后置自适应滤波-盘古文库

后置自适应滤波（精选10篇）

后置自适应滤波第1篇

由于麦克风阵列具有空时滤波特性, 近年来, 麦克风阵列广泛应用于视频会议、车载系统、助听器、机器人导航等语音通信环境中。在实际封闭环境下, 由于说话者到麦克风有一定的距离, 麦克风接收到的语音信号常常受到环境噪声干扰和混响的影响, 严重影响了通话质量。因此, 麦克风阵列语音增强技术的研究成为近年来语音处理的研究热点[1]。

基于麦克风阵列的语音增强方法主要分为三类:传统的波束形成方法[2]、自适应波束形成方法[3,4]和后置滤波方法[5,6], 最近还有些专门解决混响的麦克风阵列语音处理方法[7]。由于固定波束形成法和后置滤波法适用于非相干噪声和弱相干噪声消除;而自适应波束形成法适用于消除相干噪声, 对非相干噪声或散射噪声消除效果较差。因此, 在实际环境中, 每类方法都存在一定程度上的性能退化。

在抑制非相干噪声同时, 多级维纳滤波器 (MWF) 通过多级分解求权值过程, 等效于经典维纳滤波器的采样协方差求逆 (SMI) 运算, 又降低了运算量[8]。鉴于传统方法和多级维纳滤波的各自优点, 该文提出了基于后置多级维纳滤波器的自适应波束形成方法。相对于传统麦克风阵列语音增强方法, 该方法不但能有效地消除相干与非相干噪声, 而且降低了运算量, 提高了算法的处理速度。

本文的具体结构安排如下:在所选声学模型的基础上, 给出基于后置多级维纳滤波器的自适应波束形成方法的整体框图;接着从理论上对该方法进行推导;然后在仿真环境下, 给出该方法语音增强的效果及与其他方法的噪声性能比较;最后给出结论。

2 信号声学模型

令声源到基阵的距离为r, 声源的波长为λ, 麦克风阵列孔径为d。当声源与麦克风阵列的距离满足

时, 即声源位于阵列远场。令语音信号为s (n) , 背景噪声为v (n) , 声源与第i个麦克风之间的声学通道冲激响应为hi, s (n) , 则麦克风接收信号xi (n) 可以表示为

式中“*”表示线性卷积, M为麦克风数目。

3 基于后置多级维纳滤波器的自适应波束形成算法描述

本文以式 (2) 麦克风阵列接收的信号为对象, 采用基于后置多级维纳滤波器的方法, 来解决带噪语音的增强问题。该方法的系统结构如图1所示。主要由二个模块构成, 即广义旁瓣抵消器和多级维纳滤波器构成。

3.1 广义旁瓣抵消器

(n) ]为麦克风阵列接收信号, 则经过加权系数矩阵为A的固定波束形成器后, 其输出为

式中A=[a0, a1, a2, …, a (M-1) ]T, 符号T表示转置, 对输出信号yc (n) 进行FIR滤波处理

式中fk为滤波器的系数, K表示滤波器的阶数。经过阻塞矩阵B[3]处理后的信号为

则多通道噪声抵消器输出信号为

式中Wk (n) 表示多通道自适应滤波器的系数矩阵。这里采用LMS自适应滤波方法, 滤波系数通过自适应调整进行更新

式中µ为步长。最后, GSC的输出为

3.2 多级维纳滤波器

如图1所示, GSC输出信号y (n) 为多级维纳滤波器的期望或训练输入信号, 令z (n) 表示多级维纳滤波器的观测输入信号。考虑到与期望输入信号y (n) 具有统计独立性, 因此采用统计最小相关方法得到

而多级维纳滤波器的误差输出信号e0 (n) 作为最终的语音增强信号, 级数为N级的多级维纳滤波器算法如下。

4 仿真实验与结果分析

4.1 仿真环境

为了验证本文方法的有效性和可行性, 将本文提出的方法 (MGSCWF) 与传统的GSC和具有后置维纳滤波 (GSC+WF) 的方法对噪声抑制能力进行仿真实验和比较。在嘈杂的实验室中, 语音信号的采样率为8k Hz。实验选取的仿真房间结构为小房间 (5m×4m×3m) , 且各面墙的反射系数相同。麦克风阵列由四个麦克风组成的线性阵列, 相邻阵元的间距为5cm, 说话者位于阵列的正前方, 离阵列中心的距离为1m。由于本文是将多级维纳滤波器与GSC相结合对语音信号进行增强处理的, 所以必须选取一个适当的滤波器级数使整个系统达到最佳的处理结果。通过对滤波器的不同级 (3, 5, 6, 7, 9, 10, 12, 15) 进行实验仿真, 最终得出当N=7级时, 能过得到比较理想的信号。所以选取7级作为滤波器的级数。

4.2 实验结果与分析

当输入信号的SNR为5d B时, 不同输出信号比较如图2所示。通过实验仿真结果可以看出, 本文的方法 (MGSCWF) 与传统的GSC和GSC+WF方法相比, 噪声的抑制效果要好的多。

在输入信噪比为5d B、10d B、15d B情况下对本文方法的输出信号进行比较分析。如图3所示。由实验结果可以看出, 随着信噪比的增加, 本文方法的输出明显去噪效果要好。且输入信噪比越大, 语音质量就越好。

5 结语

本文提出了基于后置多级维纳滤波器的自适应波束形成方法。该方法相对于传统的麦克风阵列语音增强方法而言, 能有效地抑制相干与非相干噪声的干扰。仿真结果最终表明了该方法的有效性。

摘要：在车载系统、电话会议与多媒体会议等语音处理系统中, 麦克风接收到的语音信号常常受到环境噪声的干扰, 严重影响了通话质量。为了能有效地抑制相干与非相干噪声的干扰, 该文将多级维纳滤波器与传统的广义旁瓣抵消器 (GSC) 相结合, 提出了基于后置多级维纳滤波器的自适应波束形成方法。仿真结果表明, 相对于传统的麦克风阵列语音增强方法而言, 本文介绍的方法具有更好的去噪效果。

关键词：麦克风阵列,多级维纳滤波器,广义旁瓣抵消器,自适应波束形成

参考文献

[1]M Brandstein, D Ward.Microphone Arrays[M].New Work:Springer-Verlag, 2001.

[2]J.L.Flanagan, D.J.Johnston, R.Zahn, etal.Computer-steered microphone arrays for sound transduction in large rooms[J].Journal of Acoustical Society of American, 1985, 78 (5) :1508-1518.

[3]L.J.Griffiths, C.W.Jim.An alternative approach to linearly constrained adaptive beamforming[J].IEEE Trans.On Antennas and Propagation, 1982, 30:27-34.

[4]Yongzhi Liu, Qiyue Zou and Zhiping Lin.Generalized sidelobe cancellers with leakage constraints[C].IEEE International Symposium on Circuits and Systems, 2005, 3741-3744.

[5]R.Zelinski.A microphone array with adaptive postfiltering for noise reduction in reverberant rooms[C].IEEE International Conference on Acoustics, Speech and Signal Processing, New York, USA, 1988, 5:2578-2581

[6]S.Gannot and I.Cohen.Speech enhancement based on the general transfer function GSC and postfiltering[J].IEEE Transactions on Speech and Audio Processing, 2004, 12 (6) :561-571.

[7]张丽艳, 殷福亮.一种适用于混响环境的麦克风阵列语音增强方法[J].2009, 25 (5) :720-723.

后置自适应滤波第2篇

针对GPS/DR组合导航Kalman滤波的异常扰动影响问题,引入了自适应滤波算法.给出了由预测残差确定自适应因子的过程.利用实测数据进行验证,结果表明无论是单因子自适应滤波还是多因子自适应滤波都能够很好地控制状态异常对滤波估值的影响,滤波精度均优于标准Kalman滤波导航解;而且因为多因子自适应滤波避免损失可靠的状态参数信息,较单因子自适应滤波,精度又有明显提高.

作者：吴富梅杨元喜田育民 WU Fu-mei YANG Yuan-xi TIAN Yu-min 作者单位：吴富梅,WU Fu-mei(信息工程大学,测绘学院,河南,郑州,450052;西安测绘研究所,陕西,西安,710054)

杨元喜,田育民,YANG Yuan-xi,TIAN Yu-min(西安测绘研究所,陕西,西安,710054)

后置自适应滤波第3篇

关键词：农业图像；滤波增强；非下采样轮廓波变换；离散小波变换；阈值函数模型

中图分类号：TP391.41；S126 文献标志码： A文章编号：1002-1302（2015）09-0448-02

农业图像由于受到复杂的成像环境、成像设备自身缺陷等因素的影响，导致图像中含有一定程度的噪声并且对比度不高，影响了图像的使用。对于该类图像的处理，主要思路有：（1）去噪。采用去噪算法在空间域或者变换域滤除图像中的噪声，如中值滤波[1]、非局部均值滤波[2]、非下采样轮廓波变换（NSCT）[3]、离散小波变换（DWT）[4]等，该类算法在滤除噪声的同时，较少地顾及改善图像的对比度，提高滤波后图像的视觉效果。（2）增强。采用如直方图均衡化[5]、模糊增强[6]等方法改善图像的对比度，突出图像中感兴趣的目标信息，但该类方法很难滤除图像中的噪声，且容易在增强图像的同时放大噪声。农业图像作为一种细节信息较为丰富的图像，对其进行处理，应当有效兼顾滤波和增强这2个环节。因此，结合非下采样轮廓波变换（NSCT）和离散小波变换（DWT），通过对农业噪声图像进行NSCT分解与重构，实现背景图像和细节图像的有效分离，在此基础上，对2者分别进行模糊增强和小波去噪，将处理后的2类图像进行叠加，获得去噪后的农业图像。

1算法基本原理

相对于DWT来说，NSCT在对农业噪声图像分解过程中，能更为有效地捕捉到图像中的线、面等信息，能够实现对图像更为稀疏的表达，但具有相当大的数据冗余度。DWT对于刻画图像中点奇信息是十分有效的，能从水平、垂直、对角等3个方向来刻画图像中的高频信息，尽管其对图像的稀疏性表达能力略逊于NSCT，但具有较小的数据冗余度。因此，构建了NSCT-DWT图像分析框架，通过对农业图像进行NSCT变换和逆变换，获得背景图像和细节图像；然后对细节图像采用DWT进行进一步分析。

1.1背景图像自适应模糊增强

为了更为有效地突显农业图像中的细节信息（如植物的根茎叶边缘等信息），对Pal-King算法[6]中的模糊隶属度映射函数进行改进，改进后的函数模型定义为：

式中：f′（x，y）为公式（1）中像素点灰度值f（x，y）模糊增强后的结果；T-1（）为模糊逆变换计算函数。

1.2细节图像自适应小波去噪

关于小波阈值函数模型，学者们提出一些改进型的模型[7-10]，该类函数去噪模型尽管取得了一些效果，但不足之处在于：（1）自适应不强。函数模型中加入了调节参数，该类参数的取值只能经过反复试验获得，并且对于一类图像甚至是一幅图像来说，如此取值可以满足去噪要求，但对于其余类型图像，则需要重新确定参数值。（2）耗时较大。相当一部分去噪模型中融入了诸如指数、对数之类的非线性函数，在逐步提高函数整体去噪效果的同时，去噪过程的耗时也急剧增大。因此，本研究提出了如下函数模型：

0|w|≤t1。（12）

1.3算法实现步骤

步骤1：对农业噪声图像进行NSCT多尺度分解，得到1幅低频图像和1幅带通图像；低频图像主要包含了农业图像中背景信息，带通图像则包含了农业图像中图像轮廓边缘等细节信息以及绝大多数的噪声信息。

步骤2：对步骤1中获得的带通图像采用一种非下采样多方向滤波器进行多方向分解，获得代表各个方向上的农业像高频信息的方向带通图像序列。

步骤3：对步骤1中的低频图像继续执行步骤1和步骤2，完成对图像更为细致的分解。

步骤4：对上述低频图像和带通图像分别进行NSCT系数重构，获得空间域中的背景图像和细节图像。

步骤5：分别对背景图像和细节图像进行自适应增强和滤波处理，得到处理后的背景图像和细节图像。

步骤6：对经过步骤5处理后的背景图像和细节图像进行叠加，得到最终处理后的农业图像。

2试验测试

借助MATLAB语言对本算法进行编程，采用1幅水果图像对本算法去噪能力进行测验，引入文献[8]和文献[10]中的小波阈值去噪算法与本算法进行对比（分别记为算法1、算法2、算法3），试验结果如图1所示。采用峰值信噪比（peak signal to noise ratio，PSNR）[11]、平均结构相似度算子（means structural similarity，MSSIM）[12]以及算法耗时对上述试验结果进行客观评价，结果见表1。

表1试验结果的定量评价

噪声方差PSNR（dB）算法1算法2算法3MSSIM算法1算法2算法3算法耗时（s）算法1算法2算法3525.35125.60826.1880.7010.7760.8343.4746.1924.8231022.30924.88525.5520.6550.7350.7683.6196.7035.0021520.02823.61225.1730.6020.6840.7363.9276.8915.202

就图像清晰度而言，图1-d稍优于图1-c这，因为算法2中通过将所有的图像小波分解系数分成3类，对于每一类的小波分解系数设置不同的计算方式进行处理，相对于算法1而言，能够更为精细地去除残留在小波系数中的噪声信息，但该算法的计算复杂度明显高于算法1。而图1-d的清晰程度明显优于图1-b和图1-c，主要体现在：（1）图1-d背景中的噪声点基本不存在，而图1-b和图1-c的背景中仍然存在不同程度的噪声，该类噪声的存在影响对图中枇杷果实信息的准确识别；（2）图1-d中枇杷果实轮廓基本从噪声信息中恢复出来，并且图像的对比度比图1-a有了明显提高。

当图像中的高斯白噪声方差为5时，3种算法的PSNR和MSSIM指标值相差不大。当噪声方差达到15时，本算法的PSNR值高于其他2种算法，分别比算法2高1.561 dB比算法1高5.145 dB；本算法的MSSIM值高于其他2种算法，分别比算法2高0.052、比算法1高0.134。对于含有3种不同方差高斯白噪声的农业图像去噪耗时来说，本研究算法相对于文献[12]中的小波阈值去噪算法而言，仍有一定的优势。

3结束语

结合NSCT和DWT，提出了1种农业图像滤波增强算法。通过对含有不同方差高斯白噪声的农业图像进行试验，主观分析结果，PSNR、MSSIM以及算法执行时间等指标定性、定量证明了本研究算法的有效性。

参考文献：

[1]周仕友. 一种结合小波变换的豆类图像增强算法[J]. 江苏农业科学，2014，42（7）：433-435.

[2]陈明举. 基于统计特性的非局部均值去噪算法[J]. 液晶与显示，2014，29（3）：450-454.

[3]韩伟，刘强. 一种 NSCT 域改进阈值函数的杂草图像去噪方法[J]. 江苏农业科学，2013，41（11）：151-153.

[4]Luo F，Wu S J，Jiao L C，et al. Asic design of adaptive threshold denoise DWT chip[J]. Journal of Electronics，2002，19（1）：1-7.

[5]赵吉文，魏正翠，汪洋，等. 基于灰度带比例的优质西瓜子识别算法研究与实现[J]. 农业工程学报，2011，27（4）：340-344.

[6]Pal S K，King R A. One edge detection of X-ray images using fuzzy sets[J]. IEEE Trans，1983，5（1）：69-77.

[7]李雷，魏连鑫. 自适应小波阈值函数的指纹图像去噪[J]. 上海理工大学学报，2014，36（2）：154-157，162.

[8]黄玉昌，侯德文. 基于改进小波阈值函数的指纹图像去噪[J]. 计算机工程与应用，2012，50（6）：179-181.

[9]王蓓，张根耀，李智，等. 基于新阈值函数的小波阈值去噪算法[J]. 计算机应用，2014，34（5）：1499-1502.

[10]王艺龙，杨守志. 基于连续阈值函数的小波去噪方法[J]. 汕头大学学报：自然科学版，2013，28（4）：66-74.

[11]杨福增，田艳娜，杨亮亮，等. 基于杂交小波变换的农产品图像去噪算法[J]. 农业工程学报，2011，27（3）：172-178.

自适应双边滤波超声斑点降噪第4篇

医学超声图像具有安全、方便、实时、低成本和高效率的特点, 因而成为最重要的诊断工具之一。然而医学超声图像等相干图像中广泛存在着一类颗粒状的斑点噪声, 其表现为像素灰度值的突变, 掩盖了和模糊了图像的细节, 而医学超声图像的细节信息对很多临床诊断至关重要, 因而斑点应当被抑制。

超声包络信号幅值服从瑞利分布[1,2,3], 然而从超声机器获取的图像已经被对数压缩, 其信号模型可以用Loupas等人[4]提出的加性噪声模型表示。很多斑点抑制方法被提出, 其中非线性滤波因其具有边缘保持和均匀区域平滑的特性而得到广泛应用, 这些方法包括SRAD模型 ( Speckle Reducing Anisotropic Diffusion) [5]、NCD模型 ( nonlinear complex diffusion) [6]、LPND模型 ( Laplacian pyramid-based nonlinear diffusion) [7]、CTCD模型 ( contourlet transform based complex diffusion) [8]等。 SRAD模型改进了原始各向异性扩散模型的边缘检测和扩散系数, 在降噪和边缘定位等性能上有很大提高。 NCD模型的基本思想是将实数域的扩散方程推广到复数域, 并将虚部成分作为一个二阶的高斯导数来控制扩散的过程。 NCD模型的边缘检测算子对噪声更具鲁棒性。 LPND模型的基本思想是将原始超声图像映射到拉普拉斯多分辨率空间中, 然后对每个尺度的图像进行不同门限下的各向异性扩散, 可更有效地滤除噪声和保持图像信息。 CTCD模型使用轮廓波作为多分辨工具, 因而取得比LPND模型更好的结果。

上述各向异性方法在斑点噪声抑制方面取得很好的效果, 但因为需要手动或根据经验设置门限值, 难以准确估计像素点受斑点噪声污染程度。为了准确探测斑点噪声, 根据医学超声图像在斑点区域的局部统计特征, 提出一种自适应方差双边滤波超声斑点抑制方法。

1 基于局部特征变化分析的斑点噪声抑制

1.1 局部斑点统计特征

Dutt和Greenleaf提出了一种广义瑞利密度函数, 即K分布[9]。斑点可以通过一个近似的K分布函数滤除, 然而这个处理的实现是复杂的。对数压缩的超声图像满足加性噪声模型[4]。当前研究中假设所有的斑点完全发育。用x表示真实信号, n表示0 均值乘性噪声, y表示观察到的信号, 则斑点噪声模型可以表示为:

假设在均匀斑点区域, 真实信号x为常数m, 噪声n方差为 σn2, 则观察信号y的方差为:

由式 ( 2) 可知相邻斑点区域的局部方差近似不变, 因而可以用局部方差的变化速率探测斑点与边缘。

在进行滤波处理前必须选择一个合适大小的窗口, 为了获得可靠的斑点特征, 窗口大小至少包含一个斑点分辨单元。医学超声图像中, 根据图像系统参[9,10], 单元斑点尺寸可按下式计算:

式中Slateral和Saxial分别为横向和轴向的平均斑点尺寸, Dl和Da分别为横向和轴向上每个像素的包络抽样距离, fs是轴向包络抽样频率, fc是中心频率, D是线性传感器在横向上的孔径尺寸, z0为传感器到聚焦带的距离, B.W为包络谱的带宽。当fc=3.5MHz, z0=100mm, D=16mm, Dl=0.5mm, fs=3MHz, B.W =1.5MHz, 可以计算出Slateral/Dl=5.17pixels, Saxial/Da=4.72pixels, 因而斑点特征的最小统计窗口应取7x7 像素。

1.2 局部特征变化分析

假设任意斑点噪声区域的噪声方差都为常数且斑点完全发育, 由超声图像灰度变化易知, 当像素点位于斑点区域时, σ2变化平缓;当像素点位于边缘时, σ2变化剧烈。上述分析说明, 当滤波窗口沿像素点滑动时, σ2的值变化缓慢, 像素点极大可能位于斑点噪声区域或均匀区域, 应对图像进行平滑处理;σ2的值变化剧烈, 像素点位于边缘或边缘附近, 应对图像不做或少做平滑处理。

超声图像局部特征的变化速率可以用梯度来度量。令Im为原始超声图像, I为由Im计算局部方差所得的特征图像, I与Im具有相同大小尺寸。 i和j分别表示图像第一维与第二维索引, 则I ( i, j) 表示超声图像Im中索引为 ( i, j) 的像素点的局部特征值 σ2 ( i, j) , 由偏微分方程定义易得水平方向、垂直方向、45 度方向、135 度方向梯度幅值Ilateral ( i, j) 、Iaxial ( i, j) 、I45 ( i, j) 、I135 ( i, j) , 其描述如下:

上式中符号|·|表示取绝对值。由 ( 4) 式可得点I ( i, j) 的梯度近似值P ( i, j) , 其描述如下:

P ( i, j) 的值可以表示超声图像中点Im ( i, j) 的局部特征值变化速率。 P ( i, j) 取值越大, 表示 σ2变化越剧烈, 像素点Im ( i, j) 越可能为边缘;P ( i, j) 取值越小, 表示 σ2变化越小, 像素点Im ( i, j) 越可能为斑点。根据P ( i, j) 的变化特征, 相似度函数描述如下:

b为用户自定义参数, 不同的b值满足不同的应用。Sij∈[0, 1], 大的相似值 ( 接近1) 表示像素点类似于斑点, 反之, 小的相似值表示像素点更可能为边缘。

1.3 双边滤波

双边滤波器[11]是一种可以在平滑图像的同时保留锐利和明显边缘的非线性滤波器。它同时考虑了像素点之间的亮度距离和空间距离, 可以将图像分解成不同尺度而不产生光晕, 因而广泛应用于计算摄影应用。双边滤波器表现出比线性空间不变滤波器更好的边缘保持和噪声去除效果, 其输入输出关系可以用下式表示:

其中D是以c为中心的局部像素集, q是D的元素。 ||q-c||表示局部像素q与中心像素c间的欧几里得距离, |xq-xc| 表示q与c间的亮度距离, xq是像素q的灰度值。 Gσr和Gσz分别是标准差为 σr, σz的高斯函数。

双边滤波器具有3 个参数:窗口直径、σz和 σr。其中, 双边滤波器窗口尺寸应当和斑点特征统计窗口大小一致。斑点噪声的灰度变化较大, 为了获取足够的平滑, 需要将σz设置为一个较大值以排除欧氏距离的影响。因而影响超声图像降噪效果的参数为局部窗口直径和 σr。 σr可以根据相似度函数自适应, 其表达式为:

1.4 算法具体步骤

算法具体实施步骤总结如下:

①用r×r窗口计算原始超声图像Im的局部方差得到特征图像I。

②用式 ( 4) 、式 ( 5) 、式 ( 6) 计算图像I得到相似度图像。

③用式 ( 9) 计算步骤②中的结果得到Im中每一点的自适应方差 σr, 用直径r, 方差 σr的双边滤波过滤图形Im, 得到滤波结果。

④用滤波结果替代Im并重复上述步骤。当重复一定次数或取得满意的效果后停止重复, 得到最终降噪结果。

2 实验结果

信噪比SNR[12,13] ( signal-to-noise ratio) 和对比噪声比CNR[14] ( contrast-to-noise ratio) 是评价超声图像质量的两个主要标准。 SNR和CNR描述如下:

其中 μt和 σt为分别为感兴趣区域的均值和方差, μb和 σb分别为和感兴趣区域大小相等的背景区域的均值和方差。图像质量指标的增长率用up SNR和up CNR度量, 其描述为:

为了验证本文方法的性能, 实验中将本文方法与SRAD、DPAD[15] ( detail preserving anisotropic diffusion) 进行比较。在SRAD方法中, 步长 λ 设置为0.5, 迭代次数为100。在DPAD方法中, 步长 λ 设置为0.8, 迭代次数为200。本文方法中, 斑点特征统计窗口和双边滤波器窗口大小都为9 × 9, 迭代次数为15, b=12, σz=50。从图像系统参数可知, 统计窗口最小为7x7 并且小于一个合理值。

图1为物理体膜超声图像, 图2为人类肝脏超声图像。每一个图 (a) 都表示原始超声图像, 每一个图 (b) 都为SRAD降噪结果, 每一个图 (c) 都为DPAD降噪结果, 每一个图 (d) 都为本文方法降噪结果, 每一个图中的黑色像素围绕方块为背景噪声区域, 每一个图中的白色像素围绕方块为感兴趣区域。SNR用黑色方块计算, CNR用白色和黑色两个方块共同计算。SNR和CNR被用作实验性能标准。物理体膜超声图像和人类肝脏超声图像的性能标准分别展示于表1和表2中。

数量上, 所有降噪结果的CNR值和SNR值都是原始超声图像的数倍, 比较而言, 本文方法的数值最大, 性能优于其他方法。视觉上, 四种方法都可以有效的抑制斑点噪声和保留图像边缘, 然而本文方法的噪声抑制程度和边缘保留程度更好。综合数量标准和视觉效果, 本文方法优于SRAD和DPAD。

3结束语

后置自适应滤波第5篇

改进的Sage-Husa自适应滤波及其应用

为防止滤波发散和提高系统的实时性,提出了一种基于协方差匹配技术的自适应滤波方法.该方法将协方差匹配技术和一种简化的Sage-Husa自适应滤波算法相结合,通过滤波的状态确定量测噪声协方差阵的值,在线估计噪声的统计特性实现自适应滤波.将该算法应用到惯导/双星(INS/DS)组合导航系统中,并和简化的.Sage-Husa自适应滤波算法进行仿真比较.仿真结果表明,在滤波精度相当的情况下,新算法简化了运算,提高了实时性.

作者：鲁平赵龙陈哲 LU Ping ZHAO Long CHEN Zhe 作者单位：北京航空航天大学自动化科学与电气工程学院,北京,100083 刊名：系统仿真学报 ISTIC PKU英文刊名：JOURNAL OF SYSTEM SIMULATION 年，卷(期)：2007 19(15) 分类号：V249.32+8 关键词：Sage-Husa自适应滤波协方差匹配技术实时性组合导航系统

工业彩色图像的局部自适应滤波第6篇

工业现场采集的监视目标最普遍的弱点是物体与背景的灰度差小、图像污染及图像模糊, 使得对实测目标检测的鲁棒性和定位的准确性变得更为困难。故此滤波环节是首要的, 滤波效果直接影响后续处理和最终结果。同时工业图像的边界点往往具有重要的意义, 例如标定点和状态指示, 希望边界清楚、对比度大且连续。

文献[1]提出了自适应彩色图像滤波器 (ACIF) , 在滤除脉冲噪声、高斯噪声、混合噪声以及细节保持方面表现优异, 缺点是以固定窗分析噪声和计算量较大。李翠华等提出的以最小二乘 (LS) 为准则的自适应迭代滤波方法, 对Gauss噪声和均匀分布噪声效果很好, 但对污染严重的图像效果不佳。小波滤噪也是目前研究比较活跃的领域, 与数学形态学、传统滤波方法、模糊数学等结合, 取得了很好的成果, 但它的缺点也是计算量较大, 不适合实时图像处理。

本文提出了一种自适应彩色图像滤波的改进方法。首先利用自适应邻域法选择局部最大的灰度平稳区, 而不是大小固定的区域;然后, 利用中心像素与邻域点的差值判断中心像素的类型背景点、脉冲噪声、边界点;最后, 根据像素类型和邻域大小选择不同的滤波模板。方法的自适应性主要集中在邻域大小选择和噪声类型判断两方面。该方法计算量小, 对边界和细节保持较好, 对脉冲噪声作用明显。

1彩色补偿

受外界光照环境 (尤其是光源的颜色) 的影响, 采集来的彩色图像经常会发生彩色偏移, 需要对其作彩色补偿, 还原图像的真实颜色。彩色补偿的常用方法是矩阵法、多元回归法、查找表法、神经网络等方法。但它们具有各自的缺点:

(1) 矩阵法仅适用于线性设备, 矩阵参数难以选择, 常出现原图没有的颜色;

(2) 查找表法和神经网络法计算量很大;

(3) 多元回归法需要大量的标准图像, 这恰恰是工业图像不具备的。

文献[4]提出了一种新的补偿方法, 但计算量大且须根据经验设定参数值, 不满足实时性要求。这里引入Gray World彩色均衡方法[3,5]来消除彩色偏移。Gray World彩色均衡方法基于“灰度世界假设”, 该假设认为:对于一幅有着大量色彩变化的图像, R、G、B 三个分量各自的平均值趋于同一个灰度值。在客观世界中, 一般来说物体及其周围环境的色彩变化是随机且独立无关的, 因此这一假设是合理的。该方法的基本思想是:首先通过图像R、G、B三个分量各自的平均值 avgR、avgG、avgB确定出图像的平均灰度值avgGray;然后调整每个像素的R、G、B 值, 使得调整后图像的R、G、B三个分量各自的平均值都趋于平均灰度值avgGray。其具体计算步骤如下:

(1) 计算图像的R、G、B三分量各自的平均值aR、aG、aB, 并令图像的灰度值:

aGray= (aR+aG+aB) /3 (1)

(2) 令α1=aGray/aR, α2=aGray/aG, α3=aGray/aB, 对于图像中的每个像素V (i, j) , 调整其R、G、B分量VR (i, j) , VG (i, j) , VB (i, j) , 使得:

(3) 将图像各个像素R、G、B值调整到可显示范围之内。

以电厂汽包双色水位计监视图像为例, 图1、图2分别为补偿前和补偿后的图像, 可以直观地看出图2更接近真实色、更清晰。

2邻域选择

传统的选择区域为在以 (i, j) 为中心的一个局部平稳、大小固定的邻域。显然用固定尺寸和形状的窗口对图像信号作邻域统计是不精确的, 因为大部分的彩色图像具有非规则对相, 当有曲线像素通过窗口时, 窗内信号不能保证是局部平稳的, 故会产生较大的统计误差。我们用一种自适应邻域统计法, 使包含 (i, j) 点参与统计的邻域大小和形状能随图像的特征作自适应变化, 以保证邻域统计是在包含 (i, j) 点的最大平稳区内进行。令 $\bar{V_{C}}^{(n)} (i, j)$ 表示颜色C (C=R, G, B) 邻域第n次迭代所求得的自适应邻域均值, n为迭代运算次数, n=1, , N, N一般取3或4。定义:

$u_{C} (Ν) = {\begin{cases} 1 \bar{V_{C}}^{(Ν + 1)} (i, j) - \bar{V_{C}}^{(Ν)} (i, j) Τ \\ 0 其它 \end{cases}$

(3)

其中C=R, G, B。

u (N) =uR (N) +uG (N) +uB (N) (4)

T为设定的阈值, 可以根据改进的平均方差法选择, 具体过程见文献[2]。如果u (N) 1表示在R, G, B三分量中有两个局部平稳区不再明显增加, 无需再增大窗口尺寸, 迭代运算停止。此时选定邻域大小为 (2N+1) (2N+1) 。

3彩色图像噪声分析

设V (i, j) = (VR (i, j) , VG (i, j) , VB (i, j) ) 为RGB彩色空间的像素点, VR、VG和VB分别表示R、G、B分量。以红色分量R为例, 具体步骤如下:

(1) 用中心像素和周围 (2N+1) ^2-1作差, 并取绝对值|VfC|;

(2) 判断|VfC|>M的个数H;

(3) 根据H的大小判断像素点类型:IFH>N (2N+1) , 为边界点;IFH>N (3N+2) , 为噪声点;否则为背景点。

参数M的自适应确定方法:

(1) 计算中心像素与其邻域像素差的绝对值|VfC (x, y) |;

(2) 求出:

$\bar{V f_{C}} = \frac{1}{(2 Ν + 1)^{2} - 1} \sum_{\begin{array}{l} x ‚ y = 1 \\ x \neq y \end{array}}^{2 Ν + 1} | V f_{C} (x, y) |$ (5)

$V_{C} = \frac{1}{(2 Ν + 1)^{2} - 1} \sum_{\begin{array}{l} x ‚ y = 1 \\ (x \neq y) \end{array}}^{2 Ν + 1} | V f_{C} (x, y) - \bar{V f_{C}} |$ (6)

(3) 令 $Μ = γ (\bar{V f_{C}} + V_{C})$ , 其中γ为常数。

上述方法较为准确地区分出背景、脉冲噪声和边界点, 但对于高斯噪声不敏感, 有可能出现漏判。故此在滤波环节作相应的处理, 以减少高斯噪声的影响。

4滤波方法设计

上述方法未区分高斯噪声, 背景点和边界点可能受到高斯噪声的干扰。为减少高斯噪声的幅值, 采用加权均值矢量替换原来的像素自适应加权滤波器 (AWF) 。AWF既具有良好的滤除脉冲噪声的能力, 又保持了抑制高斯噪声的能力。具体设计方法参见文献[1]。

(1) 背景像素

考虑到高斯噪声的影响, 较好的做法是用加权均值矢量替代原有的像素。

(2) 脉冲噪声

采用线性插值法, 丢弃原有的噪声点, 对周围点作加权线性插值得到滤波后的像素值。

(3) 边界点

窗口尺寸越小, 边界点相应的权值越大, 越有利于保持图像边缘与细节。

因此, 设计图3所示的局部自适应滤波器。

5实验结果

邻域迭代选择大小步骤中, 在用式 (3) 进行第一次迭代时, 取 $\bar{V_{C}}^{(0)} (i, j)$ 为以 (i, j) 中心的33窗内图像灰度中值滤波的结果。针对本文所处理图像的特征点主要为文字、数字和长方形水位柱, 所以设定最大邻域为77 (即N=3) 。通过实验, 得到各种滤波的结果如图4-图7所示。

对比上述几种结果, 自适应滤波方法更符合人类视觉特性。对上述四种滤波结果, 求横向差分。并将第四种与前三种一一相减, 得到横向差分图像。由差分图像可以看出, 在横向边界点有明显的灰度值, 说明自适应滤波方法的边界保持效果优于其它三种方法。

6结束语

本文介绍的自适应滤波方法, 算法简单, 适合于实时处理;滤波效果也优于中值滤波和线性插值滤波。然而, 本方法基于对RGB彩色分量单独处理, 没有考虑到三分量之间的相互联系, 对颜色特征区分不明显, 这有待于进一步深入研究。

摘要：针对工业彩色图像的特点和实时性较高的要求, 提出了简单的局部自适应滤波方法。该方法可以按照设定参数自动选择局部灰度平稳区, 根据选定领域范围内像素的统计特性来判断中心像素的类型, 可以较为准确地区分背景点、脉冲噪声点和边界点。结合邻域大小和类型, 设计了不同的滤波模板。该方法不需人为选定待滤波区域, 效果较好, 且运算时间短, 满足实时要求。

关键词：自适应滤波,工业彩色图像,局域自适应,彩色补偿

参考文献

[1]蒋刚毅, 郁梅, 郁伯康.自适应彩色图像滤波新方法[J].科学通报, 1999, 44 (18) :1937-1942.

[2]付忠良.图像阈值选方法[J].计算机应用, 2000, 20 (5) :37-39.

[3]雷鸣, 张军英, 董济扬.一种可变光照条件下的肤色检验算法[J].计算机工程与应用, 2002, 24:123-125.

[4]Cheng-Chin Chiang, Chi-Jang Huang.Arobust method for detecting ar-bitrarily tilted human faces in color images[J].Pattern RecognitionLetters, 2005, 26:2518-2536.

对自适应空域滤波的干扰研究第7篇

阵列信号处理的两个主要研究分支是自适应空域滤波和空间谱估计,它们之间由于其内在的联系,相互促进、互为补充。自适应空域滤波,也称为自适应波束形成,是根据接收准则自动地调节天线阵元加权系数的幅度和相位,使得代价函数最小,使系统达到该准则下的最佳接收效果[1,2]。

通常情况下,运用自适应波束形成技术能得到很好的接收性能。但当空间谱估计估计出的参数如信源数目、波达方向出现错误或期望信号与干扰信号相干,将导致自适应空域滤波的能力大大下降。

1 统计最优波束形成

自适应空域滤波的核心是对空间干扰环境作出反应,实现有用信号的有效接收。对有用信号的有效接收包括两个方面:一是使阵列方向图主瓣对准期望信号方向;二是对干扰进行有效抑制。其实质为统计最优波束形成[3,4]。统计最优波束形成是一种分析工具,它为自适应空域滤波提供了理论依据。

统计最优波束形成问题是在某一准则下寻找最优权适量。以最小噪声方差(MNV)准则为例,考虑远场的一个期望信号和P个干扰信号入射到由N个阵元组成的某阵列上,则阵列接收信号可表示为:

式中:S(t)为期望信号和干扰信号的空间信号矢量;N(t)为噪声数据矢量;A为导向矢量矩阵,且:

式中:a(θi),i=0,1,,P分别表示为信号和干扰的导向矢量。设信号,干扰,噪声之间互不相关,阵列接收信号的相关矩阵为:

式中:σn2为噪声功率;RS为信号复包络的相关矩阵。

设W=[w1,w2,,wN]T为自适应阵列天线的权矢量,y(t)=WHX(t)为阵列天线的输出。

MNV准则波束形成器代价函数和线性约束条件分别为:

用拉格朗日乘子法求解式(4),得到:

式(5)表示的最优波束形成器即为最小方差吴失真响应(MVDR)波束形成器,也叫Capon波束形成器。

这时相应的最小输出功率为:

假设天线阵采用16元均匀线阵,阵元间距为半个波长,期望信号在0°方向,两个干扰信号方向为-30°和40°,两个干扰信号和期望信号之间互不相干。其最优波束方向图如图1所示。可见,最优波束形成器能有效地抑制干扰。

2 对自适应空域滤波的相干干扰

以上对自适应空域滤波的性能分析是有前提条件的,即需要预先知道期望信号的波达方向,并假设干扰信号和期望信号之间互不相干,但在实际情况中这两个条件并不能满足。信号源的波达方向需要估计得到,如果估计误差较大则空域滤波的性能将下降;干扰信号和期望信号之间可能相干,也会导致空域滤波性能下降。

2.1 相干干扰对信号源数估计的影响

在波达方向估计技术中,大部分算法均需要知道入射信号数。在实际应用场合,信号源数往往是一个未知数,需要先估计信号源的数目,然后再估计波达方向[5,6]。用信息论准则来估计信号源数目时,如果信号源相干,则无法正确估计信号源数,从而不能获取正确的波达方向[7]。

假设采用8阵元的均匀线阵,信号源由一个期望信号和三个干扰信号组成,且信号之间互不相干,其入射方向分别为-10°,5°,30°和50°,噪声为白噪声,快拍数为200,阵元间距为半波长,独立实验100次。仿真结果如图2所示。

当30°方向干扰信号与期望信号相干,其他条件不变时,仿真结果如图3所示。

比较图2和图3可知,相干信号对信号源数的正确估计影响很大。当估计的信号源数与真实的信号源数不一致时,空间谱曲线中的峰值个数与实际源数不相同,会对真实信号的估计产生严重的影响。

假设采用8阵元的均匀线阵,三个不相干入射信号的入射方向分别为-10°,0°和30°,快拍数为100,则信号源数不同时MUSIC算法的谱如图4所示。

从图4可以看出当NXP时,图中的谱峰个数比P多。从仿真可以知道,只有正确地估计信号源数才能有效的获取波达方向。

2.2 相干干扰对波达方向估计的影响

当信号源相干时其数学表现为:相干信号源间只差一个复常数[8]。假设有n个相干源,即:

这里s0(t)可以称为生成信源,因为它生成了入射到阵列上的n个相干信号源。将式(7)代入式(1)可得相干信号源模型:

式中ρ是由一系列复常数组成的n1维矢量。

由数学模型可知,当信号源完全相干时,阵列接收的数据协方差矩阵的秩降为1,显然这会导致信号子空间的维数小于信号源数,某些相干源的导向矢量与噪声子空间不完全正交,从而无法正确估计信号源的波达方向[9,10]。

假设采用8阵元的均匀线阵,三个互不相干入射信号的入射方向分别为-30°,10°和25°,快拍数为100,则MUSIC算法的谱如图5所示。

当入射方向为10°和25°的信号源相干时,MUSIC算法的谱如图6所示。

从图6可知,当信号源相干时,不能正确估计来波方向。

2.3 相干干扰环境下的最优波束形成

以MVDR波束形成器为例,将相关矩阵R写成谱分解形式:

后置自适应滤波第8篇

在雷达图像滤波方面有大量雷达滤波算法, 本文研究成像后SAR图像的滤波处理, 采用局域统计自适应滤波算法, 以局域的灰度统计特性为基础决定参与滤波的邻域像素点及其权值, 在平滑噪声的同时较有效保持边缘特征。

1 滤波算法目视效果评价

对雷达图像的滤波, 应使在滤波消除斑点噪声同时较好保持边缘和纹理细节特征。目视效果评价具有其重要实用性, 就目前而言, 大部分雷达图像解译还是需人工进行, 目视效果很大程度上影响解译人员判读准确性, 下面通过对滤波处理图像对比分析各滤波算法不同, 窗口均设为55:

2 利用评价因子对滤波效果进行评价

实验选用两幅雷达图像, 1图为HH极化, 大小500500, 分辨率10m, 成像于武汉地区。2幅为HH极化, 大小217213, 分辨率1.2m, 地点加拿大多伦多市市区。对两图进行各种滤波处理后, 计算相应评价因子, 排序可得:

从均值看, 其为整个图像平均强度, 反映图像包含目标平均后向散射系数。两图滤波结果Sigma滤波均值最小, 整体色调表现较暗, 均值滤波均值最大, 色调较亮。

方差代表图像中所有点偏离均值程度, 反映图像不均匀性。两影像处理结果均为Lee滤波方差最大, 即图像不均匀性最大, 与Lee滤波结果中大量白色斑点的出现相符。

从等效视数看, 图1均值滤波与Sigma滤波分别对应为最大最小值, Sigma滤波纹理保持较好, 平滑效果不行, 均值滤波平滑效果最好, 但纹理损失最严重。图2Lee滤波等效视数最大, 纹理保持最好, 但图像上产生白色斑点。这种差异主要是由于两幅图像所在地区的地表粗糙程度及地表物体反射系数分布均匀程度所决定的。

从辐射分辨率分析, 武汉图像滤波结果中, 均值滤波信息损失最为严重, 辐射分辨率也最差, Sigma滤波分辨率最好, 纹理保持最佳。多伦多图像滤波结果Lee滤波分辨率最好, 纹理最佳。另外, 辐射分辨率大小的排列正好与等效视数正好相反。这是由于滤波的程度越大, 在滤波平滑的过程中原图像的信息丢失也会随之增大, 必然导致图像整体分辨率的下降。

从均方误差来看, 武汉地区Sigma滤波均方误差最小, EPOS滤波最大, 多伦多地区Lee滤波均方误差最小, EPOS滤波最大, 且除Sigma滤波与Lee滤波外, 两图的其他滤波算法排列相同。通常均方误差值越小, 则反映滤波后的图像越接近于理想图像, 滤波效果越好。通过观察, 还可发现上述滤波方法均方误差排列与等效视数近似相同 (EPOS除外) 。这是由于随效视数增大, 滤波程度增大, 其与理想图像的差异也就越来越大了。

从峰值信噪比来分析, 武汉地区EPOS滤波的峰值信噪比最大, 噪声在图像中所占比重最小, Sigma滤波峰值信噪比最小, 噪声所占逼真那个最大。于此同时, 多伦多地区Lee滤波的峰值信噪比最小, 同样是EPOS滤波最大。这些数据的大小排列与滤波处理后图像上噪声的分布情况是相一致的。上述滤波方法的峰值信噪比大小排列与辐射分辨率近似 (EPOS除外) , 即图像的辐射分辨率越高, 其峰值信噪比越大。

3 结论

在对雷达图像的滤波处理中, 需要充分考虑图像的不均匀性, 以局域的灰度统计特性为基础来决定参与滤波的邻域像素点及其权值, 传统的滤波方法在雷达影像中已经不太适用了。对于雷达图像的滤波处理, 我们的最终目标是希望得到一幅既保证高辐射分辨率又保证良好的滤波效果的图像。但是通常情况下, 辐射分辨率与滤波效果是背道而驰的, 鱼与熊掌不可兼得。例如在本文提到的几种滤波算子中, Lee滤波, Sigma滤波与EPOS滤波均可得到较好的纹理效果, 但是在去噪方面表现较差, 均值滤波和MAP滤波的去噪效果好, 但是纹理丢失相当严重。对此, 我们需要统合地看待这一问题, 合理地处理高辐射分辨率与滤波平滑之间的平衡, 通过对滤波后各评价因子的综合分析, 找出较好地几个待选滤波算法, 再通过目视效果的评价对其作出选择。

摘要：综合运用目视评价与各种评价因子依次对Sigma滤波, 增强Lee滤波算法, 增强Kuan滤波算法, 增强Frost滤波算法, 最大后验概率 (MAP) 滤波算法, 边缘保持最优化 (EPOS) 滤波算法进行性能校验与评价, 对比分析各滤波算法优缺点。

关键词：自适应滤波算法,目视效果,评价因子

参考文献

[1]杨凯, 等.遥感图像处理原理和方法[M].北京:测绘出版社, 1988.

[2]Lopes R Touxi. E Nezry. Adaptive Speckle Filters and Scene Heterogeneity[J].IEEE Trans On Geoscience and Remote Sensing, 1990.

一种自适应去除振铃滤波新算法第9篇

关键词：去振铃效应,自适应滤波,中值滤波,图像质量

0 引言

视频图像的压缩技术在很大程度上减少了视频图像的存储容量和传输带宽,极大地促进了图像和视频业务的广泛应用。目前很多主流的视频及图像编码技术是使用基于块的DCT变换,并在变换域中对变换后的系数进行量化[1,2]。由于高频的交流系数通常在量化时会被去掉,从而导致解码后视频图像的失真。失真有两种,一种是在块的边界出现不连续的现象,另一种是当原始图像里面有强边界的时候,解码后会在边界周围产生类似于水波纹样的效果。前一种失真可以在编码器端加入滤波器对块边界进行滤波得以减弱并消除。而后一种失真现象称为振铃现象。这种现象严重地降低了视频图像的主客观质量。

1 振铃效应的产生原因和去除原理

振铃效应是指失真图像中高对比度边缘处的抖动现象,在对比度高的区域较明显,但不会出现在平滑区域。它同样是由于量化,特别是高频分量的粗量化引起的,对高频分量的粗量化等同于使用了一个锐截止的低通滤波器对图像数据进行滤波。下面从信号的角度解释振铃效应的产生。如图1(a)所示,g(t)是一个输入的阶跃信号(如图1(a)中虚线所示);f(t)是g(t)经过低通滤波h(t)(如图1(b)所示)后得到的信号(如图1(a)中实线所示)。从图1(a)可看出,经滤波后,在信号的阶跃处出现了明显的抖动现象。因此,当图像存在强边界时,经过低通滤波就会在边界产生振铃现象。

在视频图像的编码过程中,量化实际上也是一个平滑低通滤波的效果。因此,在原始图像里面有强的边界时,解码后会在边界产生振铃效应。

常用的去除振铃效应的方法[3,4]是先找出边缘区域,然后根据不同的区域自适应滤波。这样,就可以在滤除图像振铃效应的同时,尽量保留图像的边缘部分。

2 编解码标准MEPG-4中的去振铃算法

MEPG-4中去振铃滤波算法[5]也是基于图像边界滤波的方法。该方法首先将每个1616的宏块划分为88的子宏块,然后确定每个子宏块的局部阈值,并根据局部阈值对子宏块进行二值化处理,最后根据二值化的结果对宏块进行自适应滤波。具体方法如下:

(1) 划分子宏块。首先将每帧解码的图像分为大小为1616的宏块,再将每个宏块分为88的子宏块,即每个子宏块包含4个88的块,并对每个子宏块进行标号,如图2所示。

(2) 确定每个子宏块的局部阈值。为了确定每个子宏块的局部阈值,首先找出每个子宏块中的最大像素值b[k]max和最小像素值b[k]min,其中k=1,2,3,4,然后确定宏块中每个子宏块的阈值threshold[k]以及灰度变化范围range[k],计算公式如下:

undefined

接下来,将4个子宏块中最大的灰度范围range[k](k=1,2,3,4),作为这个宏块的range,并将该子宏块对应的标号k标志为kmax如式(3)所示。

undefined

最后对一些子宏块的阈值threshold进行调整。如果宏块的灰度范围range<16,则全部子宏块的局部阈值threshold[k]置为0;如果宏块的灰度范围range≥64,并且子宏块的range[k]<32,则该子宏块的threshold[k]更新为threshold[kmax];其余的子宏块的局部阈值保持不变。

(3) 用局部阈值对子宏块进行二值化。如果子宏块的像素点大于该子宏块的阈值threshold[k],则将该像素点置为1,反之,置为0。

(4) 自适应滤波。用图3中的滤波器对图像进行自适应滤波。当33的滤波模板所覆盖的区域所对应的二值化值全为1或全为0时,则用图3的滤波器对解码图像对应的33区域进行滤波,改变该区域的中心像素点的值。反之,不滤波。

3 去振铃滤波新算法

原去振铃滤波算法主要有两点不足:

(1) 采用的低通滤波器是33的对称滤波器,由于振铃效应是在强边界处产生类似水波纹状的弱边缘,并且具有方向性。因此,二维对称滤波器并不能完全有效地去除振铃效应。

(2) 由于该算法是针对所有的非边缘点进行滤波,这样务必会造成一些不太可能产生振铃效应的区域如弱边缘区域也进行了滤波,这样会造成图像细节的丢失,影响图像的主观效果。

在此提出的去振铃滤波算法在原去振铃滤波算法的基础上进行改进,改进后的算法流程为:

(1) 划分子宏块并确定每个子宏块的局部阈值,并根据局部阈值对宏块进行二值化。该部分和原算法完全相同。

(2) 自适应滤波

① 滤波像素点的确定。根据得到的二值化图像,可以知道,被连通的全1或者全0包围的区域为非边缘区,而0和1相邻的区域为边缘区。实验结果表明,振铃效应一般产生在距离强边缘小于等于5个像素点的区域。因此,当非边缘点距离边缘的距离小于等于5个像素点时,将该点标记为滤波像素点;当非边缘点距离边缘的距离大于5个像素点时,将该点标记为不滤波像素点,相比于原方法对所有的非边缘点进行滤波,该方法对图像的一部分细节进行了保留。

② 滤波过程。由于振铃效应在强边缘的周围产生与强边缘同方向的假边缘[6],因此,用二维的对称滤波器滤波,并不能完全滤除振铃效应,故提出用一维中值滤波器对滤波像素点进行滤波,具体过程如下:

如图4所示,Y5为需滤波的像素点。

判断振铃效应引起的假边缘点的方向

若(Y5-Y2)(Y5-Y8)>0,则undefined,否则T1=0;

若(Y5-Y1)(Y5-Y9)>0,则undefined,否则T2=0;

若(Y5-Y4)(Y5-Y6)>0,则undefined,否则T3=0;

若(Y5-Y3)(Y5-Y7)>0,则undefined,否则T4=0;

比较T1,T2,T3,T4的值,找出值最大的Ti,即:

undefined

进行有方向的滤波:

当Ti=T1时,说明振铃方向为图4中的方向1,对Y5沿着方向3进行中值滤波,即滤波后的值为Y2,Y5,Y8的中值;

当Ti=T2时,说明振铃方向为图4中的方向2,对Y5沿着方向4进行中值滤波,即滤波后的值为Y1,Y5,Y9的中值;

当Ti=T3时,说明振铃方向为图4中的方向3,对Y5沿着方向1进行中值滤波,即滤波后的值为Y4,Y5,Y6的中值;

当Ti=T4时,说明振铃方向为图4中的方向4,对Y5沿着方向2进行中值滤波,即滤波后的值为Y1,Y5,Y9的中值。

4 性能测试结果对比

4.1 主观结果

对序列hallcif.yuv编解码,然后分别用MEPG-4中的滤波方法和改进的滤波方法对解码图像进行去振铃滤波,比较滤波后的图像。

经过对比图6(a)和(b),可以看出图6(b)相对于图6(a),振铃效应得到了更好的削弱。特别是图6(c),(d)中的局部放大区域,可以明显看出,改进的滤波算法对振铃效应的消除有更好的效果,大大提高了图像的主观质量。

4.2 客观结果

将图6(c),(d)中产生振铃效应的区域的局部的PSNR计算出来,比较两种算法的客观性能。

选取两幅图像中横坐标从20～50,纵坐标从137～167的区域,计算局部PSNR。经过计算,原算法滤波后的局部区域PNSR为29.42 dB,改进算法滤波后的局部区域PNSR为29.72 dB。由此,可以看出,新算法比原算法的局部PSNR提高了0.31 dB。因此,新算法也提高了图像的客观质量。

5 结语

本文在MEPG-4中去振铃滤波算法的基础上,提出的一种新的去振铃滤波算法。该算法克服了原算法中图像细节的丢失和振铃效应去除不够彻底的缺点。只对边缘点周围的非边缘点进行滤波,防止图像细节的丢失,同时有方向性的中值滤波,对振铃效应消减有更好的效果。实验结果表明,相对于原方法,本文提出的方法可以有效提高图像的主客观质量。

参考文献

[1]龚翊廷,郭炜,祝永新.改进的自适应去振铃滤波算法及其硬件实现[J].信息技术,2008,32(1):49-51.

[2]吴淑艳,黄继风,闵瑞隽.一种基于边界处理的图像复原方法[J].微计算机应用,2008(7):11-15.

[3]Wang Ci,Xue Ping,Lin Weisi,et al.Fast Edge-preserved Post-processing for Compressed Images[J].IEEE Trans.on Circuits and Systems for Video Technology,2006,16(9):1142-1147.

[4]Kong H,Niey,Vetro A,et al.Coding Artifacts Reduction using Edge map Guided Adaptive and Fuzzy Filtering[A].IEEEICME[C]Taipei,2004.

[5]International Standard ISO/IEC14496-2:2004Technical Corrigendum1[S].2004,15(6):612.

[6]徐金波.变换编码中消除图像“块效应”的优化算法[J].计算机工程与科学,2006,28(2):51-53.

[7]You Y-L,Kavehm.Ringing Reduction in Image Restora-tion by Orientation-selective Regularization[J].IEEE Sig-nal Processing Letters,1996,3(2):29-31.

[8]Bin L K,Weimiao Y,Liangls.Ringing Reduction of Image Res-toration[A].IEEEICSP[C].Beijing,2002:1757-1761.

[9]宗琦,高璐.一种盲复原图像振铃效应的后处理与质量评价方法[J].计算机应用,2007,27(4):986-989.

通信对抗中的自适应滤波技术第10篇

自适应滤波技术[1,2]是信号与信息处理学科中一个重要的研究方向,它通过自动调节滤波器的系数,使得通过滤波器的信号逐渐逼近期望信号,广泛应用于系统辨识[3]、回波消除、自适应谱线增强、自适应信道均衡、语音线性预测以及自适应天线阵等诸多领域中。

这里将自适应滤波技术应用于通信对抗领域,研究了基于自适应滤波的宽带波束形成技术,基于自适应滤波的宽带多信道校准技术以及基于自适应滤波的干扰抵消技术。

1 基于自适应滤波的宽带波束形成技术

当前,对于窄带波束形成器的设计,已有很多较为成熟的方法。然而在很多情况下,要求基阵能够不失真地接收宽带信号,因此要求波束形成器的波束图具有与频率无关的特性。然而窄带波束形成只使用一组固定的权系数,这使得不同频率下的基阵波束图指向不同,若宽带信号位于波束主极大方向以外,则宽带信号的不同频率成分获得的增益将不同,这将造成信号波形的畸变,且信号的带宽越大,畸变越严重,所以必须研究宽带波束形成技术,使基阵可以在很宽的频率范围内保持基本一致的波束图。

宽带波束形成既可以在时域实现,也可以在频域实现。在频域主要利用FFT和反FFT变换,在时域则可利用FIR滤波器。频域的方法是数据块处理方法,时域的方法则是数据流处理方法。在频域进行处理时,当进行反FFT变换时,在数据块的衔接上存在瞬态信息丢失的问题,时域的处理则不存在此问题,因此时域宽带波束形成更有利于宽带信号的连续侦收。

时域宽带波束形成器[4]是通过自适应FIR滤波器组来实现的,主要是利用FIR滤波器实现各阵元的加权。其设计思想是:如果要在某方向形成一个波束,对于给定带宽的信号,选择其带宽内一定数量的频率点来进行波束设计,得出在这些特定频点上的加权值,即每个阵元的幅度权与相位权,然后设计一组滤波器,使每个滤波器的幅相响应分别与各阵元在这些频点上的加权值相同或近似相同。

时域宽带波束形成器中的FIR滤波器可以采用模型参考自适应滤波方法进行设计,如图1所示。图中信号源由M个具有不同频率的正弦信号组成[5],它既是自适应FIR滤波器的输入,也是伪滤波器的输入,其频率是形成波束的各频点频率。伪滤波器描述了满足束宽要求的设计指标,即是由波束形成得到的M个频点的幅度权和相位权得到的滤波器频率响应指标。

信号源的组成由式(1)表示:

$x (n) = \sum_{i = 1}^{Μ} c_{i} \sin (2 π f_{i} n)$ 。 (1)

伪滤波器的输出,也就是期望的自适应FIR滤波器的输出为:

$d (n) = \sum_{i = 1}^{Μ} a_{i} c_{i} \sin (2 π f_{i} n + θ_{i})$ , (2)

式中,ai为在频率fi处的幅度响应,θi为相位响应。ci为在频率fi处的正的代价因子(0<ci1)。ci越大,在频率fi处就越接近于满足要求。首先确定自适应滤波器的阶数L,该自适应滤波器具有L个自由度,要在M个频率上满足设计指标,在每个频率上需要2个自由度(幅度响应和相位响应)来满足它。因此,当L≥2M时可以使设计的滤波器在M个频率上满足设计指标,而在多数情况下,只能得到近似满足各频率指标的最小均方解。

当自适应滤波器收敛于最小均方解时,也就得到了对设计指标的最小均方拟合,参考维纳-霍夫方程,该滤波器的解是:

h=R $_{x x}^{- 1}$ Rxd=

式中,Rxx是正弦波信号的和信号 $x (n)$ 的自相关矩阵,Rxd是正弦波和信号 $x (n)$ 和它的响应信号 $d (n)$ 的互相关列向量。在宽带信号通过以这些系数为其冲击响应的N个FIR滤波器后,在要求的频带范围内即可实现宽带波束形成。

2 基于自适应滤波的宽带多信道校准技术

由于元器件离散性和非线性等原因,多通道接收机总存在一定的幅相误差,严重地影响着阵列信号处理的效果,因此必须对通道的幅相误差进行校正。而传统的单频信号校准算法只能在通道的某一频率点上进行补偿,而不能在通道的整个频带内进行补偿,因此不适用于宽带信道的校准。这里将自适应均衡的思想引入通信对抗领域,研究了基于自适应滤波的宽带多信道校准方法,采用宽带信号作为校准源,利用自适应滤波原理综合出数字滤波器,能均衡补偿各信道误差,达到全通带校正的目的。

自适应滤波就是通过自动调节滤波器的权系数,使通过滤波器的信号逐渐逼近期望信号。假设自适应滤波器的输出信号为 $y (n)$ ,所期望的响应信号为 $d (n)$ ,误差信号 $e (n)$ 为 $d (n)$ 与 $y (n)$ 之差。这里,期望响应信号 $d (n)$ 是参考通道的输出信号,自适应滤波器的输出信号 $y (n)$ 是对期望响应信号 $d (n)$ 进行估计的,滤波参数受误差信号 $e (n)$ 的控制并自动调整,使 $y (n)$ 的估计值等于所期望的响应 $d (n)$ 。因此,自适应滤波器与普通滤波器不同,它的冲击响应或滤波参数是随外部环境的变化而改变的,经过一段自动调节的收敛时间达到最佳滤波的要求。

下面以二通道情况为例进行分析。用自适应数字滤波方法对通道不平衡进行自校正[6]的原理如图2所示。

在自适应校正过程开始时,校正信号源发出的信号通过开关阵分为相同的2路进入接收机通道1、接收机通道2,经过混频、滤波以及A/D等过程,用通道1的信号作为期望信号,使自适应滤波器对通道2的输出信号进行校正。当自适应滤波器完成学习过程达到稳定状态时,滤波器的抽头权系数已经确定,两通道的幅相特性已校为一致。重复该自适应校正过程,最终可以获得幅相一致的N个信道。

按照时域求解维纳滤波器的方法,可以得到宽带校准FIR滤波器的时域解为:

h=R $_{x x}^{- 1}$ Rxd=

式中,Rxx是待校准通道的输出信号的自相关矩阵,Rxd是待校准通道的输出信号和参考通道的输出信号的互相关列向量。

3 基于自适应滤波的干扰抵消技术

在通信对抗系统中,侦察和干扰是2种基本手段。由于本地发射机对接收机的强信号干扰严重,导致系统不能双工工作。在系统中若采用自适应干扰抵消技术,就有可能实现不间断的侦察和不间断的干扰。即在干扰发射机工作时,侦察接收机也能正常工作,这就会增加对抗系统的有效性。

基于自适应滤波的中频干扰抵消技术,首先对发射机产生的近场干扰取样,取样信号作为参考信号先将频率搬移到中频,数字化后经自适应加权调整,使加权后的参考信号与接收的干扰信号等幅反相,然后经合成器使2个信道的信号代数相加,从而使干扰信号被抵消。由于参考信号中不包含有接收机接收的有用信号,这样干扰抵消后有用信号不受影响,保证了接收机的正常工作。

首先分析自适应干扰抵消器在单一干扰频率上形成凹口的过程。图3表示一个具有2个自适应实权的自适应干扰对消器,它等效于有一个复权的干扰抵消系统,即用2个实权达到同时调整单一频率正弦波的幅度和相位,以消除干扰的目的。假定原始输入信号的类型是任意的,而参考输入则是频率为f°的纯正弦波。

图3中第1个权w1k的输入直接由参考输入采样得到,而第2个权w2k的输入是将第1个权输入移相90°后产生。即它们可分别表示为:

式中,wo=2πfoT(T为采样周期)。

权的迭代用LMS算法,图3详细给出了这种算法的工作原理,权的修正过程如下:

式中:

图3中原始输入为真实信号与干扰信号的迭加,经采样后送入dk端,参考输入x1k和x2k经过加权组合后的信号振幅和相角都可与原始输入中干扰分量的振幅和相角相同,最后使输出ek中干扰信号分量得以抵消,以达到干扰抵消的目的。

图3中,从原始输入端A点到干扰抵消器输出端C点的闭环传输函数为:

$Η (z) = \frac{z^{2} - 2 z c o s (w_{o}) + 1}{z^{2} - 2 (1 - μ c^{2}) z c o s (w_{o}) + 1 - 2 μ c^{2}}$ 。 (8)

上式表示了一个单一频率的对消器,在参考频率fo处具有零点,且精确地位于Z平面单位圆上的z=e±jwo处。而极点则位于:

因为零点在单位圆上,故传输函数在w=wo处的凹口深度为无穷深,凹口的尖锐程度,由极点和零点的接近程度确定。由于极点在单位圆内,故闭合以后的系统是稳定的。沿单位圆跨半功率点之间的距离之弧长,即为凹口滤波器的“带宽”,为:

BW=2μc2(单位:弧度)。 (10)

凹口的尖锐度可以用“品质因素”来表征,它定义为中心频率和带宽之比,即:

$Q = \frac{中心频率}{带宽} = \frac{w_{o}}{2 μ c^{2}}$ 。 (11)

因此,当参考输入为一正弦波时,单一频率的自适应干扰抵消器等效于一个稳定的陷波滤波器。即使参考频率作缓慢变化时,自适应过程也能调整对消所需的正确相位关系。同样可以通过调整μ和c值,使得BW=2μc22 MHz,以实现对带宽小于等于2 MHz的干扰信号的干扰抵消(陷波)。

4 结束语

利用自适应滤波技术解决了通信对抗中的宽带波束形成、宽带多信道校准以及同平台干扰信号抵消等关键技术。

首先,利用自适应滤波的方法设计具有特定群时延τ的FIR滤波器来实现宽带信号的波束形成,滤波器系数通过软件获得,滤波器采用FPGA或DSP实现,FPGA或DSP实现带通滤波器是一项成熟的技术,所以通过自适应滤波的方法设计FIR滤波器组实现宽带波束形成在工程上是可实现的。

其次,针对传统的单频信号校准算法的不足,研究了一种基于自适应滤波的宽带多信道校准方法。该方法在N个失衡信道中任意选择一个信道作为期望信道,在剩下的N-1个信道中插入自适应滤波器,将这N-1个信道的幅频响应校正为与期望信道的幅频响应相一致,从而达到对宽带多信道校准的目的。

最后,研究了基于自适应滤波原理的干扰抵消技术,采用最小均方误差准则的自适应滤波器算法,将参考信号经过加权求和,其结果与实际信号相减,根据所得结果的均方误差最小值控制权值的变化,从而实现干扰抵消。该算法运算复杂度低,运算速度快,工程易于实现,具有很高的工程应用价值。

参考文献

[1]张贤达,保铮.通信信号处理[M].北京:国防工业出版社,2000.

[2]靳希,杨尔滨,赵玲.信号处理原理与应用[M].北京:清华大学出版社,2004.

[3]攸立准,马飞,徐海锋.利用改进的BP算法实现神经网络辨识仿真[J].无线电工程,2009,39(11):52-54.

[4]解静,陈卫东.宽带波束形成技术的研究[J].无线电工程,2009,39(11):16-18.

[5]朱璐瑛,贺鹏飞,刘俊艳.基于高斯导函数的超宽带正交波形设计[J].无线电通信技术,2009,35(6):46-48.

后置自适应滤波

后置自适应滤波第1篇

后置自适应滤波第2篇

后置自适应滤波第3篇

自适应双边滤波超声斑点降噪第4篇

后置自适应滤波第5篇

工业彩色图像的局部自适应滤波第6篇

对自适应空域滤波的干扰研究第7篇

后置自适应滤波第8篇

一种自适应去除振铃滤波新算法第9篇

通信对抗中的自适应滤波技术第10篇

后置自适应滤波

猜你喜欢

栏目

最近更新

热门标签

后置自适应滤波

后置自适应滤波 第1篇

后置自适应滤波 第2篇

后置自适应滤波 第3篇

自适应双边滤波超声斑点降噪 第4篇

后置自适应滤波 第5篇

工业彩色图像的局部自适应滤波 第6篇

对自适应空域滤波的干扰研究 第7篇

后置自适应滤波 第8篇

一种自适应去除振铃滤波新算法 第9篇

通信对抗中的自适应滤波技术 第10篇

后置自适应滤波

猜你喜欢

栏目

最近更新

热门标签

后置自适应滤波第1篇

后置自适应滤波第2篇

后置自适应滤波第3篇

自适应双边滤波超声斑点降噪第4篇

后置自适应滤波第5篇

工业彩色图像的局部自适应滤波第6篇

对自适应空域滤波的干扰研究第7篇

后置自适应滤波第8篇

一种自适应去除振铃滤波新算法第9篇

通信对抗中的自适应滤波技术第10篇