首页 理论教育 提高信号清晰度的Wiener滤波器优化

提高信号清晰度的Wiener滤波器优化

时间:2023-06-21 理论教育 版权反馈
【摘要】:本节将探讨最优滤波器,W iener的研究工作奠定了最优滤波器的理论基础。1966年,W iener在他的著作《Extrapolation,Interpolation,and Smoothing ofStationary Time Serieswith Engineering Applications》中,通过一个绝妙的关于Fourier变换的对称定义,使用变分法导出了最优滤波器,也称为W iener滤波器。

提高信号清晰度的Wiener滤波器优化

本节将探讨最优滤波器,W iener的研究工作奠定了最优滤波器的理论基础。1966年,W iener在他的著作《Extrapolation,Interpolation,and Smoothing ofStationary Time Serieswith Engineering Applications》中,通过一个绝妙的关于Fourier变换的对称定义,使用变分法导出了最优滤波器,也称为W iener滤波器。

小节中,我们针对连续情况进行理论分析,得出一般性结论。在最后才给出离散化的算法处理方式。假设我们所得到的测量结果中包含:信号b(x,y)与加性噪声n(x,y),也就是说,我们所得到的是b(x,y)+n(x,y);任务是尽可能地复原出信号b(x,y),如图9.7所示。

9.8.1 优化模型

我们用:处理结果o(x,y)和理想信号d(x,y)的差的平方的积分,也就是说,

来作为衡量处理结果好坏的标准。通常,d(x,y)就是b(x,y),如图9.7所示。我们需要最小化式(9.52)。我们之所以选择最小化误差平方的积分(最小二乘法),是因为在数学上容易进行处理。如果我们使用一个线性系统来进行滤波操作,那么,我们可以通过点扩散函数h(x,y)来描述这个系统。系统的输入为:

系统的输出为:

将式(9.54)代入(9.52)中,我们可以得到:

由于o2=(i⊗h)2,我们可以进一步计算:

首先,将式(9.56)中的两个二重积分的乘积化为一个四重积分;然后,交换积分次序,即:先对x和y积分,再对其他变量积分;最后,我们可以进一步得到:

式(9.57)中的ϕii(x,y)是函数i(x,y)的自相关。此外,

因此,

其中,ϕid(x,y)是函数i(x,y)和d(x,y)的互相关。最后,我们有:

其中,ϕdd(x,y)是函数d(x,y)的自相关。

现在,我们可以将误差平方项的表达式(9.55)写为:

我们将在下一小节中介绍:如何通过寻找一个“最好”的点扩散函数h(x,y)来最小化式(9.61)。

9.8.2 变分法求解

求解式(9.61)是一个变分问题,我们将使用变分法来解决这个问题。在传统的微积分(特别是有关最优化的)问题中,我们所要寻找的是一个参数值,通过这个参数值,我们可以计算出函数的值。而在这里,我们所需要寻找的是一个函数,通过这个函数,我们可以计算出某个给定泛函的值。

泛函是一个依赖于函数的表达式,例如,式(9.61)中的E依赖于函数h(ξ,η)。我们假设:函数h(x,y)使得E取得最小值,那么,无论δh(x,y)的形式是什么,由函数h(x,y)+ϵδh(x,y)所确定的泛函值E+δE,都不能比E小。其中,δh(x,y)表示任意函数,用以对函数h(x,y)进行调整。如果h(x,y)真的使得E取得最小值,那么,对于任意函数δh(x,y),都有:

否则,我们可以通过将h(x,y)换为h(x,y)+ϵδh(x,y)。新的函数h(x,y)+ϵδh(x,y)会使得E的值减小。这与我们的假设(即:h(x,y)使得E取得最小值)是矛盾的。现在,我们计算式(9.62),即:

我们可以将上式进一步整理为:

(www.xing528.com)

极值条件(即式(9.62))意味着:对于所有的δh(x,y),式(9.64)的结果都等于零。要满足这个条件,在式(9.64)中,中括号里面的表达式必须等于零,也就是说,

也就是说:

(或许你会对这个结果感到惊讶)。我们可以通过Fou rier变换,来求解上面这个关于h(x,y)的简单表达式,也就是说,

其中,Φii和Φid功率谱。因此,我们只需要知道功率谱,就能设计出(基于给定假设的)图像复原系统。对于某“一类图像”来说,这个系统都是最优的。注意:我们并不知道d(x,y),因此,无法计算ϕid和Φid。但是,我们可以赋予d(x,y)一些约束条件,从而对“一类图像”进行描述。

9.8.3 两个具体例子

首先,让我们来考虑第一个例子:设计一个噪声抑制系统,也就是说,系统的输入是:图像b(x,y)与噪声n(x,y)的和;系统的目标是:产生一个(在最小二乘意义上)尽可能和原始图像b(x,y)接近的输出o(x,y)。对于这个问题,d(x,y)=b(x,y),并且,

根据Φii和Φid的定义,我们可以得到:

并且:

我们假设:信号与噪声不相关,那么,Φbnn b=0。于是,

Φbbn n被称为信噪比。从式(9.71)中可以清楚地看出“最优系统”所做的操作:对于信噪比很高的频率成分,系统的增益几乎等于1,而对于噪声占主导的频率成分,系统的增益非常低、接近于信噪比。

现在,让我们来考虑另外一种情况:信号b(x,y)首先经过一个点扩散函数为h(x,y)的系统,然后,再被加上噪声n(x,y),也就是说,

我们希望设计一个点扩散函数为h(x,y)的系统,使得式(9.72)中的信号i(x,y)经过该系统的作用以后,所得到的输出结果为:

和原始图像b(x,y)(在最小二乘的意义上)尽可能地接近。对于这个

问题,d(x,y)=b(x,y),因此,

并且,

假设噪声和信号无关,即:Φbnn b=0,于是,我们可以得到:

对于信噪比很高(也就是说,Φbbnn很大)的频率成分,

但是,对于Φn n>|H|2Φbb的频率成分,系统的增益

这个结果和我们前面用“启发式方法”所导出的结果,即式(9.42)和(9.43),具有一定的相似性

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈