CN114519373B - 一种采用红外长波焦平面探测器的干涉信号去噪方法 - Google Patents

一种采用红外长波焦平面探测器的干涉信号去噪方法 Download PDF

Info

Publication number
CN114519373B
CN114519373B CN202210123355.4A CN202210123355A CN114519373B CN 114519373 B CN114519373 B CN 114519373B CN 202210123355 A CN202210123355 A CN 202210123355A CN 114519373 B CN114519373 B CN 114519373B
Authority
CN
China
Prior art keywords
state
time
noise
covariance matrix
detector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210123355.4A
Other languages
English (en)
Other versions
CN114519373A (zh
Inventor
沈其蓥
陈仁
黄靖宇
陈雅轩
路璐
刘永生
陈效双
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.)
Shanghai Institute of Technical Physics of CAS
Original Assignee
Shanghai Institute of Technical Physics of CAS
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 Shanghai Institute of Technical Physics of CAS filed Critical Shanghai Institute of Technical Physics of CAS
Priority to CN202210123355.4A priority Critical patent/CN114519373B/zh
Publication of CN114519373A publication Critical patent/CN114519373A/zh
Application granted granted Critical
Publication of CN114519373B publication Critical patent/CN114519373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

本发明公开了一种采用红外长波焦平面探测器的干涉信号去噪方法。通过红外焦平面探测器和迈克尔逊干涉仪搭建的傅里叶光谱仪采集得到干涉信号。用卡尔曼滤波算法对探测器每一探测元每一时刻的输出进行滤波处理，然后再对每一段滤波结果值求平均，进一步滤除其他噪声；最后排序重构成干涉图。整个去噪方法简单易行，相比于之前直接对多组光谱数据求均值来提高光谱信噪比的方法，该方法在干涉图傅里叶变化成光谱图之前，对干涉信号中的噪声进行抑制，可进一步滤除随机噪声并保留原始光谱特征。为未来采用长波焦平面探测器的傅里叶光谱仪干涉信号处理提供技术基础。

Description

一种采用红外长波焦平面探测器的干涉信号去噪方法
技术领域
本发明属于大气遥感的技术领域，具体涉及一种采用红外长波焦平面探测器的干涉信号去噪方法。
背景技术
2016年下半年我国成功发射了第二代静止气象卫星风云四号，卫星上搭载了国际上首台在地球静止轨道上工作的干涉式红外高光谱大气垂直探测仪。探测仪采用光导型探测器，以高光谱分辨率方式测量来自地球的两个红外波段的辐射。经过物理反演，可以得到大气温湿度廓线，为数值天气预报提供更加精确的初始场资料。为了满足更高时空分辨率的大气探测需求，获取更大数据量的光谱数据，需要使用更大规模的探测器。探测器的探测元规模的不断扩大，需要的信号放大和处理电路数量也越来越多，其引线数量、体积、重量、耗电量、参数一致性和可靠性等因素使得探测器的探测元不得不控制在一定的范围内，严重制约了红外探测技术在航天遥感上的应用。但随着各种新材料新工艺的不断出现和发展，红外探测技术向着更大规模、更远距离、更快响应的大规模焦平面探测方向发展。本发明中红外长波干涉信号的获取采用碲镉汞红外焦平面探测器，由中国科学院上海技术物理研究所专门针对傅里叶光谱探测需求自行研制。傅里叶光谱探测使用的焦平面探测器对光敏器件响应速率的需求远高于一般用于红外图像探测的焦平面探测器，需要具有对高频外部触发信号实时高速响应能力同时能实现大动态范围输出。因此信号在探测器输出、数值量化等过程中不可避免地会出现一些随机、离散的噪声，其噪声主要来源有探测器噪声、前置放大器噪声、AD采样噪声、由动镜扫描速度抖动造成采样误差所引入的噪声等。噪声和信号的重叠导致无法直接重构成准确的干涉图，需要在这之前对干涉信号进行处理，即对干涉信号中的噪声进行抑制，以减少噪声对数据准确性的影响。
发明内容
本发明的目的是提供一种采用红外长波焦平面探测器的干涉信号去噪方法，实现在时域上对干涉信号进行滤波去噪，降低了各种随机离散噪声对干涉信号准确性的影响。
本发明主要通过以下技术方案实现：
步骤1：干涉信号数据预处理。将由红外长波焦平面探测器采集得到的数字信号，按探测器的探测元输出进行划分，一个序列为一个探测元的所有输出，再对该序列按采集时刻进行分组，可分为m组，一组包含的数据为zk，k＝1，2，3...n；
步骤2：根据干涉数据特性建立卡尔曼滤波状态方程和测量方程：
过程方程为：
Xk＝Fk-1Xk-1+wk-1 (1)
测量方程为:
zk＝HkXk+vk (2)
状态向量是K时刻的状态向量，其中Ik为k时刻的探测状态量，bk为k时刻的探测器噪声状态量，/>是k-1时刻的状态向量，Ik-1为k-1时刻的探测状态量，bk-1为k-1时刻的随机噪声状态量；zk是k时刻的探测值，定义为状态转移矩阵，根据干涉信号特征，这里的Hk为量测矩阵，定义Hk为1；k-1时刻的过程噪声wk-1和k时刻的量测噪声vk为相互独立的高斯白噪声，均值均为零。
步骤3：按分组设置初始条件；
为k＝1时刻的状态估计值，其中/>初始为该组所有数据的均值，/>初始为z1与/>的差，P1为初始时刻的状态估计误差协方差矩阵，初始为单位矩阵，Qk和Rk分别表示k时刻的过程噪声协方差矩阵和测量噪声协方差矩阵，/>k表示第k个滤波周期；
步骤4：开始进入滤波周期，卡尔曼滤波周期叠加，更新预测状态量及状态预测误差的协方差矩阵；
预测状态量：
状态预测误差的协方差矩阵：
Pk|k-1＝Fk-1Pk-1Fk-1 T+Qk-1 (4)
Fk-1为状态转移矩阵，为k-1时刻的状态估计值，其中/>为探测估计值，/>为探测器噪声估计值，/>为k时刻的状态的一步预测，Pk-1为k-1时刻的状态估计误差协方差矩阵，Qk-1为k-时刻的过程噪声协方差矩阵，Pk|k-1为式(1)和(3)计算一步状态预测误差的协方差矩阵。
步骤5:进一步根据递归最小二乘法，计算卡尔曼增益、状态估计值及状态估计误差的协方差矩阵。
卡尔曼增益：
Gk＝Pk|k-1Hk T(HkPk|k-1Hk T+Rk)-1 (5)
状态估计值
状态估计误差的协方差矩阵
Pk＝(I-GkHk)Pk|k-1 (7)
其中Gk为卡尔曼增益，表示当前探测值引入新的信息在状态估计中所占的比例；为k时刻的状态估计值，/>为k时刻的探测估计值，/>为k时刻的探测器噪声估计值；/>为k时刻的状态的一步预测，I为单位矩阵；状态估计误差的协方差矩阵Pk用于下一滤波周期的预测协方差矩阵计算；
步骤6：在k个滤波周期执行完毕后，再对下一组数据重复进行k个周期的滤波，直到m组数据均执行完毕。最后对每一组数据中的求均值，用于重构干涉图。
本发明的有益效果：与现有技术相比，本发明提供了一种基于时域分析的干涉信号去噪方法，该方法能够从含噪声的干涉信号中最大限度恢复出干涉图图像信息，一幅标准差为1404.84743的干涉图经过去噪方法处理后，标准差可减少到231.5462，结果表明能较大程度的抑制噪声。为大面阵长波焦平面探测器所采集的干涉信号处理提供了基础，对未来大气垂直干涉仪气象探测有指导意义。
附图说明
图1为本发明的干涉信号去噪方法实现流程图；
图2为本发明的干涉信号去噪前干涉图；
图3为本发明的去噪方法对干涉信号处理后干涉图。
具体实施方式
下面结合附图进一步说明本发明
1)干涉信号数据预处理模块
从采集得到的数字信号中得到组成一幅干涉图的所有探测值。即其中一个探测元的所有输出，对探测值按采集时刻进行分组，一幅干涉图探测值可分为20012组，一组包含的数据为zk，k＝1，2，3...21；
2)时域卡尔曼滤波
如图1所示，对于传统的卡尔曼滤波，需要建立***过程方程和量测方程，然后设定滤波初值，进入迭代周期
Xk＝Fk-1Xk-1+wk-1 (1)
测量方程为:
zk＝HkXk+vk (2)
状态转移矩阵Hk为1。建立***的过程方程与量测方程后，便可得到滤波迭代周期计算时的状态转移矩阵与量测矩阵
3)按分组设置初始条件；
为一组数据的初始时刻的状态估计值，其中/>为该组所有数据的均值，/>为z1与/>的差，P1为该组初始时刻的预测误差的协方差矩阵，初始为单位矩阵，Qk和Rk分别表示k时刻的过程噪声协方差矩阵和测量噪声协方差矩阵，/>k表示第k个滤波周期；
4)进入滤波周期，卡尔曼滤波时间更新，更新预测状态量及状态预测误差的协方差矩阵；
Pk|k-1＝Fk-1Pk-1Fk-1 T+Qk-1 (4)
5)滤波量测更新，计算卡尔曼增益、状态估计值及状态估计误差的协方差矩阵
卡尔曼增益：
Gk＝Pk|k-1Hk T(HkPk|k-1Hk T+Rk)-1 (5)
状态估计值：
状态估计误差的协方差矩阵：
pk＝(I-GkHk)Pk|k-1 (7)
其中Gk为卡尔曼增益，表示当前量测值引入新的信息再状态估计中所占的比例；为k时刻卡尔曼滤波的状态估计值，/>为探测估计值，/>为随机噪声估计值；为k时刻的状态的一步预测，I为单位矩阵；Pk用于下一滤波周期的预测协方差矩阵计算；
6)在21个滤波周期执行完毕后，再对下一组数据重复进行21个周期的滤波；直到20012组数据均执行完毕。最后对每一组数据中的求均值，用于重构干涉图。
图2和图3分别是对一幅干涉图应用干涉信号去噪方法前后的对比图，通过对比能够看出本发明提出的去噪算法能够有效去除原始干涉信号中的随机噪声。

Claims (1)

1.一种采用红外长波焦平面探测器的干涉信号去噪方法，其特征在于方法步骤如下：
步骤1：干涉信号数据预处理，将由红外长波焦平面探测器采集得到的数字信号，按探测器的探测元输出进行划分，一个序列为一个探测元的所有输出，再对该序列按采集时刻进行分组，可分为m组，一组包含的数据为zk，k＝1，2，3...n；
步骤2：根据干涉数据特性建立卡尔曼滤波过程方程和测量方程：
过程方程为：
Xk＝Fk-1Xk-1+wk-1 (1)
测量方程为：
zk＝HkXk+vk (2)
状态向量是K时刻的状态向量，其中Ik为k时刻的探测状态量，bk为k时刻的探测器噪声状态量，/>是k-1时刻的状态向量，Ik-1为k-1时刻的探测状态量，bk-1为k-1时刻的随机噪声状态量；zk是k时刻的探测值，定义/>为状态转移矩阵，根据干涉信号特征，这里的/>Hk为量测矩阵，定义Hk为1；k-1时刻的过程噪声wk-1和k时刻的量测噪声vk为相互独立的高斯白噪声，均值均为零；
步骤3：按分组设置初始条件；
为k＝1时刻的状态估计值，其中/>初始为该组所有数据的均值，/>初始为z1与/>的差，P1为初始时刻的状态估计误差协方差矩阵，初始为单位矩阵，Qk和Rk分别表示k时刻的过程噪声协方差矩阵和测量噪声协方差矩阵，/>k表示第k个滤波周期；
步骤4：开始进入滤波周期，卡尔曼滤波周期叠加，更新预测状态量及状态预测误差的协方差矩阵；
预测状态量：
状态预测误差的协方差矩阵：
Fk-1为状态转移矩阵，为k-1时刻的状态估计值，其中/>为探测估计值，/>为探测器噪声估计值，/>为k时刻的状态的一步预测，Pk-1为k-1时刻的状态估计误差协方差矩阵，Qk-1为k-时刻的过程噪声协方差矩阵，Pk|k-1为式(1)和(3)计算一步状态预测误差的协方差矩阵；
步骤5：进一步根据递归最小二乘法，计算卡尔曼增益、状态估计值及状态估计误差的协方差矩阵；
卡尔曼增益：
Gk＝Pk|k-1Hk T(HkPk|k-1Hk T+Rk)-1 (5)
状态估计值
状态估计误差的协方差矩阵
Pk＝(I-GkHk)Pk|k-1 (7)
其中Gk为卡尔曼增益，表示当前探测值引入新的信息在状态估计中所占的比例；为k时刻的状态估计值，/>为k时刻的探测估计值，/>为k时刻的探测器噪声估计值；/>为k时刻的状态的一步预测，I为单位矩阵；状态估计误差的协方差矩阵Pk用于下一滤波周期的预测协方差矩阵计算；
步骤6：在k个滤波周期执行完毕后，再对下一组数据重复进行k个周期的滤波，直到m组数据均执行完毕；最后对每一组数据中的求均值，用于重构干涉图。
CN202210123355.4A 2022-02-10 2022-02-10 一种采用红外长波焦平面探测器的干涉信号去噪方法 Active CN114519373B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210123355.4A CN114519373B (zh) 2022-02-10 2022-02-10 一种采用红外长波焦平面探测器的干涉信号去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210123355.4A CN114519373B (zh) 2022-02-10 2022-02-10 一种采用红外长波焦平面探测器的干涉信号去噪方法

Publications (2)

Publication Number Publication Date
CN114519373A CN114519373A (zh) 2022-05-20
CN114519373B true CN114519373B (zh) 2024-05-10

Family

ID=81597097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210123355.4A Active CN114519373B (zh) 2022-02-10 2022-02-10 一种采用红外长波焦平面探测器的干涉信号去噪方法

Country Status (1)

Country Link
CN (1) CN114519373B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116718098B (zh) * 2023-08-09 2023-10-17 成都国营锦江机器厂 直升机主减撑杆同轴度在线测量装置及应用方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106500588A (zh) * 2016-11-18 2017-03-15 烟台职业学院 一种相位干涉仪通道间相位差噪声协方差估计方法
CN108050997A (zh) * 2017-11-24 2018-05-18 北京控制工程研究所 一种基于容积卡尔曼的光纤陀螺滤波方法
CN111766573A (zh) * 2020-06-02 2020-10-13 武汉烽理光电技术有限公司 卡尔曼滤波的提高阵列光栅定位空间分辨率的方法及***
CN113204038A (zh) * 2021-04-16 2021-08-03 北方工业大学 基于时域与频域的卡尔曼平滑滤波方法及平滑滤波器

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8358866B2 (en) * 2006-01-31 2013-01-22 Canadian Space Agency Method and system for increasing signal-to-noise ratio

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106500588A (zh) * 2016-11-18 2017-03-15 烟台职业学院 一种相位干涉仪通道间相位差噪声协方差估计方法
CN108050997A (zh) * 2017-11-24 2018-05-18 北京控制工程研究所 一种基于容积卡尔曼的光纤陀螺滤波方法
CN111766573A (zh) * 2020-06-02 2020-10-13 武汉烽理光电技术有限公司 卡尔曼滤波的提高阵列光栅定位空间分辨率的方法及***
CN113204038A (zh) * 2021-04-16 2021-08-03 北方工业大学 基于时域与频域的卡尔曼平滑滤波方法及平滑滤波器

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
时帅 ; 肖宁 ; .卡尔曼滤波在光纤围栏***去噪中的应用.科技视界.2020,(第15期),全文. *
汶少阳 ; 朱莉娜 ; 李忠林 ; .光电探测目标回波信号去噪研究.电子测量技术.2019,(第21期),全文. *

Also Published As

Publication number Publication date
CN114519373A (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN111337893B (zh) 一种基于实值稀疏贝叶斯学习的离格doa估计方法
CN107247251B (zh) 基于压缩感知的三维声源定位方法
CN110297247B (zh) 基于低秩矩阵稀疏恢复的气象雷达风电场杂波抑制方法
CN109523486B (zh) 噪声环境下基于鲁棒压缩感知的多通道脑电信号重构方法
CN112099008A (zh) 基于cv-admmn的sa-isar成像与自聚焦方法
CN114519373B (zh) 一种采用红外长波焦平面探测器的干涉信号去噪方法
CN113504505B (zh) 一种适用于低信噪比环境下的一维doa估计方法
CN110954860A (zh) 一种doa和极化参数估计方法
CN114510969A (zh) 一种坐标时间序列的降噪方法
CN111915570A (zh) 基于反向传播神经网络的大气延迟估计方法
CN113095113A (zh) 一种用于水下目标识别的小波线谱特征提取方法及***
CN114019445B (zh) 一种基于位置聚类动态稀疏重构的二维到达角度测量方法
CN111856400B (zh) 一种水下目标声源定位方法及***
CN115389443A (zh) 红外高光谱大气探测仪噪声分析方法和装置
CN112946601B (zh) 基于Gauss-Seidel的高效分布式目标相位优化方法
CN110793920B (zh) 一种化学成像与高光谱联用的大气遥测方法
CN114755628A (zh) 非均匀噪声下声矢量传感器阵列波达方向估计方法
CN113093098A (zh) 基于lp范数补偿的轴向不一致矢量水听器阵列测向方法
CN113740804B (zh) 一种基于dsp的水听器阵测向***及其doa估计方法
CN111856559A (zh) 基于稀疏贝叶斯学习理论的多道地震谱反演方法及***
CN116226627B (zh) 一种非高斯环境下洛伦茨约束角度估计方法及***
CN109063616A (zh) 一种基于矩阵低秩恢复的时间序列突变点检测方法
CN116879862B (zh) 基于分层稀疏迭代的单快拍稀疏阵空间角度超分辨方法
CN114415105B (zh) 一种阵列互耦情况下波达方向估计方法
CN117289262B (zh) 穿墙雷达目标检测方法及***

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