[发明专利]一种毫米波成像噪声抑制方法、设备和可读存储介质

说明书

本申请实施例中一种毫米波成像噪声抑制方法，该方法的步骤包括：分别在空置的成像区域和具有扫描目标的成像区域进行扫描成像，获得第一图像数据和第二图像数据；将所述第一图像数据和第二图像数据进行合并，获得观测矩阵，并利用白化矩阵对观测矩阵进行白化处理；基于所述观测矩阵构建四阶累计矩阵，并对该矩阵进行特征分解，获得酉矩阵；基于酉矩阵和白化矩阵，对信号源进行估计，获得回波估计信号；对所述回波估计信号进行分布变换和空间变换，获得抑制噪声的回波信号。本申请所述技术方案将独立分量分析(ICA)方法和Wigner‑Hough相结合，对近距离主动式毫米波三维成像进行噪声干扰去除，从而提高回波信号信噪比。

技术领域

本申请涉及毫米波检测领域，尤其涉及一种用于近距离主动式毫米波成像的噪声抑制方法、设备和可读存储介质。

背景技术

噪声抑制是近距离主动式毫米波三维成像系统中的关键技术，有效地噪声抑制能够提高回波信号的信噪比，从而提高系统的三维成像质量，最终保证了系统对危险可疑物品的自动识别能力。

目前，已经申请和相关的学术论文中噪声抑制的研究主要是线性处理方法和非线性处理方法，线性处理方法的研究起源于上世纪六七十年代，主要采用的是线性滤波器和各种均值滤波器。线性处理方法具有简单的数学表达形式以及一些理想特性，使得该方法很容易设计和实现。在此之后，以傅里叶分析为代表的线性处理方法占据了几乎整个噪声抑制信号处理领域，最具代表的维纳滤波(Wiener filtering,WF)和卡尔曼滤波(Kalmanfiltering,KF)为信号中噪声抑制提供了有力的理论支持。自上世纪八十年代开始，非线性科学开始逐渐渗透到信号处理领域之中，许多新颖的数学分析方法被引入到噪声抑制信号处理领域。在对源信号和传输通道几乎没有可利用信息的情况下,基于信号统计特性进行目标特征提取的算法越来越受到关注。当有用信号或噪声信号表现为高斯性时，噪声抑制算法仅需要利用二阶的统计信息即可，例如，主分量分析 (PCA)等，但是，当有用信号和噪声信号表现出非高斯性及非稳态性时，此类方法变的无能为力。当信号表现为线性和平稳特性时，傅里叶变换是非常有效的特征提取方法。小波变换(WAVELET)具有提取非平稳信号特征的能力，但是，特征提取方法非常复杂，提取的信号特征难以量化，因此，在某种程度上限制了该方法的应用。独立分量分析(ICA)是一种盲的信号处理方法，该方法是基于高阶统计量的特征提取方法，能够有效获取相互独立的信源量化特征。ICA 可以认为是PCA的高阶扩展，仅从观测数据的统计信息出发，实现传输信道的辨识及信源的估计。

发明内容

本申请实施例提出了一种独立分量分析(ICA)方法和Wigner-Hough变换算法相结合的用于近距离主动式毫米波三维成像的噪声抑制方法，以解决近距离主动式毫米波三维成像中的噪声干扰问题，提高回波信号信噪比。

具体的，本方案公开了一种用于近距离主动式毫米波成像的噪声抑制方法，该方法的步骤包括：

分别在空置的成像区域和具有扫描目标的成像区域进行扫描成像，获得第一图像数据和第二图像数据；

将所述第一图像数据和第二图像数据进行合并，获得观测矩阵，并利用白化矩阵对观测矩阵进行白化处理；

基于所述观测矩阵构建四阶累计矩阵，并对该矩阵进行特征分解，获得酉矩阵；

基于酉矩阵和白化矩阵，对信号源进行估计，获得回波估计信号；

对所述回波估计信号进行分布变换和空间变换，获得抑制噪声的回波信号。

优选地，所述分别在空置的成像区域和具有扫描目标的成像区域进行扫描成像，获得第一图像数据和第二图像数据的步骤包括：

在成像区域没有目标的条件下，对空背景进行图像采样，获得第一图像数据：x_noise＝S(ω,θ,z)，其中，ω表示成像系统发射信号的频率，θ表示天线阵列在此时的固定角度下进行采样，z表示每个收发通道的天线口面沿着Z轴方向的位置；