一种探测器信噪比获取方法及检测装置

技术领域

本发明属于信号处理技术领域，具体涉及光学探测器性能评估领域。

背景技术

信噪比指信号强度与噪声强度之比，是评价成像探测系统探测性能的重要技术指标，目前成像探测系统的信噪比评估主要方法如下：

基于概率论模型的评估：概率论模型是以统计方法测定信噪比，考虑受试图像中噪声与信号之间的比例关系。该模型利用受试图像中噪声和信号的概率分布，有效解决图像信噪比测定过程中的信号与噪声在空间上分布不均匀的问题。该模型在测量信噪比时考虑到受试图像的噪声与信号的比例关系，能够更加准确的测量信噪比。但是该模型需要大量数据计算，处理速度慢，且受试图像中噪声与信号之间的比例关系需要进行预先估计，估计误差会影响信噪比测量结果的准确性。

基于空间时间频谱分解的评估：空间时间频谱分解是基于时域频谱分解的一种信号处理方法，用于分析受试图像中信号与噪声的分布情况，有效测定图像的信噪比。该方法不仅能够测量单一图像的信噪比，还能够测量多幅图像的平均信噪比，从而能够更准确的评估天基成像探测系统的信噪比水平，但是该方法测量结果受多幅图像内容扰动较大，可能出现测量结果不够准确的问题，而且该方法运算繁琐，复杂度较高。

综上所述，现有的成像探测系统的信噪比评估方法都需要复杂的计算过程，存在处理速度慢，计算复杂度高和评估结果不准确的问题。

发明内容

本发明解决了现有的成像探测系统的信噪比评估方法处理速度慢，计算复杂度高和评估结果不准确的问题。

方案一，一种供探测器信噪比获取方法，所述方法包括如下步骤：

S1、对于采集的探测器反馈的信号，提取所述信号的实部离散性特征值，虚部离散性特征值和相位离散性特征值；提取所述信号的实部下四分割点特征值和虚部下四分割点特征值；

S2、利用递归神经网络结构，对步骤S1中提取的实部离散性特征值、虚部离散性特征值、相位离散性特征值、信号的实部下四分割点特征值和虚部下四分割点特征值进行拟合，

S3、对

；

其中，

S4、对探测器信噪比SNR进行计算，所述探测器信噪比SNR为：

；

其中，

方案二，上述方法能够采用计算机软件实现，对应地，本发明还提供一种探测器信噪比检测装置，所述装置包括信号检测模块、信号处理模块和信噪比计算模块；

所述信号检测模块：包括光电传感器和AD转换器，用于信号转换；

所述信号处理模块：包括数字信号处理器和余弦滤波器，用于信号抽取；

所述信噪比计算模块：包括微处理器以及存储器，所述存储器中存储有计算机程序，在微处理器运行所述程序时，执行方案一所述探测器信噪比获取方法。

方案三，基于上述探测器信噪比获取方法，本发明还提供一种成像探测系统探测性能评估方法，所述方法包括：

获取评估对象的信噪比的步骤；

根据所述信噪比评估所述评估对象的性能的步骤；

其特征在于，所述获取评估对象的信噪比的步骤，采用如方案一所述探测器信噪比获取方法。

方案四，上述方法能够采用计算机软件实现，对应地，本发明还提供一种成像探测系统探测性能评估系统，所述系统包括信噪比检测装置和评估装置，所述信噪比检测装置用于实时采集评估对象的输出信号、并对所述信号进行处理获得信噪比发送给评估装置；所述评估装置用于根据获得的信噪比对评估对象的性能进行评估获得评估结果，所述信噪比检测装置方案二所述的探测器信噪比检测装置。

本发明的有益效果为：

（1）基于概率论模型和空间时间频谱分解的信噪比评估方法都需要复杂的数据计算过程，需要大量的存储空间，本发明所述的探测器信噪比获取方法能将复杂的非线性信号处理问题转化为算法模型训练问题，简化运算过程，降低了数据处理复杂度，进而节约了存储空间，有效提高了数据处理速度。同时，基于所述探测器信噪比获取方法的评估方法，也提升了评估效率。

（2）基于概率论模型和空间时间频谱分解的信噪比评估方法都是针对成像后的图形进行分析判断，计算成像探测系统的信噪比，本发明所述的探测器信噪比获取方法是对成像探测系统探测器直接进行分析，不需要对受试图像中噪声与信号之间的比例关系进行预先估计这一步骤，因此，减少了结果计算过程中的主观评估误差，从而更能保证获得信噪比的客观准确性。本发明所述的成像探测系统探测性能评估方法基于该信噪比进行评估，也提高了评估结果的准确性。

（3）本发明所述的探测器信噪比获取方法可以对递归神经网络进行自主选择和设计，根据具体需要在模型复杂度和评估精度之间进行平衡，在实际应用中，可以根据应用场景对精度和速度的要求自行调整，得到最适合当前应用需求的探测器信噪比获取方法，通用性更强。

本发明所述的探测器信噪比获取方法和成像探测系统探测性能评估方法均适用于光学探测技术领域、光学探测性能的检测和评估技术领域、光学探测器或者空间目标探测系统的生产制造领域。

附图说明

图1为本发明实施例提供的探测器信噪比检测装置结构图；

图2为本发明实施例提供的双向递归神网络结构图；

图3为本发明实施例提供的深度循环递归神经网络结构图；

图4为本发明实施例提供的长短期记忆递归神经网络结构图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。

实施例1.

本实施例提供一种探测器信噪比获取方法，其特征在于，所述方法包括如下步骤：

S1、对于采集的探测器反馈的信号，提取所述信号的实部离散性特征值，虚部离散性特征值和相位离散性特征值；提取所述信号的实部下四分割点特征值和虚部下四分割点特征值；

S2、利用递归神经网络结构，对步骤S2中提取的实部离散性特征值、虚部离散性特征值、相位离散性特征值、信号的实部下四分割点特征值和虚部下四分割点特征值进行拟合，

S3、对

；

其中，

S4、对探测器信噪比SNR进行计算，所述探测器信噪比SNR为：

；

其中，

所述探测器反馈的信号为通过电路将接收的探测器的光子信号转换成的数字信号。

提取所述信号的实部离散性特征值、虚部离散性特征值和相位离散性特征值采用的方法为：

步骤1：接收到探测器反馈的信号y=[y

步骤2：分别从y中提取两个不同信号，设为R(y),S(y)；

步骤3：计算

步骤4：计算

步骤5：令

步骤6：利用直方图计算P(Ω);

步骤7：带入

提取所述信号的实部下四分割点特征值和虚部下四分割点特征值采用的方法为：

步骤1：接收到探测器反馈的信号y’=[y’

步骤2：将y’=[y’

步骤3：分别从按顺序排列的y’中提取两个不同信号，设为R(y’),S(y’)；

步骤4：令[I]∈{R(y’),S(y’)}；

步骤5：如果N为偶数，计算

步骤6：如果N为奇数，计算

步骤7：令

实施例2.

本实施例提供一种探测器信噪比检测装置，所述计算装置结构图如图1所示，包括信号检测模块、信号处理模块和信噪比计算模块。

如图1所示，所述信号检测模块包括探测器、光电传感器和AD转换器，用于信号转换；

如图1所示，所述信号处理模块包括数字信号处理器和余弦滤波器，用于信号抽取；

如图1所示，所述信噪比计算模块包括离散性特征提取单元、下四分割点特征提取单元和递归神经网络信噪比计算单元；用于提取信号的特征值并且通过递归神经网络计算探测器信噪比。

实施例3.

本实施例是对实施例2的进一步限定，所述信号检测模块中，光电传感器将探测器所得到的光子信号转换为电子信号，再利用A/D转换器将光电传感器得到的电子信号转换为数字信号，并将数字信号输入信号处理模块。

实施例4.

本实施例是对实施例2的进一步限定，所述信号处理模块中，数字信号处理器对输入数字信号依次进行信号放大和随机抽取操作，再利余弦滤波器对随机抽取的数字信号进行失真补偿操作，失真补偿是因为随机抽取到的信号可能出现不完整的情况，所以需要用余弦滤波器将不完整的信号补充完整，并将数字信号输入信噪比计算模块。

实施例5.

本实施例是对实施例2的进一步限定，所述递归神经网络信噪比计算单元包括接收层、激活层和密集层；所述接收层接收离散性特征提取单元和下四分割点特征提取单元提取的信息，并输入所述激活层，所述激活层采用递归神经网络结构，对来自接收层的信息进行拟合，并将拟合后的信息输入所述密集层，所述密集层对激活层输入的信息进行运算为：

；

其中，

并输出该值，用于探测器的信噪比计算。

本实施例进一步对激活层采用的递归神经网络结构做进一步说明，给出三种递归神经网络结构：

（1）如图2所示，为本实施例给出的双向递归神经网络结构图，包括第一输门，对于双向递归神经网络结构，激活层在时间点

；

其中

（2）如图3所示，为本实施例给出的深度循环递归神经网络结构图，包括调控门、第一优化门第一隐藏门，对于深度循环递归神经网络结构，激活层在时间点

；

其中，

；

；

其中，

；

其中，

（3）如图4所示，为本实施例给出的长短期记忆递归神经网络结构图，包括记忆门、遗忘门、第二优化门、第二隐藏门、第二输出门和映射门，对于长短期记忆递归神经网络结构，激活层在时间点

；

其中，

第二输出门与映射门的状态向量表示为：

；

；

其中，

时间点

/>

其中，

实施例6.

本实施例是对实施例2的进一步限定，根据密集层的输出，对探测器信噪比

；

其中，

采用不同的递归神经网络时，不同输入特征下的信噪比评估精度可以表示为：

；

其中，

三种递归神经网络结构下的输入特征与性能评估精度的关系如表1所示：

表1

/>

本实施例选用了4种情况来验证输入特征和评估精度的关系。在情况1中，

相对于双向递归神经网络结构和深度循环递归神经网络结构，长短期记忆递归神经网络结构的性能评估精度最高，达到98.68%，但是计算复杂度相对较高。双向递归神经网络结构的性能评估精度略低于长短期记忆递归神经网络结构，但是其计算复杂度最低。可以根据实际需求，选择合适的性能评估方法。

实施例7.

本实施例提供提供一种成像探测系统探测性能评估方法，所述方法包括：

获取评估对象的信噪比的步骤；

根据所述信噪比评估所述评估对象的性能的步骤；

所述获取评估对象的信噪比的步骤，采用如实施例1所述探测器信噪比获取方法。

以信噪比为基准对成像探测系统的探测性能进行评估，信噪比越大，说明成像探测系统的探测性能越好。

实施例8.

本实施例提供一种成像探测系统探测性能评估系统，所述系统包括信噪比检测装置和评估装置，所述信噪比检测装置用于实时采集评估对象的输出信号、并对所述信号进行处理获得信噪比发送给评估装置；所述评估装置用于根据获得的信噪比对评估对象的性能进行评估获得评估结果，信噪比越大，说明成像探测系统的探测性能越好。所述信噪比检测装置为实施例2所述的探测器信噪比检测装置。