+h-2z-3；
Lo_R(z)＝h3z2+h2z1+h1z0-h0z-1-h-1z-2+h-2z-3；
Hi_R(z)＝h-2z2+h-1z1-h0z0-h1z-1+h2z-2-h3z-3；
式中，Lo_D(z)表示分解低通滤波器；
Hi_D(z)表示分解高通滤波器；
Lo_R(z)表示重构低通滤波器；
Hi_R(z)表示重构高通滤波器；
z0表示正常采集所述光谱数据的周期；
z-3表示采集所述光谱数据时提前三个周期；
z-2表示采集所述光谱数据时提前两个周期；
z-3表示采集所述光谱数据时提前一个周期；
z1表示采集所述光谱数据时延迟一个周期；
z2表示采集所述光谱数据时延迟两个周期；
h-2、h-1、h0、h1、h2和h3表示目标参数；
其中，预设确定的目标算法包括离散小波变换算法。
可选地，利用所述目标参数对所述光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数的过程包括：
获取进行小波变换时的分解层数；
基于所述目标参数对所述光谱数据进行二抽取分解，得到第一个分解层的高通滤波系数和低通滤波系数；
将第一个分解层作为当前分解层，并将当前分解层的序号值与所述分解层数进行比对；
在当前分解层的序号值小于所述分解层数时，对当前分解层的低通滤波系数进行二抽取分解，得到下一分解层的高通滤波系数和低通滤波系数，并将所述下一分解层作为当前分解层，以及将当前分解层的序号值与所述分解层数进行比对，直至所述当前分解层的序号值等于所述分解层数；
在当前分解层的序号值等于所述分解层数时，输出每个分解层的高通滤波系数和最后一个分阶层的低通滤波系数。
可选地，若进行小波变换时的分解层数为3层，则获取高通滤波系数和低通滤波系数的过程包括：
将所述光谱数据记为S(i)，其中，i∈[1,2048]；
将所述光谱数据分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第一分解层的高通滤波系数a1,k1和低通滤波系数b1,k1；其中，
Figure BDA0003742667980000021
Figure BDA0003742667980000031
将第一分解层得到的低通滤波系数b1,k1分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第二分解层的高通滤波系数a2,k2和低通滤波系数b2,k2；其中，
Figure BDA0003742667980000032
将第二分解层得到的低通滤波系数b2,k2分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第三分解层的高通滤波系数a3,k3和低通滤波系数b3,k3；其中，a3,k3＝∑k1Hi_D(k2-2k3)b2,k2，b3,k3＝∑k1Lo_D(k2-2k3)b2,k2，k3∈[1,256]。
可选地，基于所述光谱数据的信号长度计算阈值，并利用计算出的阈值对所述高通滤波系数和低通滤波系数进行处理的过程包括：
基于所述光谱数据的信号长度计算阈值，有：
Figure BDA0003742667980000033
式中，T为阈值，N为信号长度，且N＝2048；σ为高通滤波系数和低通滤波系数的标准差，
Figure BDA0003742667980000034
为平均值；
获取预先或实时选择的阈值函数
Figure BDA00037426679800000316
并结合计算出的阈值对高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；其中，阈值函数
Figure BDA0003742667980000035
可选地，根据所述高频系数和所述低频系数对所述光谱数据进行重构的过程包括：
对第三分解层的低频系数
Figure BDA0003742667980000036
进行二插值处理，再分别通过高通滤波器和低通滤波器，重构得到第二分解层的低频系数
Figure BDA0003742667980000037
有：
Figure BDA0003742667980000038
对重构得到第二分解层的低频系数
Figure BDA0003742667980000039
进行二插值处理，再分别通过高通滤波器和低通滤波器，重构得到第一分解层的低频系数
Figure BDA00037426679800000310
有：
Figure BDA00037426679800000311
基于第一分解层的低频系数
Figure BDA00037426679800000312
和高频系数
Figure BDA00037426679800000313
对光谱数据进行重构，以得到滤波后的光谱数据
Figure BDA00037426679800000314
有：
Figure BDA00037426679800000315
本申请还提供一种光谱信号处理系统，所述系统包括有：
数据采集模块，用于获取预先或实时采集的光谱数据、以及预先或实时选择的高频滤波器、低频滤波器；
目标参数模块，用于对所述高频滤波器和所述低频滤波器进行参数求解，获取与所述高频滤波器和所述低频滤波器关联的目标参数；
数据分解模块，用于利用所述目标参数对所述光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数；
阈值处理模块，用于根据所述光谱数据的信号长度计算阈值，并利用计算出的阈值对所述高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；
重构模块，用于根据所述高频系数和所述低频系数对所述光谱数据进行重构，以得到滤波后的光谱数据。
可选地，所述目标参数模块对所述高频滤波器和所述低频滤波器进行参数求解，获取与所述高频滤波器和所述低频滤波器关联的目标参数的过程包括：
利用预先确定的目标算法，对分解低通滤波器、分解高通滤波器、重构低通滤波器和重构高通滤波器进行参数求解，并获取对应的目标参数，有：
Lo_D(z)＝h-2z2-h-1z1-h0z0+h1z-1+h2z-2+h3z-3；
Hi_D(z)＝-h3z2+h2z1-h1z0-h0z-1+h-1z-2+h-2z-3；
Lo_R(z)＝h3z2+h2z1+h1z0-h0z-1-h-1z-2+h-2z-3；
Hi_R(z)＝h-2z2+h-1z1-h0z0-h1z-1+h2z-2-h3z-3；
式中，Lo_D(z)表示分解低通滤波器；
Hi_D(z)表示分解高通滤波器；
Lo_R(z)表示重构低通滤波器；
Hi_R(z)表示重构高通滤波器；
z0表示正常采集所述光谱数据的周期；
z-3表示采集所述光谱数据时提前三个周期；
z-2表示采集所述光谱数据时提前两个周期；
z-3表示采集所述光谱数据时提前一个周期；
z1表示采集所述光谱数据时延迟一个周期；
z2表示采集所述光谱数据时延迟两个周期；
h-2、h-1、h0、h1、h2和h3表示目标参数；
其中，预设确定的目标算法包括离散小波变换算法。
可选地，所述数据分解模块利用所述目标参数对所述光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数的过程包括：
获取进行小波变换时的分解层数；
基于所述目标参数对所述光谱数据进行二抽取分解，得到第一个分解层的高通滤波系数和低通滤波系数；
将第一个分解层作为当前分解层，并将当前分解层的序号值与所述分解层数进行比对；
在当前分解层的序号值小于所述分解层数时，对当前分解层的低通滤波系数进行二抽取分解，得到下一分解层的高通滤波系数和低通滤波系数，并将所述下一分解层作为当前分解层，以及将当前分解层的序号值与所述分解层数进行比对，直至所述当前分解层的序号值等于所述分解层数；
在当前分解层的序号值等于所述分解层数时，输出每个分解层的高通滤波系数和最后一个分阶层的低通滤波系数。
可选地，所述重构模块根据所述高频系数和所述低频系数对所述光谱数据进行重构的过程包括：
对第三分解层的低频系数
Figure BDA0003742667980000051
进行二插值处理，再分别通过高通滤波器和低通滤波器，重构得到第二分解层的低频系数
Figure BDA0003742667980000052
有：
Figure BDA0003742667980000053
对重构得到第二分解层的低频系数
Figure BDA0003742667980000054
进行二插值处理，再分别通过高通滤波器和低通滤波器，重构得到第一分解层的低频系数
Figure BDA0003742667980000055
有：
Figure BDA0003742667980000056
基于第一分解层的低频系数
Figure BDA0003742667980000057
和高频系数
Figure BDA0003742667980000058
对光谱数据进行重构，以得到滤波后的光谱数据
Figure BDA0003742667980000059
有：
Figure BDA00037426679800000510
其中，
Figure BDA00037426679800000511
表示第一分阶层的高频系数；
Figure BDA00037426679800000512
表示第二分解层的高频系数；
Figure BDA0003742667980000061
表示第三分解层的高频系数。
可选地，若进行小波变换时的分解层数为3层，则获取高通滤波系数和低通滤波系数的过程包括：
将所述光谱数据记为S(i)，其中，i∈[1,2048]；
将所述光谱数据分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第一分解层的高通滤波系数a1,k1和低通滤波系数b1,k1；其中，
Figure BDA0003742667980000062
Figure BDA0003742667980000063
将第一分解层得到的低通滤波系数b1,k1分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第二分解层的高通滤波系数a2,k2和低通滤波系数b2,k2；其中，
Figure BDA0003742667980000064
将第二分解层得到的低通滤波系数b2,k2分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第三分解层的高通滤波系数a3,k3和低通滤波系数b3,k3；其中，a3,k3＝∑k1Hi_D(k2-2k3)b2,k2，b3,k3＝∑k1Lo_D(k2-2k3)b2,k2，k3∈[1,256]。
可选地，阈值处理模块根据所述光谱数据的信号长度计算阈值，并利用计算出的阈值对所述高通滤波系数和低通滤波系数进行处理的过程包括：
基于所述光谱数据的信号长度计算阈值，有：
Figure BDA0003742667980000065
式中，T为阈值，N为信号长度，且N＝2048；σ为高通滤波系数和低通滤波系数的标准差，
Figure BDA0003742667980000066
为平均值；
获取预先或实时选择的阈值函数
Figure BDA0003742667980000067
并结合计算出的阈值对高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；其中，阈值函数
Figure BDA0003742667980000068
如上所述，本申请提供一种光谱信号处理方法及系统，具有以下有益效果：本申请首先获取预先或实时采集的光谱数据、以及预先或实时选择的高频滤波器、低频滤波器；然后对高频滤波器和低频滤波器进行参数求解，获取与高频滤波器和低频滤波器关联的目标参数；再利用目标参数对光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数；再基于光谱数据的信号长度计算阈值，并利用计算出的阈值对高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；最后根据高频系数和低频系数对光谱数据进行重构，以得到滤波后的光谱数据。本申请首先根据离散小波变换Mallat算法，求取对应的高频滤波器、低频滤波器参数，同时利用对应的高频滤波器和低频滤波器参数对光谱数据进行分解，从而得到相应层级的小波系数，然后根据阈值滤波原理，对小波系数进行处理，得到高频系数和低频系数，最后利用高频系数和低频系数对光谱数据进行重构，从而达到对光谱数据多分辨率的滤波效果。
附图说明
图1为本申请中一实施例提供的光谱信号处理方法的流程示意图；
图2为本申请中一实施例提供的进行数据分解的示意图；
图3为本申请中一实施例提供的进行数据重构的示意图；
图4为本申请中另一实施例提供的光谱信号处理方法的流程示意图；
图5为本申请中一实施利提供的光谱信号处理系统的硬件结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
Mallat算法：是由S.Mallat和Y.Meyer在前人大量工作的基础上于1986年提出的，从空间的概念上形象说明了小波的多分辨率特性，随着尺度由大到小变化，在各尺度上可以由粗到细的观察图像的不同特征的一种算法。
请参阅图1所示，本实施例提供一种光谱信号处理方法，所述方法包括以下步骤：
S110，获取预先或实时采集的光谱数据、以及预先或实时选择的高频滤波器、低频滤波器；
S120，对所述高频滤波器和所述低频滤波器进行参数求解，获取与所述高频滤波器和所述低频滤波器关联的目标参数；
S130，利用所述目标参数对所述光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数；
S140，基于所述光谱数据的信号长度计算阈值，并利用计算出的阈值对所述高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；
S150，根据所述高频系数和所述低频系数对所述光谱数据进行重构，以得到滤波后的光谱数据。
由此可知，本实施例首先根据离散小波变换Mallat算法，求取对应的高频滤波器、低频滤波器参数，同时利用对应的高频滤波器和低频滤波器参数对光谱数据进行分解，从而得到相应层级的小波系数，然后根据阈值滤波原理，对小波系数进行处理，得到高频系数和低频系数，最后利用高频系数和低频系数对光谱数据进行重构，从而达到对光谱数据多分辨率的滤波效果。
根据上述记载，在一示例性实施例中，步骤S120对所述高频滤波器和所述低频滤波器进行参数求解，获取与所述高频滤波器和所述低频滤波器关联的目标参数的过程包括：
利用预先确定的目标算法，对分解低通滤波器、分解高通滤波器、重构低通滤波器和重构高通滤波器进行参数求解，并获取对应的目标参数，有：
Lo_D(z)＝h-2z2-h-1z1-h0z0+h1z-1+h2z-2+h3z-3；
Hi_D(z)＝-h3z2+h2z1-h1z0-h0z-1+h-1z-2+h-2z-3；
Lo_R(z)＝h3z2+h2z1+h1z0-h0z-1-h-1z-2+h-2z-3；
Hi_R(z)＝h-2z2+h-1z1-h0z0-h1z-1+h2z-2-h3z-3；
式中，Lo_D(z)表示分解低通滤波器，Hi_D(z)表示分解高通滤波器，Lo_R(z)表示重构低通滤波器，Hi_R(z)表示重构高通滤波器，z0表示正常采集所述光谱数据的周期，z-3表示采集所述光谱数据时提前三个周期，z-2表示采集所述光谱数据时提前两个周期，z-3表示采集所述光谱数据时提前一个周期，z1表示采集所述光谱数据时延迟一个周期，z2表示采集所述光谱数据时延迟两个周期，h-2、h-1、h0、h1、h2和h3表示目标参数，其中，预设确定的目标算法包括离散小波变换算法。
作为示例，本实施例首先选取合适的小波基函数，然后根据离散小波变换Mallat算法，对高频滤波器和低频滤波器的相关参数进行求解。具体的求解过程如下：
首先，根据光谱信号数据特点，选取小波基函数为“db4”小波；
然后，根据离散小波变换Mallat算法，对相应的高低频滤波器参数进行求解，分别求得：
分解低通滤波器为：Lo_D(z)＝h-2z2-h-1z1-h0z0+h1z-1+h2z-2+h3z-3；
分解高通滤波器为：Hi_D(z)＝-h3z2+h2z1-h1z0-h0z-1+h-1z-2+h-2z-3；
重构低通滤波器为：Lo_R(z)＝h3z2+h2z1+h1z0-h0z-1-h-1z-2+h-2z-3；
重构高通滤波器为：Hi_R(z)＝h-2z2+h-1z1-h0z0-h1z-1+h2z-2-h3z-3；
其中，h-2＝0.0352，h-1＝0.0854，h0＝0.1350，h1＝0.4599，h2＝0.8069，h3＝0.3327。
根据上述记载，在一示例性实施例中，步骤S130利用所述目标参数对所述光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数的过程包括：
获取进行小波变换时的分解层数；
基于所述目标参数对所述光谱数据进行二抽取分解，得到第一个分解层的高通滤波系数和低通滤波系数；
将第一个分解层作为当前分解层，并将当前分解层的序号值与所述分解层数进行比对；
在当前分解层的序号值小于所述分解层数时，对当前分解层的低通滤波系数进行二抽取分解，得到下一分解层的高通滤波系数和低通滤波系数，并将所述下一分解层作为当前分解层，以及将当前分解层的序号值与所述分解层数进行比对，直至所述当前分解层的序号值等于所述分解层数；
在当前分解层的序号值等于所述分解层数时，输出每个分解层的高通滤波系数和最后一个分阶层的低通滤波系数。
作为示例，若进行小波变换时的分解层数为3层，则获取高通滤波系数和低通滤波系数的过程包括：基于所述目标参数对所述光谱数据进行二抽取分解，得到分解1层的高通滤波系数和低通滤波系数；将分解1层作为当前分解层，并将当前分解层的序号值1与分解层数3进行比对；由于当前分解层的序号值1小于分解层数3，则对当前分解层的低通滤波系数进行二抽取分解，得到分解2层的高通滤波系数和低通滤波系数。再将分解2层作为当前分解层，将当前分解层的序号值2与分解层数3进行比对，由于当前分解层的序号值2小于分解层数3，则对当前分解层的低通滤波系数进行二抽取分解，得到分解3层的高通滤波系数和低通滤波系数。再将分解3层作为当前分解层，将当前分解层的序号值3与分解层数3进行比对，由于当前分解层的序号值3等于分解层数3，此时输出分解1层的高通滤波系数、分解2层的高通滤波系数、分解3层的高通滤波系数以及分解3层的低通滤波系数。
具体地，如图2所示，若进行小波变换时的分解层数为3层，则获取高通滤波系数和低通滤波系数的过程包括：
将所述光谱数据记为S(i)，其中，i∈[1,2048]；
将所述光谱数据分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第一分解层的高通滤波系数a1,k1和低通滤波系数b1,k1；其中，
Figure BDA0003742667980000101
Figure BDA0003742667980000102
将第一分解层得到的低通滤波系数b1,k1分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第二分解层的高通滤波系数a2,k2和低通滤波系数b2,k2；其中，
Figure BDA0003742667980000103
将第二分解层得到的低通滤波系数b2,k2分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第三分解层的高通滤波系数a3,k3和低通滤波系数b3,k3；其中，a3,k3＝∑k1Hi_D(k2-2k3)b2,k2，b3,k3＝∑k1Lo_D(k2-2k3)b2,k2，k3∈[1,256]。
根据上述记载，在一示例性实施例中，步骤S140基于所述光谱数据的信号长度计算阈值，并利用计算出的阈值对所述高通滤波系数和低通滤波系数进行处理的过程包括：
基于所述光谱数据的信号长度计算阈值，有：
Figure BDA0003742667980000104
式中，T为阈值，N为信号长度，且N＝2048；σ为高通滤波系数和低通滤波系数的标准差，
Figure BDA0003742667980000105
为平均值；
获取预先或实时选择的阈值函数
Figure BDA0003742667980000106
并结合计算出的阈值对高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；其中，阈值函数
Figure BDA0003742667980000107
作为示例，具体地，首先，选用通用阈值来进行计算：
Figure BDA0003742667980000108
其中N为信号长度，即N＝2048，σ为小波系数的标准差，
Figure BDA0003742667980000109
为平均值；
其次，选用硬阈值函数，即
Figure BDA00037426679800001010
最后，利用所选用的阈值及阈值函数对求得的各分解层的滤波系数进行处理，处理后的系数分别为
Figure BDA00037426679800001011
根据上述记载，在一示例性实施例中，如图3所示，步骤S150根据所述高频系数和所述低频系数对所述光谱数据进行重构的过程包括：
对第三分解层的低频系数
Figure BDA0003742667980000111
进行二插值处理，再分别通过高通滤波器和低通滤波器，重构得到第二分解层的低频系数
Figure BDA0003742667980000112
有：
Figure BDA0003742667980000113
对重构得到第二分解层的低频系数
Figure BDA0003742667980000114
进行二插值处理，再分别通过高通滤波器和低通滤波器，重构得到第一分解层的低频系数
Figure BDA0003742667980000115
有：
Figure BDA0003742667980000116
基于第一分解层的低频系数
Figure BDA0003742667980000117
和高频系数
Figure BDA0003742667980000118
对光谱数据进行重构，以得到滤波后的光谱数据
Figure BDA0003742667980000119
有：
Figure BDA00037426679800001110
如图4所示，在另一示例性实施例中，该实施例提供一种光谱信号处理方法，包括以下步骤：
步骤一：对光谱数据进行采集；
步骤二：选取合适的小波基函数，并根据离散小波变换Mallat算法，对高频滤波器、低频滤波器相关参数进行求解；
步骤三：利用求得的参数对光谱数据进行分解，并求得相应层级的小波系数；
步骤四：根据阈值滤波原理对所求得的小波系数进行处理；
步骤五：利用处理后的高低频系数进行光谱数据的重构，从而对光谱数据完成滤波。
具体的实施过程如下：
在步骤一中，对光谱数据进行采集时，将光谱信号记录为S(i)，i∈[1,2048]。
在步骤二中，先选取合适的小波基函数，然后根据离散小波变换Mallat算法，对高低频滤波器相关参数进行求解，具体求解方法和步骤为：
首先，根据光谱信号数据特点，选取小波基函数为“db4”小波；
然后，根据离散小波变换Mallat算法，对相应的高低频滤波器参数进行求解，分别求得：
分解低通滤波器为：Lo_D(z)＝h-2z2-h-1z1-h0z0+h1z-1+h2z-2+h3z-3；
分解高通滤波器为：Hi_D(z)＝-h3z2+h2z1-h1z0-h0z-1+h-1z-2+h-2z-3；
重构低通滤波器为：Lo_R(z)＝h3z2+h2z1+h1z0-h0z-1-h-1z-2+h-2z-3；
重构高通滤波器为：Hi_R(z)＝h-2z2+h-1z1-h0z0-h1z-1+h2z-2-h3z-3；
其中，h-2＝0.0352，h-1＝0.0854，h0＝0.1350，h1＝0.4599，h2＝0.8069，h3＝0.3327。
在步骤三中，利用离散小波变换Mallat算法所求得的参数对光谱数据进行分解并求得相应层级的小波系数的方法和步骤为：
首先，设小波变换的分解层数为3；
然后，根据Mallat算法，光谱数据分别通过分解高通滤波器和分解低通滤波器，并经过二抽取操作，得到分解1层的高通滤波系数a1,k1和低通滤波系数b1,k1，其中，
Figure BDA0003742667980000121
同时，根据分解算法，将分解1层得到的低通滤波系数b1,k1分别通过分解高通滤波器和分解低通滤波器，并经过二抽取操作，可以得到分解2层的高通滤波系数a2,k2和低通滤波系数b2,k2，其中，
Figure BDA0003742667980000122
同时，根据分解算法，将分解2层得到的低通滤波系数b2,k2分别通过分解高通滤波器和分解低通滤波器，并经过二抽取操作，可分别得到分解3层的高通滤波系数a3,k3和低通滤波系数b3,k3，其中k3∈[1,256]。
在步骤四中，根据阈值滤波原理对所求得的小波系数进行处理的方法和步骤为：
首先，选用通用阈值T来进行计算：
Figure BDA0003742667980000123
其中N为信号长度，即N＝2048，σ为小波系数的标准差，
Figure BDA0003742667980000124
为平均值。
其次，选用硬阈值函数，即
Figure BDA0003742667980000125
然后，利用所选用的阈值及阈值函数对求得的各分解层的滤波系数进行处理，处理后的系数分别为
Figure BDA0003742667980000126
在步骤五中，利用处理后的高低频系数根据Mallat重构算法原理进行光谱数据的重构，从而完成滤波功能的方法和步骤为：
首先，利用所求得的第3层高低频系数，先分别进行二插值处理，再分别通过重构高低频滤波器，从而得到第2级的低频系数，即：
Figure BDA0003742667980000131
然后，通过以上方法，可得到第1层小波重构的低频系数，即：
Figure BDA0003742667980000132
最后，通过重构，可得到滤波后的光谱数据为：
Figure BDA0003742667980000133
由此可知，本实施例提供一种基于离散小波变换的光谱信号处理方案，由于小波分析具有多分辨率，低嫡性、去相关性等特点，本实施例根据离散小波变换Mallat算法，求取所选小波基函数对应的高低频滤波器参数，同时利用所构造的滤波器对光谱信号进行分解，从而得到相应层级的小波系数，然后根据阈值滤波原理，对所求得的高低频系数进行处理，最后利用处理后的小波系数进行光谱数据的重构，从而达到对光谱数据多分辨率的滤波效果。
综上所述，本申请提供一种光谱信号处理方法，首先获取预先或实时采集的光谱数据、以及预先或实时选择的高频滤波器、低频滤波器；然后对高频滤波器和低频滤波器进行参数求解，获取与高频滤波器和低频滤波器关联的目标参数；再利用目标参数对光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数；再基于光谱数据的信号长度计算阈值，并利用计算出的阈值对高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；最后根据高频系数和低频系数对光谱数据进行重构，以得到滤波后的光谱数据。本方法首先根据离散小波变换Mallat算法，求取对应的高频滤波器、低频滤波器参数，同时利用对应的高频滤波器和低频滤波器参数对光谱数据进行分解，从而得到相应层级的小波系数，然后根据阈值滤波原理，对小波系数进行处理，得到高频系数和低频系数，最后利用高频系数和低频系数对光谱数据进行重构，从而达到对光谱数据多分辨率的滤波效果。
如图5所示，本申请还提供一种光谱信号处理系统，所述系统包括有：
数据采集模块510，用于获取预先或实时采集的光谱数据、以及预先或实时选择的高频滤波器、低频滤波器；
目标参数模块520，用于对所述高频滤波器和所述低频滤波器进行参数求解，获取与所述高频滤波器和所述低频滤波器关联的目标参数；
数据分解模块530，用于利用所述目标参数对所述光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数；
阈值处理模块540，用于根据所述光谱数据的信号长度计算阈值，并利用计算出的阈值对所述高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；
重构模块550，用于根据所述高频系数和所述低频系数对所述光谱数据进行重构，以得到滤波后的光谱数据。
由此可知，本实施例首先根据离散小波变换Mallat算法，求取对应的高频滤波器、低频滤波器参数，同时利用对应的高频滤波器和低频滤波器参数对光谱数据进行分解，从而得到相应层级的小波系数，然后根据阈值滤波原理，对小波系数进行处理，得到高频系数和低频系数，最后利用高频系数和低频系数对光谱数据进行重构，从而达到对光谱数据多分辨率的滤波效果。
根据上述记载，在一示例性实施例中，目标参数模块520对所述高频滤波器和所述低频滤波器进行参数求解，获取与所述高频滤波器和所述低频滤波器关联的目标参数的过程包括：
利用预先确定的目标算法，对分解低通滤波器、分解高通滤波器、重构低通滤波器和重构高通滤波器进行参数求解，并获取对应的目标参数，有：
Lo_D(z)＝h-2z2-h-1z1-h0z0+h1z-1+h2z-2+h3z-3；
Hi_D(z)＝-h3z2+h2z1-h1z0-h0z-1+h-1z-2+h-2z-3；
Lo_R(z)＝h3z2+h2z1+h1z0-h0z-1-h-1z-2+h-2z-3；
Hi_R(z)＝h-2z2+h-1z1-h0z0-h1z-1+h2z-2-h3z-3；
式中，Lo_D(z)表示分解低通滤波器，Hi_D(z)表示分解高通滤波器，Lo_R(z)表示重构低通滤波器，Hi_R(z)表示重构高通滤波器，z0表示正常采集所述光谱数据的周期，z-3表示采集所述光谱数据时提前三个周期，z-2表示采集所述光谱数据时提前两个周期，z-3表示采集所述光谱数据时提前一个周期，z1表示采集所述光谱数据时延迟一个周期，z2表示采集所述光谱数据时延迟两个周期，h-2、h-1、h0、h1、h2和h3表示目标参数，其中，预设确定的目标算法包括离散小波变换算法。
作为示例，本实施例首先选取合适的小波基函数，然后根据离散小波变换Mallat算法，对高频滤波器和低频滤波器的相关参数进行求解。具体的求解过程如下：
首先，根据光谱信号数据特点，选取小波基函数为“db4”小波；
然后，根据离散小波变换Mallat算法，对相应的高低频滤波器参数进行求解，分别求得：
分解低通滤波器为：Lo_D(z)＝h-2z2-h-1z1-h0z0+h1z-1+h2z-2+h3z-3；
分解高通滤波器为：Hi_D(z)＝-h3z2+h2z1-h1z0-h0z-1+h-1z-2+h-2z-3；
重构低通滤波器为：Lo_R(z)＝h3z2+h2z1+h1z0-h0z-1-h-1z-2+h-2z-3；
重构高通滤波器为：Hi_R(z)＝h-2z2+h-1z1-h0z0-h1z-1+h2z-2-h3z-3；
其中，h-2＝0.0352，h-1＝0.0854，h0＝0.1350，h1＝0.4599，h2＝0.8069，h3＝0.3327。
根据上述记载，在一示例性实施例中，数据分解模块530利用所述目标参数对所述光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数的过程包括：
获取进行小波变换时的分解层数；
基于所述目标参数对所述光谱数据进行二抽取分解，得到第一个分解层的高通滤波系数和低通滤波系数；
将第一个分解层作为当前分解层，并将当前分解层的序号值与所述分解层数进行比对；
在当前分解层的序号值小于所述分解层数时，对当前分解层的低通滤波系数进行二抽取分解，得到下一分解层的高通滤波系数和低通滤波系数，并将所述下一分解层作为当前分解层，以及将当前分解层的序号值与所述分解层数进行比对，直至所述当前分解层的序号值等于所述分解层数；
在当前分解层的序号值等于所述分解层数时，输出每个分解层的高通滤波系数和最后一个分阶层的低通滤波系数。
作为示例，若进行小波变换时的分解层数为3层，则获取高通滤波系数和低通滤波系数的过程包括：基于所述目标参数对所述光谱数据进行二抽取分解，得到分解1层的高通滤波系数和低通滤波系数；将分解1层作为当前分解层，并将当前分解层的序号值1与分解层数3进行比对；由于当前分解层的序号值1小于分解层数3，则对当前分解层的低通滤波系数进行二抽取分解，得到分解2层的高通滤波系数和低通滤波系数。再将分解2层作为当前分解层，将当前分解层的序号值2与分解层数3进行比对，由于当前分解层的序号值2小于分解层数3，则对当前分解层的低通滤波系数进行二抽取分解，得到分解3层的高通滤波系数和低通滤波系数。再将分解3层作为当前分解层，将当前分解层的序号值3与分解层数3进行比对，由于当前分解层的序号值3等于分解层数3，此时输出分解1层的高通滤波系数、分解2层的高通滤波系数、分解3层的高通滤波系数以及分解3层的低通滤波系数。
具体地，如图2所示，若进行小波变换时的分解层数为3层，则获取高通滤波系数和低通滤波系数的过程包括：
将所述光谱数据记为S(i)，其中，i∈[1,2048]；
将所述光谱数据分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第一分解层的高通滤波系数a1,k1和低通滤波系数b1,k1；其中，
Figure BDA0003742667980000161
Figure BDA0003742667980000162
将第一分解层得到的低通滤波系数b1,k1分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第二分解层的高通滤波系数a2,k2和低通滤波系数b2,k2；其中，
Figure BDA0003742667980000163
将第二分解层得到的低通滤波系数b2,k2分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第三分解层的高通滤波系数a3,k3和低通滤波系数b3,k3；其中，a3,k3＝∑k1Hi_D(k2-2k3)b2,k2，b3,k3＝∑k1Lo_D(k2-2k3)b2,k2，k3∈[1,256]。
根据上述记载，在一示例性实施例中，阈值处理模块540基于所述光谱数据的信号长度计算阈值，并利用计算出的阈值对所述高通滤波系数和低通滤波系数进行处理的过程包括：
基于所述光谱数据的信号长度计算阈值，有：
Figure BDA0003742667980000164
式中，T为阈值，N为信号长度，且N＝2048；σ为高通滤波系数和低通滤波系数的标准差，
Figure BDA0003742667980000165
为平均值；
获取预先或实时选择的阈值函数
Figure BDA0003742667980000166
并结合计算出的阈值对高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；其中，阈值函数
Figure BDA0003742667980000167
作为示例，具体地，首先，选用通用阈值来进行计算：
Figure BDA0003742667980000168
其中N为信号长度，即N＝2048，σ为小波系数的标准差，
Figure BDA0003742667980000169
为平均值；
其次，选用硬阈值函数，即
Figure BDA00037426679800001610
最后，利用所选用的阈值及阈值函数对求得的各分解层的滤波系数进行处理，处理后的系数分别为
Figure BDA00037426679800001611
根据上述记载，在一示例性实施例中，如图3所示，重构模块550根据所述高频系数和所述低频系数对所述光谱数据进行重构的过程包括：
对第三分解层的低频系数
Figure BDA0003742667980000171
进行二插值处理，再分别通过高通滤波器和低通滤波器，重构得到第二分解层的低频系数
Figure BDA0003742667980000172
有：
Figure BDA0003742667980000173
对重构得到第二分解层的低频系数
Figure BDA0003742667980000174
进行二插值处理，再分别通过高通滤波器和低通滤波器，重构得到第一分解层的低频系数
Figure BDA0003742667980000175
有：
Figure BDA0003742667980000176
基于第一分解层的低频系数
Figure BDA0003742667980000177
和高频系数
Figure BDA0003742667980000178
对光谱数据进行重构，以得到滤波后的光谱数据
Figure BDA0003742667980000179
有：
Figure BDA00037426679800001710
在另一示例性实施例中，该实施例提供一种光谱信号处理系统，用于执行以下步骤：
步骤一：对光谱数据进行采集；
步骤二：选取合适的小波基函数，并根据离散小波变换Mallat算法，对高频滤波器、低频滤波器相关参数进行求解；
步骤三：利用求得的参数对光谱数据进行分解，并求得相应层级的小波系数；
步骤四：根据阈值滤波原理对所求得的小波系数进行处理；
步骤五：利用处理后的高低频系数进行光谱数据的重构，从而对光谱数据完成滤波。
具体的实施过程如下：
在步骤一中，对光谱数据进行采集时，将光谱信号记录为S(i)，i∈[1,2048]。
在步骤二中，先选取合适的小波基函数，然后根据离散小波变换Mallat算法，对高低频滤波器相关参数进行求解，具体求解方法和步骤为：
首先，根据光谱信号数据特点，选取小波基函数为“db4”小波；
然后，根据离散小波变换Mallat算法，对相应的高低频滤波器参数进行求解，分别求得：
分解低通滤波器为：Lo_D(z)＝h-2z2-h-1z1-h0z0+h1z-1+h2z-2+h3z-3；
分解高通滤波器为：Hi_D(z)＝-h3z2+h2z1-h1z0-h0z-1+h-1z-2+h-2z-3；
重构低通滤波器为：Lo_R(z)＝h3z2+h2z1+h1z0-h0z-1-h-1z-2+h-2z-3；
重构高通滤波器为：Hi_R(z)＝h-2z2+h-1z1-h0z0-h1z-1+h2z-2-h3z-3；
其中，h-2＝0.0352，h-1＝0.0854，h0＝0.1350，h1＝0.4599，h2＝0.8069，h3＝0.3327。
在步骤三中，利用离散小波变换Mallat算法所求得的参数对光谱数据进行分解并求得相应层级的小波系数的方法和步骤为：
首先，设小波变换的分解层数为3；
然后，根据Mallat算法，光谱数据分别通过分解高通滤波器和分解低通滤波器，并经过二抽取操作，得到分解1层的高通滤波系数a1,k1和低通滤波系数b1,k1，其中，
Figure BDA0003742667980000181
同时，根据分解算法，将分解1层得到的低通滤波系数b1,k1分别通过分解高通滤波器和分解低通滤波器，并经过二抽取操作，可以得到分解2层的高通滤波系数a2,k2和低通滤波系数b2,k2，其中，
Figure BDA0003742667980000182
同时，根据分解算法，将分解2层得到的低通滤波系数b2,k2分别通过分解高通滤波器和分解低通滤波器，并经过二抽取操作，可分别得到分解3层的高通滤波系数a3,k3和低通滤波系数b3,k3，其中k3∈[1,256]。
在步骤四中，根据阈值滤波原理对所求得的小波系数进行处理的方法和步骤为：
首先，选用通用阈值T来进行计算：
Figure BDA0003742667980000183
其中N为信号长度，即N＝2048，σ为小波系数的标准差，
Figure BDA0003742667980000184
为平均值。
其次，选用硬阈值函数，即
Figure BDA0003742667980000185
然后，利用所选用的阈值及阈值函数对求得的各分解层的滤波系数进行处理，处理后的系数分别为
Figure BDA0003742667980000186
在步骤五中，利用处理后的高低频系数根据Mallat重构算法原理进行光谱数据的重构，从而完成滤波功能的方法和步骤为：
首先，利用所求得的第3层高低频系数，先分别进行二插值处理，再分别通过重构高低频滤波器，从而得到第2级的低频系数，即：
Figure BDA0003742667980000187
然后，通过以上方法，可得到第1层小波重构的低频系数，即：
Figure BDA0003742667980000191
最后，通过重构，可得到滤波后的光谱数据为：
Figure BDA0003742667980000192
由此可知，本实施例提供一种基于离散小波变换的光谱信号处理方案，由于小波分析具有多分辨率，低嫡性、去相关性等特点，本实施例根据离散小波变换Mallat算法，求取所选小波基函数对应的高低频滤波器参数，同时利用所构造的滤波器对光谱信号进行分解，从而得到相应层级的小波系数，然后根据阈值滤波原理，对所求得的高低频系数进行处理，最后利用处理后的小波系数进行光谱数据的重构，从而达到对光谱数据多分辨率的滤波效果。
综上所述，本申请提供一种光谱信号处理系统，首先获取预先或实时采集的光谱数据、以及预先或实时选择的高频滤波器、低频滤波器；然后对高频滤波器和低频滤波器进行参数求解，获取与高频滤波器和低频滤波器关联的目标参数；再利用目标参数对光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数；再基于光谱数据的信号长度计算阈值，并利用计算出的阈值对高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；最后根据高频系数和低频系数对光谱数据进行重构，以得到滤波后的光谱数据。本系统首先根据离散小波变换Mallat算法，求取对应的高频滤波器、低频滤波器参数，同时利用对应的高频滤波器和低频滤波器参数对光谱数据进行分解，从而得到相应层级的小波系数，然后根据阈值滤波原理，对小波系数进行处理，得到高频系数和低频系数，最后利用高频系数和低频系数对光谱数据进行重构，从而达到对光谱数据多分辨率的滤波效果。
所以，本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (10)

1.一种光谱信号处理方法，其特征在于，所述方法包括以下步骤：
获取预先或实时采集的光谱数据、以及预先或实时选择的高频滤波器、低频滤波器；
对所述高频滤波器和所述低频滤波器进行参数求解，获取与所述高频滤波器和所述低频滤波器关联的目标参数；
利用所述目标参数对所述光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数；
基于所述光谱数据的信号长度计算阈值，并利用计算出的阈值对所述高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；
根据所述高频系数和所述低频系数对所述光谱数据进行重构，以得到滤波后的光谱数据。
2.根据权利要求1所述的光谱信号处理方法，其特征在于，对所述高频滤波器和所述低频滤波器进行参数求解，获取与所述高频滤波器和所述低频滤波器关联的目标参数的过程包括：
利用预先确定的目标算法，对分解低通滤波器、分解高通滤波器、重构低通滤波器和重构高通滤波器进行参数求解，并获取对应的目标参数，有：
Lo_D(z)＝h-2z2-h-1z1-h0z0+h1z-1+h2z-2+h3z-3；
Hi_D(z)＝-h3z2+h2z1-h1z0-h0z-1+h-1z-2+h-2z-3；
Lo_R(z)＝h3z2+h2z1+h1z0-h0z-1-h-1z-2+h-2z-3；
Hi_R(z)＝h-2z2+h-1z1-h0z0-h1z-1+h2z-2-h3z-3；
式中，Lo_D(z)表示分解低通滤波器；
Hi_D(z)表示分解高通滤波器；
Lo_R(z)表示重构低通滤波器；
Hi_R(z)表示重构高通滤波器；
z0表示正常采集所述光谱数据的周期；
z-3表示采集所述光谱数据时提前三个周期；
z-2表示采集所述光谱数据时提前两个周期；
z-3表示采集所述光谱数据时提前一个周期；
z1表示采集所述光谱数据时延迟一个周期；
z2表示采集所述光谱数据时延迟两个周期；
h-2、h-1、h0、h1、h2和h3表示目标参数；
其中，预设确定的目标算法包括离散小波变换算法。
3.根据权利要求2所述的光谱信号处理方法，其特征在于，利用所述目标参数对所述光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数的过程包括：
获取进行小波变换时的分解层数；
基于所述目标参数对所述光谱数据进行二抽取分解，得到第一个分解层的高通滤波系数和低通滤波系数；
将第一个分解层作为当前分解层，并将当前分解层的序号值与所述分解层数进行比对；
在当前分解层的序号值小于所述分解层数时，对当前分解层的低通滤波系数进行二抽取分解，得到下一分解层的高通滤波系数和低通滤波系数，并将所述下一分解层作为当前分解层，以及将当前分解层的序号值与所述分解层数进行比对，直至所述当前分解层的序号值等于所述分解层数；
在当前分解层的序号值等于所述分解层数时，输出每个分解层的高通滤波系数和最后一个分阶层的低通滤波系数。
4.根据权利要求3所述的光谱信号处理方法，其特征在于，若进行小波变换时的分解层数为3层，则获取高通滤波系数和低通滤波系数的过程包括：
将所述光谱数据记为S(i)，其中，i∈[1，2048]；
将所述光谱数据分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第一分解层的高通滤波系数a1，k1和低通滤波系数b1，k1；其中，
Figure FDA0003742667970000021
Figure FDA0003742667970000022
将第一分解层得到的低通滤波系数b1，k1分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第二分解层的高通滤波系数a2，k2和低通滤波系数b2，k2；其中，
Figure FDA0003742667970000023
将第二分解层得到的低通滤波系数b2，k2分别通过分解高通滤波器和分解低通滤波器，并经过二抽取，得到第三分解层的高通滤波系数a3，k3和低通滤波系数b3，k3；其中，a3，k3＝∑k1Hi_D(k2-2k3)b2，k2，b3，k3＝∑k1Lo_D(k2-2k3)b2，k2，k3∈[1，256]。
5.根据权利要求1至4中任一所述的光谱信号处理方法，其特征在于，基于所述光谱数据的信号长度计算阈值，并利用计算出的阈值对所述高通滤波系数和低通滤波系数进行处理的过程包括：
基于所述光谱数据的信号长度计算阈值，有：
Figure FDA0003742667970000031
式中，T为阈值，N为信号长度，且N＝2048；σ为高通滤波系数和低通滤波系数的标准差，
Figure FDA0003742667970000032
为平均值；
获取预先或实时选择的阈值函数
Figure FDA0003742667970000033
并结合计算出的阈值对高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；其中，阈值函数
Figure FDA0003742667970000034
6.根据权利要求5所述的光谱信号处理方法，其特征在于，根据所述高频系数和所述低频系数对所述光谱数据进行重构的过程包括：
对第三分解层的低频系数
Figure FDA0003742667970000038
进行二插值处理，再分别通过高通滤波器和低通滤波器，重构得到第二分解层的低频系数
Figure FDA0003742667970000039
有：
Figure FDA0003742667970000035
对重构得到第二分解层的低频系数
Figure FDA00037426679700000310
进行二插值处理，再分别通过高通滤波器和低通滤波器，重构得到第一分解层的低频系数
Figure FDA00037426679700000311
有：
Figure FDA0003742667970000036
基于第一分解层的低频系数
Figure FDA00037426679700000312
和高频系数
Figure FDA00037426679700000313
对光谱数据进行重构，以得到滤波后的光谱数据
Figure FDA00037426679700000314
有：
Figure FDA0003742667970000037
7.一种光谱信号处理系统，其特征在于，所述系统包括有：
数据采集模块，用于获取预先或实时采集的光谱数据、以及预先或实时选择的高频滤波器、低频滤波器；
目标参数模块，用于对所述高频滤波器和所述低频滤波器进行参数求解，获取与所述高频滤波器和所述低频滤波器关联的目标参数；
数据分解模块，用于利用所述目标参数对所述光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数；
阈值处理模块，用于根据所述光谱数据的信号长度计算阈值，并利用计算出的阈值对所述高通滤波系数和低通滤波系数进行处理，得到相对应的高频系数和低频系数；
重构模块，用于根据所述高频系数和所述低频系数对所述光谱数据进行重构，以得到滤波后的光谱数据。
8.根据权利要求1所述的光谱信号处理系统，其特征在于，所述目标参数模块对所述高频滤波器和所述低频滤波器进行参数求解，获取与所述高频滤波器和所述低频滤波器关联的目标参数的过程包括：
利用预先确定的目标算法，对分解低通滤波器、分解高通滤波器、重构低通滤波器和重构高通滤波器进行参数求解，并获取对应的目标参数，有：
Lo_D(z)＝h-2z2-h-1z1-h0z0+h1z-1+h2z-2+h3z-3；
Hi_D(z)＝-h3z2+h2z1-h1z0-h0z-1+h-1z-2+h-2z-3；
Lo_R(z)＝h3z2+h2z1+h1z0-h0z-1-h-1z-2+h-2z-3；
Hi_R(z)＝h-2z2+h-1z1-h0z0-h1z-1+h2z-2-h3z-3；
式中，Lo_D(z)表示分解低通滤波器；
Hi_D(z)表示分解高通滤波器；
Lo_R(z)表示重构低通滤波器；
Hi_R(z)表示重构高通滤波器；
z0表示正常采集所述光谱数据的周期；
z-3表示采集所述光谱数据时提前三个周期；
z-2表示采集所述光谱数据时提前两个周期；
z-3表示采集所述光谱数据时提前一个周期；
z1表示采集所述光谱数据时延迟一个周期；
z2表示采集所述光谱数据时延迟两个周期；
h-2、h-1、h0、h1、h2和h3表示目标参数；
其中，预设确定的目标算法包括离散小波变换算法。
9.根据权利要求8所述的光谱信号处理系统，其特征在于，所述数据分解模块利用所述目标参数对所述光谱数据进行分解，获取至少一个层级的高通滤波系数和低通滤波系数的过程包括：
获取进行小波变换时的分解层数；
基于所述目标参数对所述光谱数据进行二抽取分解，得到第一个分解层的高通滤波系数和低通滤波系数；
将第一个分解层作为当前分解层，并将当前分解层的序号值与所述分解层数进行比对；
在当前分解层的序号值小于所述分解层数时，对当前分解层的低通滤波系数进行二抽取分解，得到下一分解层的高通滤波系数和低通滤波系数，并将所述下一分解层作为当前分解层，以及将当前分解层的序号值与所述分解层数进行比对，直至所述当前分解层的序号值等于所述分解层数；
在当前分解层的序号值等于所述分解层数时，输出每个分解层的高通滤波系数和最后一个分阶层的低通滤波系数。
10.根据权利要求8或9所述的光谱信号处理系统，其特征在于，所述重构模块根据所述高频系数和所述低频系数对所述光谱数据进行重构的过程包括：
对第三分解层的低频系数
Figure FDA0003742667970000055
进行二插值处理，再分别通过高通滤波器和低通滤波器，重构得到第二分解层的低频系数
Figure FDA0003742667970000056
有：
Figure FDA0003742667970000051
对重构得到第二分解层的低频系数
Figure FDA0003742667970000057
进行二插值处理，再分别通过高通滤波器和低通滤波器，重构得到第一分解层的低频系数
Figure FDA0003742667970000058
有：
Figure FDA0003742667970000052
基于第一分解层的低频系数
Figure FDA0003742667970000059
和高频系数
Figure FDA00037426679700000510
对光谱数据进行重构，以得到滤波后的光谱数据
Figure FDA00037426679700000511
有：
Figure FDA0003742667970000053
其中，
Figure FDA0003742667970000054
表示第一分阶层的高频系数；
Figure FDA0003742667970000061
表示第二分解层的高频系数；
Figure FDA0003742667970000062
表示第三分解层的高频系数。
CN202210822186.3A 2022-07-12 2022-07-12 一种光谱信号处理方法及系统 Pending CN115358256A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210822186.3A CN115358256A (zh) 2022-07-12 2022-07-12 一种光谱信号处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210822186.3A CN115358256A (zh) 2022-07-12 2022-07-12 一种光谱信号处理方法及系统

Publications (1)

Publication Number Publication Date
CN115358256A true CN115358256A (zh) 2022-11-18

Family

ID=84031646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210822186.3A Pending CN115358256A (zh) 2022-07-12 2022-07-12 一种光谱信号处理方法及系统

Country Status (1)

Country Link
CN (1) CN115358256A (zh)

Similar Documents

Publication Publication Date Title
KR100584593B1 (ko) 이산 웨이블릿 변환을 이용한 노이즈 감소 방법 및 장치
CN109009092B (zh) 一种去除脑电信号噪声伪迹的方法
CN110503060B (zh) 一种光谱信号去噪方法及其系统
CN111080555B (zh) 一种基于三维拟递归神经网络的高光谱图像降噪方法
CN114970602A (zh) 基于改进的经验模态分解与小波阀值函数的信号去噪方法与系统
CN104809357B (zh) 一种三维粗糙表面多尺度接触行为的分析方法及装置
CN113723171B (zh) 基于残差生成对抗网络的脑电信号去噪方法
Shemi et al. Analysis of ECG signal denoising using discrete wavelet transform
CN109472758B (zh) 一种地震剖面图像纹理细节增强方法
Campisi et al. A multiresolution approach for texture synthesis using the circular harmonic functions
CN112084845B (zh) 基于多尺度小波系数自相关的低频1/f噪声消除方法
CN109724693B (zh) 一种基于平稳小波的融合光谱去噪方法
CN114155161A (zh) 图像去噪方法、装置、电子设备与存储介质
CN107274372B (zh) 基于金字塔局部对比度的动态图像增强方法及装置
CN115358256A (zh) 一种光谱信号处理方法及系统
CN111965499A (zh) 基于经验模态分解的局部放电数据去噪方法和系统
CN117056675A (zh) 一种基于小波变换和粒子滤波结合的漏磁信号降噪方法
CN105096274B (zh) 基于非下采样轮廓波域混合统计模型的红外图像降噪方法
Raj et al. Denoising of Poisson and Rician Noise from Medical Images using Variance Stabilization and Multiscale Transforms
Tayade et al. Medical image denoising and enhancement using DTCWT and Wiener filter
Oroumchian ECEI Spectrogram Denoising and Feature Extraction Using a Multi-Wavelet Convolutional Neural Network Model
Foucher et al. Unsupervised multiscale speckle filtering
Galvao et al. Sub-optimal wavelet denoising of coaveraged spectra employing statistics from individual scans
Sahu et al. A hybrid approach of image fusion using modified DTCWT with high boost filter technique
Tiwari et al. Analysis of different denoising techniques of ECG signals

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