一种基于混沌智能图像识别的弱信号检测方法及装置
阅读说明：本技术 一种基于混沌智能图像识别的弱信号检测方法及装置 (Weak signal detection method and device based on chaotic intelligent image recognition ) 是由 杨伏洲 沈梦琳 何思瑾 梁世远 彭晶 于 2020-01-10 设计创作，主要内容包括：本发明公开一种基于混沌智能图像识别的弱信号检测方法及装置,所述方法包括：构建Duffing振子信号检测系统,获取不同状态的Duffing振子相位图；调节Duffing振子信号检测系统的系数,使系统处于混沌状态到大尺度周期状态的临界状态,输入待测信号后,得到待测信号相空间状态图；对所述不同状态的Duffing振子相位图做预处理,得到预处理好的图像样本；提取所述图像样本的HOG特征和GLCM特征,组成图像样本的特征向量；通过所述图像样本的特征向量训练各SVM分类器,得到训练好的SVM模型；提取待测信号相空间状态图的HOG和GLCM特征并组成待测信号相空间状态图的特征向量；通过训练好的SVM模型进行弱信号检测。本发明对在强噪声环境下弱信号检测有更高的噪声容限且准确率高。(The invention discloses a weak signal detection method and a device based on chaotic intelligent image recognition, wherein the method comprises the following steps: constructing a Duffing oscillator signal detection system, and acquiring Duffing oscillator phase diagrams in different states; adjusting the coefficient of a Duffing oscillator signal detection system to enable the system to be in a critical state from a chaotic state to a large-scale periodic state, and inputting a signal to be detected to obtain a phase space state diagram of the signal to be detected; preprocessing the Duffing oscillator phase diagrams in different states to obtain preprocessed image samples; extracting HOG characteristics and GLCM characteristics of the image sample to form a characteristic vector of the image sample; training each SVM classifier through the feature vector of the image sample to obtain a trained SVM model; extracting HOG and GLCM characteristics of a signal phase space state diagram to be detected and forming a characteristic vector of the signal phase space state diagram to be detected; and weak signal detection is carried out through the trained SVM model. The invention has higher noise tolerance and high accuracy for weak signal detection in a strong noise environment.)
技术领域
本发明属于随钻信号检测领域，涉及信号检测，图像处理两个学科。主要涉及一种基于混沌图像智能识别的弱信号检测方法。
背景技术
随钻测井工作中声波信号传输过程中受到环境因素的影响，钻杆运动时产生的噪声、钻杆与井壁碰撞、钻头对地层的撞击等都会产生随钻噪声。这些噪声在声波传输过程中对声波的检测造成严重干扰。基于混沌理论的弱信号检测，是近年来信号检测的一个热点。在强噪声背景下，利用混沌系统的初值敏感性以及对噪声的强免疫性，实现了对弱信号的检测。固定阻尼系数k并调节系统驱动力f在Duffing振子系统相空间的临界状态下，得到临界混沌状态的阈值 Fd。将待测信号加入振子系统中使得驱动力变得与时间相关即f(t)。观察系统相空间变化，当弱信号存在时，系统会从临界状态过渡到大尺度周期状态，否则系统会一直处于临界或混沌状态而不会进入到大周期状态。基于弱信号检测方式，随钻信号检测技术现已有多种方法：相关检测，小波分析，数字相敏解调技术等。
相关检测法是基于相关原理对强噪声背景下的弱信号的提取，利用信号和噪声、噪声和噪声的不相关及目标信号与提供的参考信号完全相关的特性，将目标信号与参考信号进行相关运算即可检测出淹没在噪声中的信号。由于参考信号已确定，那么很容易得到待测信号的幅值与相位，从而实现对弱信号的检测。
小波分析时局部化时域分析，它用时域和频域的联合表示信号的特征，弱信号与噪声通过多尺度小波变换到小波变换域中。在各尺度下尽可能的提取出信号的小波系统而去除噪声的小波系数，对降噪后的系数通过小波中间恢复弱信号，达到去除噪声的效果，从而实现对弱信号的检测。
数字相敏解调技术是一种广泛应用的弱信号检测技术，利用高速浮点数字信号处理和高速现场可编程门阵列芯片分别处理所采集的信号的实部和虚部，实现对弱信号幅值和相位的检测。但是，以上这些技术都是针对现有检测信号线性、平稳的以及需要高品质因素的滤波器的研究，噪声容限、弱信号检测准确性等都有待提高。
发明内容
基于以上不足，本发明提出一种基于混沌智能图像识别的弱信号检测方法及装置，通过分析Duffing振子相位图各状态的系统驱动力f临界范围，提取图像特征值并通过图像识别来判断Duffing振子相位图状态，由此达到检测强噪声背景下弱信号的目的。
本发明第一方面，提出一种基于混沌智能图像识别的弱信号检测方法，包括如下步骤：
S1、构建Duffing振子信号检测系统，获取不同状态的Duffing振子相位图；
S2、调节Duffing振子信号检测系统的系数，使系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，得到待测信号相空间状态图；
S3、对所述不同状态的Duffing振子相位图做预处理，去除坐标边框，将所述不同状态的Duffing振子相位图按照类别不同分别标注，得到预处理好的图像样本；
S4、提取所述图像样本的HOG特征和GLCM特征，将提取的HOG和GLCM 特征组成图像样本的特征向量；
S5、组合多个SVM分类器用于多分类，通过所述图像样本的特征向量训练各SVM分类器，得到训练好的SVM模型；
S6、采用与步骤S4相同的方式提取待测信号相空间状态图的HOG和GLCM 特征组成待测信号相空间状态图的特征向量；
S7、将待测信号相空间状态图的特征向量输入训练好的SVM模型，得到弱信号检测结果。
优选的，所述步骤S1中，所述Duffing振子信号检测系统为：
其中k为阻尼系数，ω为信号频率，-ωx+ωx3为非线性恢复力，f为系统内策动力，fcos(ωt)为驱动力幅值，s(t)+n(t)为输入信号。
优选的，所述步骤S2中，所述预处理好的图像样本分别标注为“同宿”、“分叉”、“混沌”、“大周期”四类。
优选的，所述步骤S4具体包括：
S41、将图像划分成多个细胞单元，为每个细胞单元构建梯度方向直方图，把细胞单元组合成大的块，块内归一化梯度直方图并收集HOG特征；
S42、对图像上的每一像元求出预设邻域内的灰度共生矩阵，由所述灰度共生矩阵求出对应纹理图像的统计量，所述统计量包括能量ASM、熵ENT、对比度CON、相关度IDE，将所述统计量组成图像GLCM特征；；
S43、将提取到的HOG和GLCM特征组成图像样本的特征向量。
优选的，所述步骤S42具体为：
从图像中灰度为i的像素位置为(x,y)出发，统计与其距离为d灰度为J的像素(x+Dx，y+Dy)同时出现的次数p(i,j,d,θ)，数学表达式为：
p(i,j,d,θ)＝[(x,y),(x+Dx,y+Dx)|f(x,y)＝i,f(x+Dx,y+Dy)＝j]
其中：x,y＝0,1,2,...,N-1是图像中的像素坐标；i,j＝0,1,2,...,L-1是灰度级；Dx，Dy是位置偏移量；d为生成灰度共生矩阵的步长；θ生成方向，取 0°,45°,90°,135°四个方向，从而生成不同方向的灰度共生矩阵；对灰度共生矩阵进行归一化处理，计算对应纹理图像的统计量，所述统计量包括能量ASM、熵 ENT、对比度CON、相关度IDE：
将上述统计量组成图像的GLCM特征。
本发明第二方面，提供一种基于混沌智能图像识别的弱信号检测装置，所述装置包括：
振子系统构建模块：用于构建Duffing振子信号检测系统，获取不同状态的Duffing振子相位图；
振子系统调节模块：用于调节所述Duffing振子信号检测系统的系数，使系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，得到待测信号相空间状态图；
样本图像预处理模块：用于对所述不同状态的Duffing振子相位图做预处理，去除坐标边框，将所述不同状态的Duffing振子相位图按照类别不同分别标注，得到预处理好的图像样本；
图像特征提取模块：用于提取所述图像样本的HOG特征和GLCM特征，将提取的HOG和GLCM特征组成图像样本的特征向量；
SVM模型训练模块：用于组合多个SVM分类器用于多分类，通过所述图像样本的特征向量训练各SVM分类器，得到训练好的SVM模型；
弱信号检测模块：用于提取待测信号相空间状态图的HOG和GLCM特征组成待测信号相空间状态图的特征向量；将待测信号相空间状态图的特征向量输入训练好的SVM模型，得到弱信号检测结果。
优选的，所述振子系统构建模块中，所述Duffing振子信号检测系统为：
其中k为阻尼系数，ω为信号频率，-ωx+ωx3为非线性恢复力，f为系统内策动力，fcos(ωt)为驱动力幅值，s(t)+n(t)为输入信号。
优选的，所述样本图像预处理模块中，所述预处理好的图像样本分别标注为“同宿”、“分叉”、“混沌”、“大周期”四类。
优选的，所述图像特征提取模块具体包括：
HOG特征提取单元：将图像划分成多个细胞单元，为每个细胞单元构建梯度方向直方图，把细胞单元组合成大的块，块内归一化梯度直方图并收集HOG 特征；
GLCM特征提取单元：对图像上的每一像元求出预设邻域内的灰度共生矩阵，由所述灰度共生矩阵求出对应纹理图像的统计量，所述统计量包括能量 ASM、熵ENT、对比度CON、相关度IDE，将所述统计量组成图像GLCM特征；
特征组合单元：将提取到的HOG和GLCM特征组成图像样本的特征向量。
本发明提出的一种基于混沌智能图像识别的弱信号检测方法及装置，其有益效果在于：
1)本发明由与混沌系统对于初值敏感性以及对于噪声的强免疫性，对在强噪声环境下弱信号检测有更高的噪声容限；
2)SVM模型具有稀疏性，即少量样本就可获得较好的分类效果；
3)与现有技术相比更加简单；
4)传统检测系统一般都是以线性理论为主，而混沌理论所呈现的基本特征是非线性，非平衡和不均匀、准确率更高。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于混沌智能图像识别的弱信号检测方法的流程示意图；
图2是未加入信号的Duffing振子临界状态x-y相位图；
图3是在临界状态下加入信号幅值为A＝1×10-5V，ω＝2*pi*1000rad/s，系统的大周期状态x-y相位图；
图4是在临界状态下加入信号幅值为A＝1×10-5V，ω＝2*pi*1000rad/s，噪声幅值为1×10-6dB即snr＝-10dBW的大周期状态x-y相位图；
图5是临界状态下加入噪声幅值为0.001dB的混沌状态x-y相位图；
图6是随机采集1s单频信号时域及频谱图；
图7是加入Duffing振子中的单频信号s(t)与噪声n(t)的时域图；
图8是Duffing振子在临界状态加入图7的信号和噪声后的大周期状态x-y 相位图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
本发明的思想在于：相比相关检测，小波分析等传统弱信号检测方法，将混沌理论与智能图像识别结合起来，由于混沌振子对弱信号的敏感性以及对噪声的强免疫的特性，在Duffing振子临界状态下相位图的状态发生不同变化。通过图像智能识别，由此达到检测强噪声背景下弱信号的目的。因此利用混沌图像智能识别方法进行检测，不仅能提高噪声容限，而且更加准确。
请参阅图1，本发明提出一种基于混沌智能图像识别的弱信号检测方法，包括如下步骤：
S1、构建Duffing振子信号检测系统，获取不同状态的Duffing振子相位图；
所述Duffing振子检测信号模型为：
其中k为阻尼系数，ω为信号频率，-ωx+ωx3为非线性恢复力，f为系统内策动力，fcos(ωt)为驱动力幅值，s(t)+n(t)为输入信号。
S2、调节Duffing振子信号检测系统的系数，使系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，得到待测信号相空间状态图；
取适当k、ω，同时f为系统内策动力的混沌临界阈值，使系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，得到此时系统的相空间状态图。
S3、对所述不同状态的Duffing振子相位图做预处理，去除坐标边框，将所述不同状态的Duffing振子相位图按照类别不同分别标注，得到预处理好的图像样本；
将尽可能多的不同种类的相空间状态图按照类别不同放在不同的目录下，将这些相空间状态图分别标注为“同宿”，“分叉”，“混沌”，“大周期”四类，得到预处理好的图像样本，这些图像样本将作为SVM模型的训练样本。
S4、提取所述图像样本的HOG特征和GLCM特征，将提取的HOG和GLCM 特征组成图像样本的特征向量；
进一步的，所述步骤S4具体包括如下分步骤：
S41、将图像划分成多个细胞单元，为每个细胞单元构建梯度方向直方图，把细胞单元组合成大的块(block)，块内归一化梯度直方图并收集HOG特征；
S42、对图像上的每一像元求出预设邻域内的灰度共生矩阵，由所述灰度共生矩阵求出对应纹理图像的统计量，所述统计量包括能量ASM、熵ENT、对比度CON、相关度IDE。具体为：
从图像中灰度为i的像素位置为(x,y)出发，统计与其距离为d灰度为J的像素(x+Dx，y+Dy)同时出现的次数p(i,j,d,θ)，数学表达式为：
p(i,j,d,θ)＝[(x,y),(x+Dx,y+Dx)|f(x,y)＝i,f(x+Dx,y+Dy)＝j]
其中：x,y＝0,1,2,…,M-1是图像中的像素坐标，M为像素数；i,j＝0,1,2,…,L-1是灰度级，L为灰度级数；Dx，Dy是位置偏移量；d为生成灰度共生矩阵的步长；θ生成方向，取0°,45°,90°,135°四个方向，从而生成不同方向的灰度共生矩阵；对灰度共生矩阵进行归一化处理，计算对应纹理图像的统计量，所述统计量包括能量ASM、熵ENT、对比度CON、相关度IDE：
将上述统计量组成图像的GLCM特征。
S43、将提取到的HOG和GLCM特征组成图像样本的特征向量。具体的，将提取到的HOG特征和GLCM特征合并成一个特征向量，用于图片分类。
S5、组合多个SVM分类器用于多分类，通过所述图像样本的特征向量训练各SVM分类器，得到训练好的SVM模型；
通过组合多个SVM分类器来解决多类分类问题： (xk,yk),k＝1,2,…,N；xk∈Rn；yk∈(-1,1)为样本集，对样本集构造分类面：wx+b＝0，使分类后的两样本之间的距离达到最大，其中w、x是n维向量。g(x)＝wx+b为线性判别函数的一般形式，对w、b放大和缩小相同的倍数来进行归一化，使距离分类面最近的样本满足|g(x)|≥1，此时两类样本满足|g(x)|≥1，两类样本的分类间隔为求取最优平面问题转化为求优化问题：
其中，ak为受约束的拉格朗日乘子。对：
中的a求偏导得到对偶形式：
同时优化问题的最优解必须满足以下条件akyk(wTxk+b)-1＝0，可以求得b。
由于可以求出结果大部分ak＝0，ak≠0所对应的样本称为支持向量，分类平面由支持向量确定。
支持向量机实现非线性分类是通过某种事先选择的非线性映射(核函数)将输入向量映射到高维特征空间，在这个空间中构造最优分类超平面。变换后空间的分类平面为与线性情况类似，优化方程为：
其中，是变换后的空间内积。构造核函数K(xk,xl)，使其等于代替求解4类样本总共构造出4*(4-1)＝12个平面。
S6、采用与步骤S4相同的方式提取待测信号相空间状态图的HOG和GLCM 特征组成待测信号相空间状态图的特征向量；
S7、将待测信号相空间状态图的特征向量输入训练好的SVM模型，得到弱信号检测结果。
具体的，在Duffing振子临界状态下输入待测信号，观察系统相空间变化，当弱信号存在时，系统会从临界状态过渡到大尺度周期状态，否则系统会一直处于临界或混沌状态而不会进入到大周期状态。通过识别系统相空间状态图检测出弱信号。
与所述方法实施例相对应，本发明还提供一种基于混沌智能图像识别的弱信号检测装置，所述装置包括：
振子系统构建模块：用于构建Duffing振子信号检测系统，获取不同状态的Duffing振子相位图；进一步的，所述振子系统构建模块中，所述Duffing振子信号检测系统为：
其中k为阻尼系数，ω为信号频率，-ωx+ωx3为非线性恢复力，f为系统内策动力，fcos(ωt)为驱动力幅值，s(t)+n(t)为输入信号。
振子系统调节模块：用于调节所述Duffing振子信号检测系统的系数，使系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，得到待测信号相空间状态图；
样本图像预处理模块：用于对所述不同状态的Duffing振子相位图做预处理，去除坐标边框，将所述不同状态的Duffing振子相位图按照类别不同分别标注，得到预处理好的图像样本；进一步的，所述样本图像预处理模块中，所述预处理好的图像样本分别标注为“同宿”、“分叉”、“混沌”、“大周期”四类。
图像特征提取模块：用于提取所述图像样本的HOG特征和GLCM特征，将提取的HOG和GLCM特征组成图像样本的特征向量；进一步的，所述图像特征提取模块具体包括：
HOG特征提取单元：将图像划分成多个细胞单元，为每个细胞单元构建梯度方向直方图，把细胞单元组合成大的块，块内归一化梯度直方图并收集HOG 特征；
GLCM特征提取单元：对图像上的每一像元求出预设邻域内的灰度共生矩阵，由所述灰度共生矩阵求出对应纹理图像的统计量，所述统计量包括能量 ASM、熵ENT、对比度CON、相关度IDE，将所述统计量组成图像GLCM特征；；
特征组合单元：将提取到的HOG和GLCM特征组成图像样本的特征向量。
SVM模型训练模块：用于组合多个SVM分类器用于多分类，通过所述图像样本的特征向量训练各SVM分类器，得到训练好的SVM模型；
弱信号检测模块：用于提取待测信号相空间状态图的HOG特征和GLCM特征组成待测信号相空间状态图的特征向量；将待测信号相空间状态图的特征向量输入训练好的SVM模型，得到弱信号检测结果。
下面结合具体实验数据来验证本发明的效果：
对于所述Duffing振子信号检测系统令k＝0.5，ω＝2*pi*1000rad/s，f＝0.8276，且在仿真过程中取值不变，此时系统处于临界状态，如图2所示是未加入任何信号时的Duffing振子临界状态x-y相位图；
图3是在临界状态下加入信号幅值为A＝1×10-5V；ω＝2*pi*1000rad/s；系统的大周期状态x-y相位图；
图4是在临界状态下加入信号幅值为A＝1×10-5V；ω＝2*pi*1000rad/s，噪声幅值为1×10-6dB即snr＝-10dBW的大周期状态x-y相位图；
图5是临界状态下加入噪声幅值为0.001dB的混沌状态x-y相位图；
本发明采用的信号环境为在自然环境背景下发射信号频率为ω＝2*pi*1000rad/s的单频信号s(t)，如图6所示，图6是随机采集1s单频信号时域及频谱图；
图7是加入Duffing振子信号检测系统中的单频信号s(t)与噪声n(t)的时域图；
将随机采集的单频信号s(t)与噪声n(t)加入到已确定的Duffing振子信号检测系统中，如图8所示是Duffing振子信号检测系统在临界状态加入图7的信号和噪声后的大周期状态x-y相位图，系统为大周期状态，证明了混沌系统在噪声背景下可以检测弱信号。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种基于多特征提取的图像语义描述方法及系统