[发明专利]一种基于形态学与优化灰色模型的脉冲堆积校正方法

说明书

本发明公开了一种基于形态学与优化灰色模型的脉冲堆积校正方法，包括对堆积脉冲数据进行预处理；之后将数学形态学与灰色模型相结合先分别对脉冲上升段和下降段进行校正处理，再将其整合为完整脉冲信号，实现对整个脉冲信号堆积的校正。并且根据传统灰色模型的不足，巧妙利用双曲正切变换函数对灰色模型进行优化。本发明利用数学形态学变换与优化后的灰色模型分别对堆积脉冲信号的上升段与下降段进行校正，从图像处理方面出发结合数学预测模型较准确的甄别出单脉冲堆积以及重建双峰脉冲堆积信号，提高核信号分析处理能力，为核技术等安全应用领域提供保障。

技术领域

本发明涉及核信号处理技术领域，具体地讲，是涉及一种基于形态学与优化灰色模型的脉冲堆积校正方法。

背景技术

在核信息采集过程中，如果探测器没有对前一个脉冲反应完全，下一个脉冲就达到了，这会导致相邻的脉冲信号出现部分甚至全部重合，这就是所谓的脉冲堆积。在高计数率，高噪声等条件下，尤为容易发生脉冲堆积，脉冲堆积会为研究工作带来一系列的消极影响，具体体现在脉冲波形变形，损失计数率，死区时间延长，进而影响时间分辨率、空间分辨率等方面。脉冲堆积是核辐射测量系统以及能谱测量系统中存在的关键问题，在中子探测过程中，脉冲堆积的出现会极大抑制中子伽马甄别效果。在以往的研究中，通过直接去除产生的堆积信号这种方式来抑制脉冲堆积带来的负面影响，另外这种直截了当的方式会导致数据缺失造成校正误差大，为后续分析增加难度。因此，开展中子伽马脉冲堆积修正算法对能谱分析，中子伽马甄别等方面具有重要意义。

发明内容

针对上述现有技术中的上述问题，本发明提供一种提高核信号分析处理能力的基于形态学与优化灰色模型的脉冲堆积校正方法。

形态学变换(Morphological Transformations)是一种基于形状的简单变换，用膨胀和腐蚀运算处理二值化的图像来连接相邻的元素或分离的元素，通过这种方法可很好的保留图像的边缘轮廓。

灰色模型(Grey Model)是通过少量不完全的信息建立数学模型做出预测的一种数据预测方法，可以充分利用已知信息寻找系统的运动规律，特别使用处理贫数据系统。

发明人研究发现，对于现有因堆积丢失部分核信号信息系统，可以采用将这两种方法相结合的方式来甄别堆积核信号，通过对产生的脉冲堆积图像进行形态学变换处理可很好的分离脉冲堆积，分离后的堆积信号用灰色模型预测单个脉冲信号中的缺失信息，从而实现对核脉冲堆积信号的分离与补全，减小传统方法因数据缺失带来的消极影响，提高核脉冲信号堆积的甄别能力。

为了实现上述目的，本发明采用的技术方案如下：

一种基于形态学与优化灰色模型的脉冲堆积校正方法，包括以下步骤：

S10、将核信号探测装置采集到的堆积脉冲信号根据脉冲堆积波形的波峰高度进行标号，获得存在多个波峰的脉冲序列，并将每两个连续脉冲组合作为一个脉冲类型；

S20、依次对每个脉冲类型的堆积脉冲数据进行预处理；

S30、在一个脉冲类型中，基于较高波峰的峰值点信息和由不同尺度的线性结构元素对堆积脉冲数据进行数学形态学变换处理，确定该较高波峰的脉冲波形上升段，并对该脉冲波形上升段进行堆积校正；

S40、利用基于双曲正切函数变换优化的灰色模型对该较高波峰的脉冲波形下降段的初始序列进行预测，拟合预测结果，完成对该脉冲波形下降段的堆积校正处理；

S50、整合该较高波峰的脉冲波形上升段和下降段的校正数据，完成对较高脉冲波形峰的脉冲堆积校正；

S51、重复步骤S30-S50，完成对该脉冲类型中较低脉冲波形峰的脉冲堆积校正，并整合完成对该脉冲类型的脉冲堆积校正；

S52、重复步骤S20-S51，并整合完成对整个脉冲序列的脉冲堆积校正。