[發明專利]低信噪比下的硅單晶生長圖像的自適應隨機共振去噪方法

有效

• 申請號: 201810199562.1
• 申請日: 2018-03-12
• 公開（公告）號: CN108550116B
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 焦尚彬;劉倩
• 申請（專利權）人: 西安奕斯偉材料科技有限公司;西安奕斯偉設備技術有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/00
• 代理公司: 北京銀龍知識產權代理有限公司 11243
• 代理人: 許靜

1.低信噪比下的硅單晶生長圖像的自適應隨機共振去噪方法，其特征在于，包括如下步驟：

步驟1：將硅單晶生長圖像做灰度映射與降維掃描得到一維信號，其中，灰度映射是將圖像的灰度值范圍線性映射至[0,1]之間，降維掃描是將圖像按照逐行掃描，得到一維信號；

步驟2：建立雙穩態系統模型，并將步驟1中得到的一維信號作為雙穩態系統輸入信號，經過數值求解后得到一維輸出信號；

步驟3：對步驟2中得到的一維輸出信號按行逆掃描成圖像，并進行灰度映射，使其對比度線性拉伸，灰度值均勻分布在[0,1]之間，提高圖像的對比度；

步驟4：通過粒子群優化算法(PSO)調整雙穩態系統的參數a和b，選用無參考圖像的評價指標—Donoho噪聲標準差作為PSO算法的適應度函數，當PSO沒有達到最大迭代次數，則返回執行步驟2；計算不同參數a和b下對應的雙穩態系統輸出圖像的Donoho噪聲標準差，當PSO達到最大迭代次數時，則執行步驟5；

步驟5：尋找步驟4中得到的所有Donoho噪聲標準差中的最小值，該最小值對應的參數a和b的值即為最優參數解，該參數下的隨機共振圖像，即為最終的輸出圖像。

2.如權利要求1所述的低信噪比下的硅單晶生長圖像的自適應隨機共振去噪方法，其特征在于，步驟2中建立的雙穩態隨機共振模型如下：

其中，u(t)為一維輸入信號，u(t)＝s(t)+η(t)，其中s(t)為輸入信號中不包含噪聲的有用信號，η(t)為具有高斯分布的白噪聲，統計平均值＜η(t)＝0，自相關函數為＜η(t)η(t')＝2Dδ(t-t')，t'為t的時間延時，D為噪聲強度；

U(x)是非線性雙穩態勢函數，其表達式為：

其中a，b為非線性雙穩系統的結構參數，且有a0、b0，因此，雙穩態隨機共振模型表示如下：

當噪聲驅動下的雙穩態勢阱間躍遷率與平均等待時間匹配時系統發生隨機共振，雙穩態勢阱間躍遷率稱為Kramers躍遷率r_k，它取決于噪聲分布和強度，定義為：

躍遷速率與參數a，b有關，當a，b取得適當值時，噪聲和有用信號在兩個勢阱中做同頻率運動，此時即發生隨機共振，噪聲能量轉移到有用信號上，從而增強有用信號，達到去噪的目的；

對圖像做雙穩態隨機共振處理時，圖像信號f(x,y)經過步驟1中的降維掃描和灰度映射轉換成了一維信號u(n)，該信號中包含有用的圖像信號和噪聲，當雙穩態系統參數a，b取得適當值時，該信號經過雙穩態系統會發生隨機共振，噪聲的能量轉移到有用的圖像信號上，從而實現圖像增強檢測；針對雙穩態隨機共振系統方程，采用四階龍格-庫塔算法(Runge-Kutta)對其求解：

其中x(n)為系統輸出第n次采樣值；u(n)＝s(n)+η(n)為輸入信號與噪聲之和的第n次采樣值，在前面得到的圖像的一維信號u中包含有圖像信息和噪聲信息；h為采樣步長，在實際中為采樣間隔。

3.如權利要求1所述的低信噪比下的硅單晶生長圖像的自適應隨機共振去噪方法，其特征在于，其中步驟4中選用粒子群的參數優化算法，對雙穩態系統參數a和b進行優化，具體步驟如下：

首先初始化雙穩態系統參數a和b，即粒子的最大位置X_max，再初始化粒子群的各項參數，具體包括：尋優維數dimension，粒子個數popsize_num，學習因子c₁、c₂，最大飛行速度V_max，算法的最大迭代次數I_max；

計算PSO中第i代的第k個粒子的適應度函數值fitness_i,k時，選用面向噪聲失真的無參考圖像指標—改進的Donoho噪聲標準差作為PSO的適應度函數，Donoho噪聲標準差按如下方法計算：

對觀測圖像進行正交小波變換，記G_j(u,v)為第j尺度上的小波系數，由小波變換的線性特征，得到：

G_j(u,v)＝F_j(u,v)+N_j(u,v) (6)；

其中，F_j(u,v)和N_j(u,v)分別為原始圖像和噪聲在第j尺度上的小波系數，N_j仍然是零均值的高斯噪聲，而F_j遵從廣義高斯分布并且均值為零，記F_j的方差為σ²_F,j,N_j的方差為σ²_N,j,可由G_j對原始圖像小波系數F_j進行估計，即：

F_j(u,v)＝λG_j(u,v) (7)；

式中λ為取定的系數，按照最小均方誤差準則，可得λ的最佳取值為：

根據小波系數與濾波器之間的關系，得到：

式中，σ_n為空域中的噪聲標準差；||L_j-1||為濾波器的范數，即：

對于確定的子帶，||L_j-1||已知，σ_n可由Donoho公式粗略估計得到:

s＝median(D)/0.6745 (11)；

式中，D為含噪圖像在高頻對角子帶HH1中的系數的絕對值；median表示取中值,這樣σ²_N,j可求，由此σ²_F,j可估計為：

σ²_F,j＝σ²_G,j-σ²_N,j (12)；

其中，σ²_G,j的表達式為：

M和N分別為相應子帶的行數和列數，這樣，取j＝1時，通過式(7)～(13)就可以得到圖像中噪聲的方差估計值，該方差估計值即為粒子的適應度函數值，即：

fitness_i,k＝σ²_i,k (14)；

在每一個粒子的fitness_i,k中尋找自身的極小值P_i(t)＝(P_i1,P_i2,…,P_id)，然后在整個種群中的時刻t搜索得到全局最優解P_g(t)＝(P_g1,P_g2,…,P_gd)，當粒子找到了過程中發現的兩個最優解，則同時按式(15)和式(16)更新種群中所有粒子的飛行速度V_i(t)和位置X_i(t)：

V_i(t+1)＝w×V_i(t)+c₁×r₁×(P_i(t)-X_i(t))+c₂×r₂×(P_g(t)-X_i(t)) (15)；

X_i(t+1)＝X_i(t)+V_i(t+1) (16)；

式中_w為慣性權重，w較大則可較好的進行全局搜索，w較小則可較好的進行局部搜索，采用了線性遞減w方法來選取合適的w；c₁＝c₂＝2為學習因子；r₁,r₂為兩個隨機數，均勻分布在區間[0,1]；

w的計算公式如下：

當PSO算法達到最大迭代次數I_max時，算法終止。