一种空间暗弱目标红外信号去噪与特征提取方法

1.本发明涉及红外信号技术领域，尤其涉及一种空间暗弱目标红外信号去噪与特征提取方法。


背景技术：

2.空间目标红外辐射特性的研究引起许多应用领域的广泛关注，如空间杀伤评估、空间碎片监测与清除、弱小目标检测等。红外辐射特性是目标检测、跟踪和识别的重要信息源。由于空间目标与红外探测器之间的成像距离较远，目标通常在探测器的红外图像上仅呈现一个或几个像素，探测器接收到的目标红外信号较弱。目标的红外辐射包含目标表面温度、发射率面积乘积、微动和其他信息都包含在几个像素中。这为基于这些像素进行空间弱小目标的特征提取、分类和识别带来了可能性。
3.在目标探测过程中，红外辐射的测量与分析尤为重要。然而红外辐射测量系统中的温度变化效应、传感器位置校准误差、光电噪声等因素严重干扰了红外辐射信号的提取，导致红外信号信噪比低。这将严重制约利用红外传感器对空间红外目标进行分类和识别效果。因此，研究一种鲁棒性较好的去噪与特征提取模型，对目标分类识别具有重要意义。
4.目前常用的信号去噪方法包括小波变换、奇异值分解、经验模态分解等。然而这些方法都有不同程度的局限性。小波变换的效果取决于小波基函数、分解水平和阈值；奇异值分解方法需要克服如何确定奇异值向量断点。经验模态分解是一种有效的自动分解算法，无需任何先验矩阵，可以将噪声信号分解为多个正交函数。然而，emd在模态混叠、噪声敏感性和端点效应方面存在局限性。为了克服模态混合，学者们提出了几种改进的emd方法，如改进的利用噪声辅助emd的集合经验模态分解，可以在一定程度上抑制模态混合。然而，这些改进的经验模态分解方法不可避免地会产生误差积累，并且缺乏严格的数学理论支持。
5.温度特征提取常用的方法为单波段测温法、多波段测温法和双波段测温法。单波段测温是红外辐射特性测量系统中最常用的方法。通过辐射定标，建立了入射辐射与探测器输出之间的函数关系。然而，测量的辐射包括目标的自身辐射和反射的外部辐射，自身辐射不能与探测器接收的总辐射分开，且目标的发射率信息未知。因此，该方法只能获得目标的亮温，限制了对目标属性的判断。多波段测温是利用目标发射率的先验知识，获取目标在多个波段的辐射信息，将目标发射率表示为波长的函数，然后结合目标辐射和发射率模型，得到目标的表面温度和发射率。然而，如果设定的发射率模型与目标的实际模型之间存在较大差异，则温度测量精度会急剧下降。对于一些未知材料或缺乏焦油发射率的先验知识，温度测量精度很难满足要求。


技术实现要素：

6.本发明公开一种空间暗弱目标红外信号去噪与特征提取方法，旨在解决背景技术中提出的测量的辐射包括目标的自身辐射和反射的外部辐射，自身辐射不能与探测器接收的总辐射分开，且目标的发射率信息未知的技术问题。
7.为了实现上述目的，本发明采用了如下技术方案：
8.一种空间暗弱目标红外信号去噪与特征提取方法，具体包括以下步骤：
9.步骤1：利用空间目标红外仿真系统获取常规形状的目标在两个波段的含噪红外辐射强度信号，对每个红外波段内的红外信号分别执行步骤2至步骤5；
10.步骤2：根据平均权重模糊距离熵作为适应度函数；
11.步骤3：利用蜻蜓优化算法对适应度函数进行优化，求解出变分模态分解最优分解层数和二次惩戒因子；
12.步骤4：根据最优参数组合对红外辐射强度信号进行变分模态分解，获得k个模态的分解信号；
13.步骤5:计算每个模态分量与原始辐射强度信号的皮尔逊相关系数，选择有效模态分量进行信号重构，实现信号去噪；
14.步骤6:得到两个谱段内去噪后的目标红外辐射强度信号，利用双波段测温法实现目标的温度特征提取；
15.步骤7:借助目标与红外探测器距离信息，实现目标的红外发射率面积乘积特征的提取。
16.在一个优选的方案中，所述步骤1中，目标的红外含噪辐射强度信号是通过空间目标红外仿真系统进行仿真得到，常规形状为圆锥、球底锥、柱底锥、圆柱和球体，所述步骤2中，平均权重模糊距离熵的求解模型如下：
17.根据直方图估计信的相似度矩阵的经验概率密度函数，计算归一化后的模糊距离熵为：
[0018][0019]
其中m为直方图的单元数；
[0020]
计算模态分量和原始红外辐射强度信号y的互信息为：
[0021][0022]
其中，p(u),p(y),p(u,y)代表的是边缘概率分布和联合概率分布；
[0023]
则平均权重模糊距离熵为:
[0024][0025]
其中(u(i)代表第i个模态分量，k为模态分量的数目。
[0026]
在一个优选的方案中，所述步骤3中的蜻蜓算法为群智能优化算法，其基本理念为：
[0027]
步骤s31、确定蜻蜓种群规模，随机生成x只蜻蜓，将[k,α]设置为蜻蜓的位置向量，初始化速度向量；
[0028]
步骤s32、计算所有蜻蜓的适应度函数，更新食物位置和天敌位置；
[0029]
步骤s33、计算蜻蜓的分离因子、伴飞因子、碰撞因子、食物吸引因子和远离天敌因子；
[0030]
步骤s34、根据周围半径进行位置和速度向量更新；
[0031]
步骤s35、满足最大迭代次数，终止搜寻，输出全局最优解；否则继续进行迭代。
[0032]
在一个优选的方案中，所述步骤s33中的蜻蜓算法的分离因子 si、伴飞因子ai、碰撞因子ci、食物吸引因子fi和远离天敌因子ei的更新公式如下：
[0033][0034][0035][0036]fi
＝x
-x
[0037]ei
＝x- x
[0038]
其中，x为当前个体的位置，n为当前个体周围内的蜻蜓数，xj为当前个体周围内的第j个蜻蜓位置，xj为当前个体周围内的第j个蜻蜓速度向量，x
十
为食物位置，x
一
为天敌位置；
[0039]
所述步骤s34中的蜻蜓算法的位置和速度向量更新方法为：
[0040]
若当前个体周围无其他个体，速度向量和位置向量为：
[0041]
x
t 1
＝x
t
l
é
vy(d)
×
x
t
[0042]
δx
t 1
＝0
[0043]
否则
[0044]
x
t 1
＝x
t
δx
t 1
[0045]
δx
t 1
＝(ssi aai cci ffi eei) wδx
t
；
[0046]
所述步骤s35中的全局最优解为最优个体所在的位置，对应变分模态分解参数的最优组合[k,α]。
[0047]
在一个优选的方案中，所述步骤s4中变分模态分解处理具体如下：
[0048]
设uk(t)为blimf分量，它的时间域表达式如下所示：
[0049]
uk(t)＝ak(t)cos(φk(t))
[0050]
其中，其中ak(t)和φk(t)分别表示包络和相位，该算法主要由构造变分问题和求解变分问题两个步骤组成，首先是构造变分问题来估计blimfs的中心频率和带宽，hilbert变换用于获得每个的相关分析信号的单边频谱，imf的频谱被移动到每个uk的基带；解调信号带宽由高斯平滑度(即平方范数)估计，基于上述，该问题可表述为以下约束变分问题：
[0051]
[0052]
其中uk表示第k个blimf，wk是uk的中心频率，表示导数运算符，δ(t)是狄拉克函数，*表示卷积运算，f是原始信号；
[0053]
其次是解决上述变分问题，引入拉格朗日乘子λ和二次惩罚项α将上述问题转化为一个无约束变分问题并找到最优解。增广拉格朗日函数表示如下：
[0054][0055]
然后，使用交替方向乘子法(admm)找到函数的鞍点作为上述增广拉格朗日方程的解，并分别在频率上更新迭代方程如下所示：
[0056][0057][0058]
根据上述方程重复迭代过程，直到满足下列收敛条件，迭代停止；
[0059][0060]
所述步骤5中的皮尔逊相关系数计算方法为：
[0061][0062]
其中r(t)为温度t的黑体在两个红外波段内的辐射强度的比值， s1’
为目标在波段1内的去噪后的辐射强度，s2’
为目标在波段2内的去噪后的辐射强度；
[0063]
所述步骤7中的红外发射率面积乘积特征提取方法为：
[0064][0065]
其中s’为在任一波段去噪后的辐射强度，t为提取的温度特征。
[0066]
由上可知，一种空间暗弱目标红外信号去噪与特征提取方法，具体包括以下步骤：
步骤1：利用空间目标红外仿真系统获取常规形状的目标在两个波段的含噪红外辐射强度信号，对每个红外波段内的红外信号分别执行步骤2至步骤5；步骤2：根据平均权重模糊距离熵作为适应度函数；步骤3：利用蜻蜓优化算法对适应度函数进行优化，求解出变分模态分解最优分解层数和二次惩戒因子；步骤4：根据最优参数组合对红外辐射强度信号进行变分模态分解，获得k个模态的分解信号；步骤5:计算每个模态分量与原始辐射强度信号的皮尔逊相关系数，选择有效模态分量进行信号重构，实现信号去噪；步骤6: 得到两个谱段内去噪后的目标红外辐射强度信号，利用双波段测温法实现目标的温度特征提取；步骤7:借助目标与红外探测器距离信息，实现目标的红外发射率面积乘积特征的提取。本发明提供的空间暗弱目标红外信号去噪与特征提取方法具有以下技术效果：
[0067]
1：变分模态分解是一种自适应信号分解方法，将输入信号分解成一系列频率带宽受限的信号，可以反映出信号的稀疏特性，具有较好的信号分解精度和去噪性能，能够有效避免信号分解过程中的模态混叠问题；
[0068]
2：本发明能够避免人为主观因素对变分模态分解参数组合的影响，能够实现自适应参数组合选取，有效寻找最优参数组合；
[0069]
3：本发明能够有效抑制噪声对温度特征和发射率面积乘积特征提取的不利影响，提供特征提取的精度，有利于空间红外暗弱目标的分离和识别。
附图说明
[0070]
图1为本发明提出的一种空间暗弱目标红外信号去噪与特征提取方法的方法流程示意图。
[0071]
图2为本发明提出的一种空间暗弱目标红外信号去噪与特征提取方法的目标含噪的红外辐射强度示意图。
[0072]
图3为本发明提出的一种空间暗弱目标红外信号去噪与特征提取方法的目标含噪的红外辐射强度信号模态分解结果示意图。
[0073]
图4为本发明提出的一种空间暗弱目标红外信号去噪与特征提取方法的各模态分量与含噪的红外辐射强度信号的皮尔逊相关系数。
[0074]
图5为本发明提出的一种空间暗弱目标红外信号去噪与特征提取方法的去噪后的红外辐射强度示意图。
[0075]
图6为本发明提出的一种空间暗弱目标红外信号去噪与特征提取方法的提取出的温度特征对比示意图。
[0076]
图7为本发明提出的一种空间暗弱目标红外信号去噪与特征提取方法的提取出的发射率面积乘积特征对比示意图。
具体实施方式
[0077]
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0078]
本发明公开的一种空间暗弱目标红外信号去噪与特征提取方法主要应用于什么样的场景。
[0079]
参照图1-7，一种空间暗弱目标红外信号去噪与特征提取方法，具体包括以下步
骤：
[0080]
步骤1：利用空间目标红外仿真系统获取常规形状的目标在两个波段的含噪红外辐射强度信号，对每个红外波段内的红外信号分别执行步骤2至步骤5；
[0081]
步骤2：根据平均权重模糊距离熵作为适应度函数；
[0082]
步骤3：利用蜻蜓优化算法对适应度函数进行优化，求解出变分模态分解最优分解层数和二次惩戒因子；
[0083]
步骤4：根据最优参数组合对红外辐射强度信号进行变分模态分解，获得k个模态的分解信号；
[0084]
步骤5:计算每个模态分量与原始辐射强度信号的皮尔逊相关系数，选择有效模态分量进行信号重构，实现信号去噪；
[0085]
步骤6:得到两个谱段内去噪后的目标红外辐射强度信号，利用双波段测温法实现目标的温度特征提取；
[0086]
步骤7:借助目标与红外探测器距离信息，实现目标的红外发射率面积乘积特征的提取。
[0087]
在一个优选的实施方式中，所述步骤1中，目标的红外含噪辐射强度信号是通过空间目标红外仿真系统进行仿真得到，常规形状为圆锥、球底锥、柱底锥、圆柱和球体。
[0088]
在一个优选的实施方式中，所述步骤3中的蜻蜓算法为群智能优化算法，其基本理念为：
[0089]
步骤s31、确定蜻蜓种群规模，随机生成x只蜻蜓，将[k,α]设置为蜻蜓的位置向量，初始化速度向量；
[0090]
步骤s32、计算所有蜻蜓的适应度函数，更新食物位置和天敌位置；
[0091]
步骤s33、计算蜻蜓的分离因子、伴飞因子、碰撞因子、食物吸引因子和远离天敌因子；
[0092]
步骤s34、根据周围半径进行位置和速度向量更新；
[0093]
步骤s35、满足最大迭代次数，终止搜寻，输出全局最优解；否则继续进行迭代。
[0094]
在一个优选的实施方式中，所述步骤s33中的蜻蜓算法的分离因子si、伴飞因子ai、碰撞因子ci、食物吸引因子fi和远离天敌因子 ei的更新公式如下：
[0095][0096][0097][0098]fi
＝x
-x
[0099]ei
＝x- x
[0100]
其中，x为当前个体的位置，n为当前个体周围内的蜻蜓数，xj为当前个体周围内的
第j个蜻蜓位置，xj为当前个体周围内的第j个蜻蜓速度向量，x
十
为食物位置，x
一
为天敌位置。
[0101]
在一个优选的实施方式中，所述步骤s34中的蜻蜓算法的位置和速度向量更新方法为：
[0102]
若当前个体周围无其他个体，速度向量和位置向量为：
[0103]
x
t 1
＝x
t
l
é
vy(d)
×
x
t
[0104]
δx
t 1
＝0
[0105]
否则
[0106]
x
t 1
＝x
t
δx
t 1
[0107]
δx
t 1
＝(ssi aai cci ffi eei) wδx
t
。
[0108]
在一个优选的实施方式中，所述步骤s35中的全局最优解为最优个体所在的位置，对应变分模态分解参数的最优组合[k,α]。
[0109]
在一个优选的实施方式中，所述步骤s4中变分模态分解处理具体如下：
[0110]
设uk(t)为blimf分量，它的时间域表达式如下所示：
[0111]
uk(t)＝ak(t)cos(φk(t))
[0112]
其中，其中ak(t)和φk(t)分别表示包络和相位，该算法主要由构造变分问题和求解变分问题两个步骤组成，首先是构造变分问题来估计blimfs的中心频率和带宽，hilbert变换用于获得每个的相关分析信号的单边频谱，imf的频谱被移动到每个uk的基带；解调信号带宽由高斯平滑度(即平方范数)估计，基于上述，该问题可表述为以下约束变分问题：
[0113][0114]
其中uk表示第k个blimf，wk是uk的中心频率，表示导数运算符，δ(t)是狄拉克函数，*表示卷积运算，f是原始信号；
[0115]
其次是解决上述变分问题，引入拉格朗日乘子λ和二次惩罚项α将上述问题转化为一个无约束变分问题并找到最优解。增广拉格朗日函数表示如下：
[0116][0117]
然后，使用交替方向乘子法(admm)找到函数的鞍点作为上述增广拉格朗日方程的解，并分别在频率上更新迭代方程如下所示：
[0118][0119][0120]
根据上述方程重复迭代过程，直到满足下列收敛条件，迭代停止；
[0121][0122]
在一个优选的实施方式中，所述步骤5中的皮尔逊相关系数计算方法为：
[0123][0124]
其中r(t)为温度t的黑体在两个红外波段内的辐射强度的比值， s1’
为目标在波段1内的去噪后的辐射强度，s2’
为目标在波段2内的去噪后的辐射强度。
[0125]
在一个优选的实施方式中，所述步骤7中的红外发射率面积乘积特征提取方法为：
[0126][0127]
其中s’为在任一波段去噪后的辐射强度，t为提取的温度特征。
[0128]
实施例：本部分以柱底锥空间目标为例，其半径为1m，锥体高度为1m，柱体高度为1m，表面材料厚度为1mm，发射率为0.8，可见光吸收率为0.45，锥旋速率为，初始温度为300k，观测时长为30s，采用的两个红外波段为8
–
12与6
–
7，利用空间目标红外仿真系统获取常规形状的目标在两个波段的含噪红外辐射强度信号，为了分析算法去噪部分的效果，以8
–
12波段内的红外辐射强度信号为例，图 2展示了该波段内的含噪辐射强度。首先，蜻蜓算法随机生成20个个体的种群，最大迭代次数为20，参数k和的范围分别为[5,10]和 [1500，8000]。寻优过程中的适应度函数曲线收敛时，对应的参数组合为变分模态分解的最优参数组合，分别为[10,2016]。将该组输入变分模态分解后，得到的模态分解结果如图3所示。计算各模态分量与原始信号的皮尔逊相关系数，如图4所示。根据有效模态选择准则，选择前两个分量作为有效分量进行信号重组，重组去噪后的信号如图 5所示。对6
–
7波段内的信号进行同样操作，得到两个波段内的去噪辐射强度信号。将两个波段内的信号进行双波段测温，得出温度特征曲线如图6所示，为了对比，去噪前的温度特征曲线也进行展示。借助目标与探测器见的距离信息以及温度特征，进一步提取出目标的发射率面积乘积特征，得出发射率面积乘积特征特征曲线如图7所示，为了对比，去噪前的发射率面积乘积特征曲线也进行展示。可以看到在此方法下，运用该方法能够有效提高目标的特征提取精度，降低噪声对
特征提取的影响。
[0129]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。