CN115950531B - 一种探测器信噪比获取方法及检测装置 - Google Patents
一种探测器信噪比获取方法及检测装置 Download PDFInfo
- Publication number
- CN115950531B CN115950531B CN202310244429.4A CN202310244429A CN115950531B CN 115950531 B CN115950531 B CN 115950531B CN 202310244429 A CN202310244429 A CN 202310244429A CN 115950531 B CN115950531 B CN 115950531B
- Authority
- CN
- China
- Prior art keywords
- signal
- noise ratio
- characteristic value
- detector
- evaluation
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 230000000306 recurrent effect Effects 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000003384 imaging method Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract description 4
- 230000004913 activation Effects 0.000 description 8
- 230000003213 activating effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
- Image Processing (AREA)
Abstract
探测器信噪比获取方法及检测装置。属于光学探测器性能检测技术领域，以及光学探测器性能评估领域。其解决了现有的成像探测系统的信噪比评估方法处理速度慢，计算复杂度高和评估结果不准确的问题。对于采集的探测器反馈的信号提取实部离散性特征值，虚部离散性特征值和相位离散性特征值、实部下四分割点特征值和虚部下四分割点特征值；利用递归神经网络结构，对提取的特征值进行拟合，对输出结果进行计算得到探测器信噪比。本发明所述的探测器信噪比获取方法和成像探测系统探测性能评估方法均适用于光学探测技术领域、光学探测性能的检测和评估技术领域、光学探测器或者空间目标探测系统的生产制造领域。
Description
技术领域
本发明属于信号处理技术领域，具体涉及光学探测器性能评估领域。
背景技术
信噪比指信号强度与噪声强度之比，是评价成像探测系统探测性能的重要技术指标，目前成像探测系统的信噪比评估主要方法如下：
基于概率论模型的评估：概率论模型是以统计方法测定信噪比，考虑受试图像中噪声与信号之间的比例关系。该模型利用受试图像中噪声和信号的概率分布，有效解决图像信噪比测定过程中的信号与噪声在空间上分布不均匀的问题。该模型在测量信噪比时考虑到受试图像的噪声与信号的比例关系，能够更加准确的测量信噪比。但是该模型需要大量数据计算，处理速度慢，且受试图像中噪声与信号之间的比例关系需要进行预先估计，估计误差会影响信噪比测量结果的准确性。
基于空间时间频谱分解的评估：空间时间频谱分解是基于时域频谱分解的一种信号处理方法，用于分析受试图像中信号与噪声的分布情况，有效测定图像的信噪比。该方法不仅能够测量单一图像的信噪比，还能够测量多幅图像的平均信噪比，从而能够更准确的评估天基成像探测系统的信噪比水平，但是该方法测量结果受多幅图像内容扰动较大，可能出现测量结果不够准确的问题，而且该方法运算繁琐，复杂度较高。
综上所述，现有的成像探测系统的信噪比评估方法都需要复杂的计算过程，存在处理速度慢，计算复杂度高和评估结果不准确的问题。
发明内容
本发明解决了现有的成像探测系统的信噪比评估方法处理速度慢，计算复杂度高和评估结果不准确的问题。
方案一，一种供探测器信噪比获取方法，所述方法包括如下步骤：
S1、对于采集的探测器反馈的信号，提取所述信号的实部离散性特征值，虚部离散性特征值和相位离散性特征值；提取所述信号的实部下四分割点特征值和虚部下四分割点特征值；
S2、利用递归神经网络结构，对步骤S1中提取的实部离散性特征值、虚部离散性特征值、相位离散性特征值、信号的实部下四分割点特征值和虚部下四分割点特征值进行拟合，
为拟合后在时间t时的输出结果；
S3、对
进行线性运算，得到输出结果θt；
其中，Wθ为递归神经网络映射阵列，bθ为递归神经网络单元截距；
S4、对探测器信噪比SNR进行计算，所述探测器信噪比SNR为：
其中，(NS)n为探测器接收到的第n个信号，(θt)n为对
进行的第n次运算得到的结果；
提取所述信号的实部离散性特征值、虚部离散性特征值和相位离散性特征值采用的方法为：
步骤11：接收到探测器反馈的信号y＝[y1···yn]；
步骤12：分别从y中提取两个不同信号，设为R(y),S(y)；
步骤13：计算
步骤14：计算
步骤15：令Ω∈{R(y),|y|,∠y}；
步骤16：利用直方图计算P(Ω)；
步骤17：带入
分别计算出数字信号的实部离散性特征值H[R(y)]，虚部离散性特征值H[|y|]和相位的离散性特征值H[∠y]；
提取所述信号的实部下四分割点特征值和虚部下四分割点特征值采用的方法为：
步骤21：接收到探测器反馈的信号y’＝[y’1···y’N]；
步骤22：将y’＝[y’1···y’N]按数值升序排列；
步骤23：分别从按顺序排列的y’中提取两个不同信号，设为R(y’),S(y’)；
步骤24：令[I]∈{R(y’),S(y’)}；
步骤25：如果N为偶数，计算ql＝[0.25×N]；
步骤26：如果N为奇数，计算ql＝0.25×(N+1)]；
步骤27：令Ql[I]＝[I]×ql，分别计算数字信号的实部下四分割点特征值Ql[R(y’)]和虚部下四分割点特征值Ql[S(y’)]。
方案二，上述方法能够采用计算机软件实现，对应地，本发明还提供一种探测器信噪比检测装置，所述装置包括信号检测模块、信号处理模块和信噪比计算模块；
所述信号检测模块：包括光电传感器和AD转换器，用于信号转换；
所述信号处理模块：包括数字信号处理器和余弦滤波器，用于信号抽取；
所述信噪比计算模块：包括微处理器以及存储器，所述存储器中存储有计算机程序，在微处理器运行所述程序时，执行方案一所述探测器信噪比获取方法。
方案三，基于上述探测器信噪比获取方法，本发明还提供一种成像探测系统探测性能评估方法，所述方法包括：
获取评估对象的信噪比的步骤；
根据所述信噪比评估所述评估对象的性能的步骤；
其特征在于，所述获取评估对象的信噪比的步骤，采用如方案一所述探测器信噪比获取方法。
方案四，上述方法能够采用计算机软件实现，对应地，本发明还提供一种成像探测系统探测性能评估系统，所述系统包括信噪比检测装置和评估装置，所述信噪比检测装置用于实时采集评估对象的输出信号、并对所述信号进行处理获得信噪比发送给评估装置；所述评估装置用于根据获得的信噪比对评估对象的性能进行评估获得评估结果，所述信噪比检测装置方案二所述的探测器信噪比检测装置。
本发明的有益效果为：
(1)基于概率论模型和空间时间频谱分解的信噪比评估方法都需要复杂的数据计算过程，需要大量的存储空间，本发明所述的探测器信噪比获取方法能将复杂的非线性信号处理问题转化为算法模型训练问题，简化运算过程，降低了数据处理复杂度，进而节约了存储空间，有效提高了数据处理速度。同时，基于所述探测器信噪比获取方法的评估方法，也提升了评估效率。
(2)基于概率论模型和空间时间频谱分解的信噪比评估方法都是针对成像后的图形进行分析判断，计算成像探测系统的信噪比，本发明所述的探测器信噪比获取方法是对成像探测系统探测器直接进行分析，不需要对受试图像中噪声与信号之间的比例关系进行预先估计这一步骤，因此，减少了结果计算过程中的主观评估误差，从而更能保证获得信噪比的客观准确性。本发明所述的成像探测系统探测性能评估方法基于该信噪比进行评估，也提高了评估结果的准确性。
(3)本发明所述的探测器信噪比获取方法可以对递归神经网络进行自主选择和设计，根据具体需要在模型复杂度和评估精度之间进行平衡，在实际应用中，可以根据应用场景对精度和速度的要求自行调整，得到最适合当前应用需求的探测器信噪比获取方法，通用性更强。
本发明所述的探测器信噪比获取方法和成像探测系统探测性能评估方法均适用于光学探测技术领域、光学探测性能的检测和评估技术领域、光学探测器或者空间目标探测系统的生产制造领域。
附图说明
图1为本发明实施例提供的探测器信噪比检测装置结构图；
图2为本发明实施例提供的双向递归神网络结构图；
图3为本发明实施例提供的深度循环递归神经网络结构图；
图4为本发明实施例提供的长短期记忆递归神经网络结构图。
具体实施方式
下面将结合附图对本发明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做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1.
本实施例提供一种探测器信噪比获取方法，其特征在于，所述方法包括如下步骤：
S1、对于采集的探测器反馈的信号，提取所述信号的实部离散性特征值，虚部离散性特征值和相位离散性特征值；提取所述信号的实部下四分割点特征值和虚部下四分割点特征值；
S2、利用递归神经网络结构，对步骤S2中提取的实部离散性特征值、虚部离散性特征值、相位离散性特征值、信号的实部下四分割点特征值和虚部下四分割点特征值进行拟合，
为拟合后在时间t时的输出结果；
S3、对
进行线性运算，得到输出结果θt；
其中，Wθ为递归神经网络映射阵列，bθ为递归神经网络单元截距；
S4、对探测器信噪比SNR进行计算，所述探测器信噪比SNR为：
其中，(NS)n为探测器接收到的第n个信号，(θt)n为对
进行的第n次运算得到的结果。
所述探测器反馈的信号为通过电路将接收的探测器的光子信号转换成的数字信号。
提取所述信号的实部离散性特征值、虚部离散性特征值和相位离散性特征值采用的方法为：
步骤1：接收到探测器反馈的信号y＝[y1···yn]；
步骤2：分别从y中提取两个不同信号，设为R(y),S(y)；
步骤3：计算
步骤4：计算
步骤5：令Ω∈{R(y),|y|,∠y}；
步骤6：利用直方图计算P(Ω)；
步骤7：带入
分别计算出数字信号的实部离散性特征值H[R(y)]，虚部离散性特征值H[|y|]和相位的离散性特征值H[∠y]。
提取所述信号的实部下四分割点特征值和虚部下四分割点特征值采用的方法为：
步骤1：接收到探测器反馈的信号y’＝[y’1···y’N]；
步骤2：将y’＝[y’1···y’N]按数值升序排列；
步骤3：分别从按顺序排列的y’中提取两个不同信号，设为R(y’),S(y’)；
步骤4：令[I]∈{R(y’),S(y’)}；
步骤5：如果N为偶数，计算ql＝[0.25×N]；
步骤6：如果N为奇数，计算ql＝[0.25×(N+1)]；
步骤7：令Ql[I]＝[I]×ql，分别计算数字信号的实部下四分割点特征值Ql[R(y’)]和虚部下四分割点特征值Ql[S(y’)]。
实施例2.
本实施例提供一种探测器信噪比检测装置，所述计算装置结构图如图1所示，包括信号检测模块、信号处理模块和信噪比计算模块。
如图1所示，所述信号检测模块包括探测器、光电传感器和AD转换器，用于信号转换；
如图1所示，所述信号处理模块包括数字信号处理器和余弦滤波器，用于信号抽取；
如图1所示，所述信噪比计算模块包括离散性特征提取单元、下四分割点特征提取单元和递归神经网络信噪比计算单元；用于提取信号的特征值并且通过递归神经网络计算探测器信噪比。
实施例3.
本实施例是对实施例2的进一步限定，所述信号检测模块中，光电传感器将探测器所得到的光子信号转换为电子信号，再利用A/D转换器将光电传感器得到的电子信号转换为数字信号，并将数字信号输入信号处理模块。
实施例4.
本实施例是对实施例2的进一步限定，所述信号处理模块中，数字信号处理器对输入数字信号依次进行信号放大和随机抽取操作，再利余弦滤波器对随机抽取的数字信号进行失真补偿操作，失真补偿是因为随机抽取到的信号可能出现不完整的情况，所以需要用余弦滤波器将不完整的信号补充完整，并将数字信号输入信噪比计算模块。
实施例5.
本实施例是对实施例2的进一步限定，所述递归神经网络信噪比计算单元包括接收层、激活层和密集层；所述接收层接收离散性特征提取单元和下四分割点特征提取单元提取的信息，并输入所述激活层，所述激活层采用递归神经网络结构，对来自接收层的信息进行拟合，并将拟合后的信息输入所述密集层，所述密集层对激活层输入的信息进行运算为：
θt＝Wθht ()+bθ；
其中，θt为密集层的输出，Wθ为递归神经网络映射阵列，ht ()为激活层在时间t时输出的结果，bθ为递归神经网络单元截距；
并输出该值，用于探测器的信噪比计算。
本实施例进一步对激活层采用的递归神经网络结构做进一步说明，给出三种递归神经网络结构：
(1)如图2所示，为本实施例给出的双向递归神经网络结构图，包括第一输门，对于双向递归神经网络结构，激活层在时间点t时的结果为：
其中
为激活层在上个时间点t-1时的结果；Nh为激活层的神经元数量；/>
是时间点t时的输入特征的单元截距；Ni为接收层的神经元数量；σg(·)为ReLU激活函数；/>
为接收层与激活层连接的映射阵列；/>
为激活层与响应连接的映射阵列；/>
是双向递归神经网络结构中激活层输出的单元截距。
(2)如图3所示，为本实施例给出的深度循环递归神经网络结构图，包括调控门、第一优化门第一隐藏门，对于深度循环递归神经网络结构，激活层在时间点t时的结果为：
其中，
分别为第一优化门和第一隐藏门在时间点t时的结果，分别表示为：
zt＝σg(Wzxt+Uzht-1+bz)；
其中，
是连接接收层和第一优化门的映射阵列；/>
是连接接收层和第一隐藏门的映射阵列；/>
为时间点t-1时响应连接的映射阵列；/>
分别为第一优化门和第一隐藏门的偏差矩阵；⊙为哈达玛乘积；
为调控门在时间点t时的结果，表示为：
rt＝σg(Wrxt+Urht-1+br)；
其中，
为连接接收层与调控门的映射阵列；/>
为连接调控门和响应的映射阵列；/>
为调控门的单元截距。
(3)如图4所示，为本实施例给出的长短期记忆递归神经网络结构图，包括记忆门、遗忘门、第二优化门、第二隐藏门、第二输出门和映射门，对于长短期记忆递归神经网络结构，激活层在时间点t时的结果为：
其中，
为时间点t时的第二输出门与映射门的状态向量；σh(·)为Swish激活函数；
第二输出门与映射门的状态向量表示为：
ot＝σg(Woxt+Uoht-1+bo)；
其中，
分别为连接第二输出门和接收层的映射阵列及连接第二输出门和响应的映射阵列；/>
为第二输出门单元截距；
分别为上个时间点t时的的遗忘门、第二优化门、第二隐藏门的输出和时间点t-1时的记忆门的状态向量。
时间点t时遗忘门、第二优化门、第二隐藏门的输出分别为：
ft＝σg(Wfxt+Ufht-1+bf)
it＝σg(Wixt+Uiht-1+bi)
其中，
分别为连接接收层与遗忘门、第二优化门、第二隐藏门之间的映射阵列；/>
分别为遗忘门、第二优化门、第二隐藏门与响应连接的映射阵列；/>
分别为遗忘门、第二优化门、第二隐藏门的单元截距。
实施例6.
本实施例是对实施例2的进一步限定，根据密集层的输出，对探测器信噪比SNR进行计算为：
其中，(NS)n为探测器接收到的第n个信号，(θt)n为密集层的第n个输出。
采用不同的递归神经网络时，不同输入特征下的信噪比评估精度可以表示为：
其中，
为密集层输出信号的均方根误差；l，ψ为取决于输入特征的特征系数，由递归神经网络基于输入特征实时获取；/>
表示递归神经网络准确度的常数，递归神经网络计算复杂度越高，/>
越小。
三种递归神经网络结构下的输入特征与性能评估精度的关系如表1所示：
表1
本实施例选用了4种情况来验证输入特征和评估精度的关系。在情况1中，H[|y|]和H[∠y]被用作三种递归神经网络结构下的输入特征，用于评估SNR，在这种情况下，SNR的评估精度在89.92％-91.6％之间。情况2在情况1的输入特征上增加了H[R(y)]特征，以提高SNR的评估精度，在第二种情况下，SNR的评估精度在92.38％-93.54％之间。同理，情况3加入了Ql[R(y)]作为输入特征以提高评估精度，在第3种情况下，SNR的评估精度在95.36％-96.44％之间。最后，在情况4中，用基于下四分割点的特征和基于离散性的特征作为所提出递归神经网络三种结构的输入特征，以准确的评估SNR,在这种情况下，SNR的评估精度在97.23％-98.68％之间。
相对于双向递归神经网络结构和深度循环递归神经网络结构，长短期记忆递归神经网络结构的性能评估精度最高，达到98.68％，但是计算复杂度相对较高。双向递归神经网络结构的性能评估精度略低于长短期记忆递归神经网络结构，但是其计算复杂度最低。可以根据实际需求，选择合适的性能评估方法。
实施例7.
本实施例提供提供一种成像探测系统探测性能评估方法，所述方法包括：
获取评估对象的信噪比的步骤；
根据所述信噪比评估所述评估对象的性能的步骤；
所述获取评估对象的信噪比的步骤，采用如实施例1所述探测器信噪比获取方法。
以信噪比为基准对成像探测系统的探测性能进行评估，信噪比越大，说明成像探测系统的探测性能越好。
实施例8.
本实施例提供一种成像探测系统探测性能评估系统，所述系统包括信噪比检测装置和评估装置，所述信噪比检测装置用于实时采集评估对象的输出信号、并对所述信号进行处理获得信噪比发送给评估装置；所述评估装置用于根据获得的信噪比对评估对象的性能进行评估获得评估结果，信噪比越大，说明成像探测系统的探测性能越好。所述信噪比检测装置为实施例2所述的探测器信噪比检测装置。
Claims (7)
1.一种探测器信噪比获取方法，其特征在于，所述方法包括如下步骤：
S1、对于采集的探测器反馈的信号，提取所述信号的实部离散性特征值，虚部离散性特征值和相位离散性特征值；提取所述信号的实部下四分割点特征值和虚部下四分割点特征值；
S2、利用递归神经网络结构，对步骤S1中提取的实部离散性特征值、虚部离散性特征值、相位离散性特征值、信号的实部下四分割点特征值和虚部下四分割点特征值进行拟合，
为拟合后在时间t时的输出结果；
S3、对
进行线性运算，得到输出结果θt；
其中Wθ为递归神经网络映射阵列，bθ为递归神经网络单元截距；
S4、对探测器信噪比SNR进行计算，所述探测器信噪比SNR为：
其中，(NS)n为探测器接收到的第n个信号，(θt)n为对
进行的第n次运算得到的结果；
提取所述信号的实部离散性特征值、虚部离散性特征值和相位离散性特征值采用的方法为：
步骤11：接收到探测器反馈的信号y＝[y1···yn]；
步骤12：分别从y中提取两个不同信号，设为R(y),S(y)；
步骤13：计算
步骤14：计算
步骤15：令Ω∈{R(y),|y|,∠y}；
步骤16：利用直方图计算P(Ω)；
步骤17：带入
分别计算出数字信号的实部离散性特征值H[R(y)]，虚部离散性特征值H[|y|]和相位的离散性特征值H[∠y]；
提取所述信号的实部下四分割点特征值和虚部下四分割点特征值采用的方法为：
步骤21：接收到探测器反馈的信号y’＝[y’1···y’N]；
步骤22：将y’＝[y’1···y’N]按数值升序排列；
步骤23：分别从按顺序排列的y’中提取两个不同信号，设为R(y’),S(y’)；
步骤24：令[I]∈{R(y’),S(y’)}；
步骤25：如果N为偶数，计算ql＝[0.25×N]；
步骤26：如果N为奇数，计算ql＝0.25×(N+1)]；
步骤27：令Ql[I]＝[I]×ql，分别计算数字信号的实部下四分割点特征值Ql[R(y’)]和虚部下四分割点特征值Ql[S(y’)]。
2.根据权利要求1所述的探测器信噪比获取方法，其特征在于，所述探测器反馈的信号为通过电路将接收的探测器的光子信号转换成的数字信号。
3.一种探测器信噪比检测装置，其特征在于，所述装置包括信号检测模块、信号处理模块和信噪比计算模块；
所述信号检测模块：包括光电传感器和AD转换器，用于信号转换；
所述信号处理模块：包括数字信号处理器和余弦滤波器，用于信号抽取；
所述信噪比计算模块：包括微处理器以及存储器，所述存储器中存储有计算机程序，在微处理器运行所述程序时，执行权利要求1至2任意一项权利要求所述的方法。
4.根据权利要求3所述的探测器信噪比检测装置，其特征在于，所述信号检测模块中，光电传感器将探测器探测到的光子信号转换为电子信号，再利用A/D转换器将光电传感器得到的电子信号转换为数字信号，并将数字信号输入信号处理模块。
5.根据权利要求3所述的探测器信噪比检测装置，其特征在于，所述信号处理模块中，数字信号处理器对输入数字信号依次进行信号放大和随机抽取操作，再利余弦滤波器对随机抽取的数字信号进行失真补偿操作，并将数字信号输入信噪比计算模块。
6.一种成像探测系统探测性能评估方法，所述方法包括：
获取评估对象的信噪比的步骤；
根据所述信噪比评估所述评估对象的性能的步骤；
其特征在于，所述获取评估对象的信噪比的步骤，采用如权利要求1-2任一项所述的探测器信噪比获取方法。
7.一种成像探测系统探测性能评估系统，其特征在于，所述系统包括信噪比检测装置和评估装置，所述信噪比检测装置用于实时采集评估对象的输出信号、并对所述信号进行处理获得信噪比发送给评估装置；所述评估装置用于根据获得的信噪比对评估对象的性能进行评估获得评估结果，所述信噪比检测装置为权利要求3所述的探测器信噪比检测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310244429.4A CN115950531B (zh) | 2023-03-15 | 2023-03-15 | 一种探测器信噪比获取方法及检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310244429.4A CN115950531B (zh) | 2023-03-15 | 2023-03-15 | 一种探测器信噪比获取方法及检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115950531A CN115950531A (zh) | 2023-04-11 |
| CN115950531B true CN115950531B (zh) | 2023-06-20 |
Family
ID=85893125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310244429.4A Active CN115950531B (zh) | 2023-03-15 | 2023-03-15 | 一种探测器信噪比获取方法及检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115950531B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510480A (zh) * | 2018-03-20 | 2018-09-07 | 北京理工大学 | 基于辐射对比度的卫星探测性能评估方法、装置及存储器 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110212976B (zh) * | 2019-06-06 | 2020-11-10 | 苏州大学 | 一种基于人工神经网络的光信噪比监测方法 |
| CN113938188B (zh) * | 2021-09-02 | 2022-09-27 | 华中科技大学 | 一种光信噪比监测模型的构建方法及应用 |
| CN113777648B (zh) * | 2021-09-09 | 2024-04-12 | 南京航空航天大学 | 一种基于随机编码与神经网络探测器成像的方法及伽马相机 |
| CN114354651A (zh) * | 2021-12-28 | 2022-04-15 | 深圳中科飞测科技股份有限公司 | 一种光学检测装置及信噪比估算方法、缺陷检测方法 |
-
2023
- 2023-03-15 CN CN202310244429.4A patent/CN115950531B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510480A (zh) * | 2018-03-20 | 2018-09-07 | 北京理工大学 | 基于辐射对比度的卫星探测性能评估方法、装置及存储器 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115950531A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112147573A (zh) | 一种基于csi的幅值和相位信息的无源定位方法 | |
| CN114972085B (zh) | 一种基于对比学习的细粒度噪声估计方法和系统 | |
| CN102075684B (zh) | 成像设备和图像处理方法 | |
| CN107967471A (zh) | 一种基于机器视觉的表具自动识别方法 | |
| CN113639881A (zh) | 色温测试方法及装置、计算机可读介质和电子设备 | |
| CN108279317A (zh) | 一种空间滤波测速传感器装置及提高测速精度的方法 | |
| CN115824410A (zh) | 光谱成像恢复方法及装置 | |
| CN115950531B (zh) | 一种探测器信噪比获取方法及检测装置 | |
| CN118096584A (zh) | 基于上下文感知和多尺度扩散网络的超声图像增强方法 | |
| CN113489925B (zh) | 一种实现卷积计算的焦平面探测器读出电路 | |
| CN116843725B (zh) | 一种基于深度学习光流法的河流表面流速测量方法及系统 | |
| CN117516517A (zh) | 一种室内环境下无源融合定位方法、系统及电子设备 | |
| CN117190657A (zh) | 隧道式烘干生产线及其方法 | |
| CN110033030B (zh) | 基于神经网络求解0-1测量矩阵的压缩感知问题的方法 | |
| CN117147532A (zh) | 基于物联网的微型化学发光法氮氧化物气体传感器 | |
| CN116723386A (zh) | 一种帧率确定方法、装置、电子设备及存储介质 | |
| CN114113843B (zh) | 一种基于图像识别的直流充电桩自动检测系统及方法 | |
| Hongyan | A simple multi-sensor data fusion algorithm based on principal component analysis | |
| Semenishchev et al. | Two approaches to solving the problem of smoothing digital signals based on a combined criterion | |
| CN111076815B (zh) | 一种高光谱图像非均匀性校正方法 | |
| CN112945897B (zh) | 一种连续太赫兹图像非均匀性校正方法 | |
| CN114519373A (zh) | 一种采用红外长波焦平面探测器的干涉信号去噪方法 | |
| CN117685879B (zh) | 一种全自动影像测量仪检测系统 | |
| CN117690028B (zh) | 基于遥感传感器的目标探测方法及系统 | |
| CN118583038B (zh) | 端子检测工装 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Fu Qiang Inventor after: Jiang Huilin Inventor after: Liu Xuanwei Inventor after: Liu Nan Inventor after: Zhao Feng Inventor after: Zhu Rui Inventor after: Zhang Tao Inventor after: Liu Zhuang Inventor after: Shi Haodong Inventor after: Li Yingchao Inventor before: Fu Qiang Inventor before: Liu Xuanwei Inventor before: Liu Nan Inventor before: Zhao Feng Inventor before: Zhu Rui Inventor before: Zhang Tao Inventor before: Liu Zhuang Inventor before: Shi Haodong Inventor before: Li Yingchao |