唐明磊, 張文鵬, 姜衛(wèi)東, 高勛章

(國防科技大學(xué)電子科學(xué)學(xué)院, 湖南 長沙 410000)

0 引 言

目標(biāo)除主體平動(dòng)之外的其他整體或部件的微運(yùn)動(dòng),如旋轉(zhuǎn)、進(jìn)動(dòng)、章動(dòng)等,稱為微動(dòng)。目標(biāo)微動(dòng)能夠?qū)走_(dá)回波信號產(chǎn)生額外的頻率調(diào)制,反映目標(biāo)的獨(dú)特特征,包含目標(biāo)幾何結(jié)構(gòu)、運(yùn)動(dòng)特性等更多的細(xì)節(jié)信息,為參數(shù)估計(jì)和目標(biāo)識(shí)別提供了新的解決方案,有重要的應(yīng)用價(jià)值。

微動(dòng)目標(biāo)雷達(dá)回波的微多普勒隨時(shí)間非線性變化,因此采用頻域分析方法不能夠展示其頻率的時(shí)變特性。時(shí)頻分析使用時(shí)間、頻率兩個(gè)維度描述信號,能夠刻畫微動(dòng)回波的時(shí)變多普勒調(diào)制特征,成為分析目標(biāo)微動(dòng)特性的主要工具。典型的時(shí)頻分布包括線性時(shí)頻分布短時(shí)傅里葉變換(short-time Fourier transform, STFT)、小波變換、S變換,二次Cohen類時(shí)頻分布、魏格納分布(Wigner-Ville distibution, WVD)、偽WVD(pseudo WVD, PWVD)等。現(xiàn)有分析微動(dòng)特性的方法中,大部分是以時(shí)頻圖像為基礎(chǔ)的,如基于線性調(diào)頻小波基分解的微動(dòng)部件回波分離、基于逆約旦變換的進(jìn)動(dòng)角估計(jì)、基于循環(huán)相關(guān)系數(shù)的微動(dòng)周期估計(jì)等。因此時(shí)頻圖像的質(zhì)量很大程度影響著特征提取和參數(shù)估計(jì)的精確度。

在實(shí)際場景中,微動(dòng)信號容易受到其他信號的干擾,強(qiáng)噪聲會(huì)使得微動(dòng)信號在時(shí)頻圖像中難以分辨,嚴(yán)重制約了后續(xù)的微動(dòng)特征提取和參數(shù)估計(jì)。目前,針對微動(dòng)信號增強(qiáng)的研究非常少。文獻(xiàn)[4]提出多重自相關(guān)法提取信號,在將信號從噪聲中分離的同時(shí),對信號進(jìn)行增強(qiáng)。在時(shí)頻域,文獻(xiàn)[5]提到對信號進(jìn)行奇異值分解,舍棄相對較小的奇異值后重構(gòu)可達(dá)到降噪目的,但只能降低信號頻譜之外的噪聲。文獻(xiàn)[6]利用生成對抗網(wǎng)絡(luò)對時(shí)頻圖像進(jìn)行去噪和增強(qiáng)處理,但只對單分量信號時(shí)頻圖進(jìn)行了驗(yàn)證。因此,只能參考例如合成孔徑雷達(dá)(synthetic aperture radar, SAR)圖像、紅外圖像、醫(yī)學(xué)影像等單通道圖像的處理方法。主要有空域?yàn)V波算法(如均值濾波、中值濾波、非局部均值濾波、直方圖均衡)、變換域?yàn)V波算法等傳統(tǒng)算法,以及近年來興起的基于網(wǎng)絡(luò)的人工智能方法。圖像顯著性檢測由于能夠捕捉和突出顯示圖像中顯著目標(biāo)或區(qū)域,在SAR圖像、紅外圖像中也得到了廣泛的應(yīng)用。

基于時(shí)頻工具、空域?yàn)V波算法及已有顯著性檢測的方法及思想,本文提出了一種基于多分辨率顯著性濾波的微動(dòng)信號增強(qiáng)方法,在圖像金字塔提供的多分辨率圖像上分別計(jì)算時(shí)頻圖像的顯著性并濾波,最后進(jìn)行加權(quán)平均處理,有效地抑制了噪聲,提升了時(shí)頻圖像的質(zhì)量。實(shí)驗(yàn)結(jié)果表明,在-7 dB到7 dB的信噪比(signal to noise ratio, SNR)下,采用該方法均能顯著提升時(shí)頻圖像峰值信噪比(peak signal to noise ratio, PSNR)。且在低SNR下,增強(qiáng)后的周期估計(jì)準(zhǔn)確率有大幅提升。與其他幾種典型空域?yàn)V波算法相比,該算法去噪效果更為顯著且保持了較高的運(yùn)算效率。

1 雷達(dá)回波模型

1.1 微動(dòng)信號回波模型

采用文獻(xiàn)[2]中的模型,如圖1所示,其中LOS表示觀測視線。設(shè)雷達(dá)發(fā)射頻率為=10 GHz的單頻連續(xù)波,錐體目標(biāo)高2 m,底半徑0.2 m,質(zhì)心距底面中心0.4 m,進(jìn)動(dòng)頻率=1 Hz,進(jìn)動(dòng)角設(shè)置為=25°,設(shè)雷達(dá)視線在參考坐標(biāo)系中的方位角=220°,平均視界角=60°。

圖1 進(jìn)動(dòng)錐體與觀測雷達(dá)模型示意圖Fig.1 Schematic diagram of precession cone and observation radar model

以雷達(dá)發(fā)射單頻連續(xù)波為例,假設(shè)已進(jìn)行平動(dòng)補(bǔ)償,則空間進(jìn)動(dòng)錐體目標(biāo)的微動(dòng)雷達(dá)回波信號為

(1)

式中:()代表第個(gè)散射中心的幅度調(diào)制,當(dāng)散射中心各向同性時(shí)為常數(shù);第個(gè)散射中心相對主體的微動(dòng)距離為

_()=sin(2π+)+0

(2)

可見,空間進(jìn)動(dòng)錐體的微動(dòng)部分信號呈多分量正弦調(diào)頻形式,調(diào)制頻率等于目標(biāo)進(jìn)動(dòng)頻率,調(diào)制幅度和初相由散射中心的位置和進(jìn)動(dòng)角確定。

1.2 微動(dòng)信號時(shí)頻分析

對微動(dòng)部分信號進(jìn)行時(shí)頻分析,采用STFT的方法得到其時(shí)頻分布:

(3)

式中:()是關(guān)于=0對稱的窗口函數(shù)。從式(3)可以看出,STFT的本質(zhì)是,以滑窗的形式截取信號的片段來進(jìn)行傅里葉變換,從而得到該段的頻譜。取長短適中的窗長,使得時(shí)頻圖的時(shí)間、頻率均有良好的分辨率。對信號進(jìn)行離散化處理,采用65點(diǎn)長的漢明窗,傅里葉變換點(diǎn)數(shù)為2 048。不考慮錐體平動(dòng),根據(jù)第3節(jié)所設(shè)錐體進(jìn)動(dòng)參數(shù),得到無噪時(shí)頻圖像。向其中加入-3 dB的高斯白噪聲,則無噪時(shí)頻圖像及含噪時(shí)頻圖像如圖2所示。

圖2 無噪聲及-3 dB條件下的時(shí)頻圖像Fig.2 Time-frequency image without noise and under -3 dB condition

可以看到,在-3 dB條件下的時(shí)頻圖像中,背景區(qū)域存在大量雜斑,且隨機(jī)分布。與噪聲相比,雖然微動(dòng)信號的像素值依然相對顯著,但給識(shí)別微動(dòng)信號增加了一定難度。

2 基于多分辨率顯著性濾波的微動(dòng)信號增強(qiáng)

一般情況下,高斯白噪聲頻率豐富,在整個(gè)頻譜上都有成分,功率譜密度相對較低;而平動(dòng)補(bǔ)償后的微動(dòng)信號頻譜范圍較集中,功率譜密度相對較高。因此,即使SNR一定范圍內(nèi)較低時(shí),在頻域有限的時(shí)頻圖中,微動(dòng)信號曲線相比于噪聲背景依然較顯著。這啟發(fā)我們基于像素塊間的歐氏距離計(jì)算顯著性的方法處理時(shí)頻圖像,檢測并突出圖像中的顯著區(qū)域。算法流程如圖3所示。

圖3 算法流程Fig.3 Algorithm flow

2.1 篩選背景區(qū)域及選擇參考背景塊

將整個(gè)時(shí)頻圖以圖中像素值最高點(diǎn)歸一化,則整個(gè)時(shí)頻圖所有像素值在0～1內(nèi)變化。將時(shí)頻圖均勻劃分為×的圖像塊,記為(),其中可調(diào)整大小。逐塊計(jì)算每一個(gè)×塊的像素平均值,記為()。所有()中值記為。當(dāng)()<,對應(yīng)的()塊視為背景區(qū)域塊,否則視為顯著區(qū)域塊。因?yàn)闀r(shí)頻圖像中占大部分的為背景區(qū)域,所以選擇中值作為背景區(qū)域塊的篩選門限是合理的。將所有的背景區(qū)域塊用表示。以=8和=16為例,背景區(qū)域篩選情況如圖4所示(紅色矩形框所示為背景區(qū)域塊)。

圖4 -3 dB時(shí)的背景區(qū)域篩選情況Fig.4 Background area screening at -3 dB

在計(jì)算局部顯著性時(shí),如果將當(dāng)前塊與所有背景塊逐個(gè)比較差異,則計(jì)算量非常大。為提高計(jì)算效率,在所有背景區(qū)域塊中隨機(jī)選擇個(gè)作為參考背景塊,記為,其中的第個(gè)記為Ref(),則有:

={Ref()|∈[1,],Ref()∈}

(4)

由于所加噪聲為高斯白噪聲,因此各背景區(qū)域塊噪聲獨(dú)立同分布,隨機(jī)選擇其中的個(gè)作為參考背景塊是合理的。

2.2 計(jì)算顯著性圖像

文獻(xiàn)[19]采用逐個(gè)像素點(diǎn)計(jì)算顯著性的方式,運(yùn)算量相對較大。在本文中,以塊為單位計(jì)算得到顯著性,將該顯著性值賦給該塊的所有點(diǎn),使得顯著性計(jì)算這一項(xiàng)的計(jì)算效率增加了倍,同時(shí)圖像增強(qiáng)的效果不會(huì)發(fā)生明顯的退化。

根據(jù)第21節(jié)選擇參考背景塊的方法,將劃分好的時(shí)頻圖像的每一圖像塊的×個(gè)像素與參考背景塊的×個(gè)像素逐像素計(jì)算距離,最后得到兩個(gè)塊的歐式距離。以當(dāng)前圖像塊()為例,計(jì)算公式為

(5)

式中:,分別為各塊中對應(yīng)像素的坐標(biāo)值。基于()與個(gè)參考背景塊Ref()之間的歐氏距離,計(jì)算得到()塊的局部顯著性如下:

(6)

可見,若()與Ref()之間歐式距離越大,則式(6)中的指數(shù)項(xiàng)越接近于0,局部顯著性()越接近于1。()就越有可能為信號占據(jù)的顯著區(qū)域塊。

當(dāng)=4,=4時(shí),逐塊計(jì)算所有()的(),得到整幅時(shí)頻圖像的顯著性圖像,如圖5所示。

圖5 -3 dB時(shí)的顯著性圖像Fig.5 Saliency image at -3 dB

可見,信號區(qū)域的顯著性最強(qiáng),但由于存在較強(qiáng)的噪聲,背景中也有大量顯著的亮斑,為增強(qiáng)圖像質(zhì)量,因此需要進(jìn)一步處理。

2.3 多分辨率顯著性濾波

多尺度框架在圖像分析與處理中得到了廣泛的應(yīng)用。圖像金字塔是一種以多分辨率來解釋圖像的結(jié)構(gòu),通過下采樣生成層不同分辨率的圖像。以金字塔形狀排列,最高分辨率的圖像置于底層,往上是一系列分辨率逐漸降低的圖像,一直到金字塔的頂部只包含一個(gè)像素點(diǎn)的圖像,這就構(gòu)成了傳統(tǒng)意義上的圖像金字塔,如圖6所示。

圖6 多分辨率圖像金字塔結(jié)構(gòu)Fig.6 Image pyramid structure with multi-resolution

如果研究對象尺寸較小或?qū)Ρ榷容^低,那么需要以較高的分辨率來研究它們;如果尺寸較大或?qū)Ρ榷容^高,則以低分辨率進(jìn)行粗略的觀察就已足夠。即圖像分辨率越低,細(xì)節(jié)就越少。對于時(shí)頻圖像,高分辨率下信號細(xì)節(jié)特征得以保留,但同時(shí)強(qiáng)噪聲依然存在;而低分辨率條件下,背景區(qū)域的噪點(diǎn)作為尺寸較小細(xì)節(jié)部分被忽略掉,同時(shí)微動(dòng)信號保留了粗略的輪廓特征,但細(xì)節(jié)丟失嚴(yán)重。

基于以上原理,將時(shí)頻圖像在多分辨率進(jìn)行處理,以=4為例,計(jì)算得到第層分辨率圖像的顯著性圖像如圖7所示。

圖7 4層的顯著性圖像Fig.7 Saliency images of four layers

表示時(shí)頻圖中不同部分的顯著性,其像素在[0,1]內(nèi)取值。信號區(qū)域顯著性強(qiáng),其()值更接近1,背景區(qū)域顯著性弱,其()值更接近0。因此將顯著性圖像視為“濾波器”,與該層時(shí)頻圖像進(jìn)行對應(yīng)點(diǎn)乘運(yùn)算,信號區(qū)域像素與接近于1的()相乘得到較好的保留,而背景噪聲區(qū)域與接近于0的()相乘更加被抑制。得到每層的濾波輸出圖像:

_out=⊙

(7)

式中:為第層時(shí)頻圖像;為第層時(shí)頻圖像的顯著性圖像;_out為第層濾波輸出圖像。圖8(a)～圖8(d)分別顯示了-3 dB時(shí)的4層輸出圖像。

圖8 4層的濾波輸出圖像Fig.8 Filtering output images of four layers

對比圖7,顯然每層的濾波輸出圖像比該層的顯著性圖像抑制噪聲效果更好。將每層的濾波輸出圖像求加權(quán)和后得到最終的輸出圖像:

(8)

式中：表示與層數(shù)相關(guān)的權(quán)重,定義為

(9)

隨著層數(shù)的增大分辨率降低,信號區(qū)域特征得以保留,背景噪聲變得不那么突出。最終增強(qiáng)輸出圖像如圖9所示。該算法在信號顯著性保留和噪聲抑制之間取得了很好的折衷。

圖9 增強(qiáng)后輸出圖像Fig.9 Output image after enhancement

3 實(shí)驗(yàn)分析

3.1 仿真模型

采用第1.1節(jié)中的模型。考察錐體頂點(diǎn)P1(0,0,1.6)和底部邊緣散射點(diǎn)P2(0,-0.2,-0.4) P3(0, 0.2,-0.4)的回波特性,設(shè)置P1點(diǎn)散射強(qiáng)度為1,P2、P3點(diǎn)散射強(qiáng)度為0.7,采樣頻率PRF=1 024 Hz,并在回波中加入高斯白噪聲。本文中為提高運(yùn)算效率,首先將原始時(shí)頻圖縮放到512×512的分辨率,再進(jìn)行后續(xù)處理。

3.2 參數(shù)設(shè)置

本文所采用算法涉及多個(gè)參數(shù),下面探討幾個(gè)主要參數(shù)(參考背景塊邊長為,參考背景塊個(gè)數(shù)為,圖像金字塔層數(shù)為)的設(shè)置及影響。

PSNR是信號最大功率與信號噪聲功率之比,是最普遍、最廣泛使用的評鑒畫質(zhì)的客觀量測法,計(jì)算方法如下:

(10)

(11)

式中:MAX為圖像的最大像素值,在灰度圖中范圍為(0,255)。在本文中,歸一化到(0,1)內(nèi)處理,則MAX=1。MSE為與無噪時(shí)頻圖像的均方誤差(mean square error, MSE)。本文用增強(qiáng)前后時(shí)頻圖像的PSNR增益衡量時(shí)頻圖像的質(zhì)量改善:

ΔPSNR=PSNR-PSNR

(12)

設(shè)SNR=-3 dB,經(jīng)100次蒙特卡羅仿真,得到最佳參數(shù)分別為=4,=4,=4,驗(yàn)證過程如下。

(1) 在給定的=4,=4時(shí),設(shè)定在1～12內(nèi)變化,如圖10所示,輸出圖像質(zhì)量呈先增加后下降的趨勢,最大PSNR增益在=4時(shí)得到。原因是如果參考背景塊尺寸太小,不能很好地捕捉背景的實(shí)際特征。某些噪聲可能非常強(qiáng),以至于所在局部背景塊的平均值也非常大,這可能使得這些塊被認(rèn)定為顯著區(qū)域而不是背景區(qū)域。如果參考背景塊尺寸太大,可能會(huì)導(dǎo)致以背景區(qū)域塊覆蓋許多屬于信號的像素,這也會(huì)導(dǎo)致參考背景塊劃分不當(dāng)。若待處理時(shí)頻圖的分辨率不同,則應(yīng)相應(yīng)改變的值。

圖10 PSNR增益隨w變化情況Fig.10 Gain of PSNR varies with w

(2) 給定=4,圖像增強(qiáng)的質(zhì)量與相關(guān)。采用多層顯著性濾波圖像融合的效果比簡單地采用單個(gè)尺度的顯著性濾波圖像對斑點(diǎn)噪聲具有更強(qiáng)的魯棒性。由于在不同分辨率下不變,因此對于層數(shù)較高的圖像,的取值會(huì)因?yàn)橄鄬^大,篩選出的背景塊包含了過多信號區(qū)域的像素點(diǎn)，也會(huì)導(dǎo)致參考背景塊劃分不當(dāng)。如圖11所示,當(dāng)固定且設(shè)置為4時(shí),圖像增強(qiáng)的質(zhì)量優(yōu)于其他不同參數(shù)設(shè)置的圖像。

圖11 PSNR增益隨L變化情況Fig.11 Gain of PSNR varies with L

(3) 將和分別設(shè)置為4和4,并將整數(shù)從1變?yōu)?2,然后得到圖12所示的結(jié)果。隨著的增加,圖像增強(qiáng)的質(zhì)量逐漸提高,當(dāng)大于4時(shí),這種改善并不顯著。直觀的理解是:當(dāng)參考背景塊數(shù)量增加,有利于捕捉背景的特征。然而,過多的參考背景塊也意味著更多的計(jì)算冗余,使得效率大大降低。事實(shí)上,對于大多數(shù)含噪時(shí)頻圖像,背景中的雜斑是靜止且獨(dú)立同分布。因此,用若干參考背景塊代替所有背景區(qū)域塊進(jìn)行顯著性計(jì)算是可行的。

圖12 PSNR增益隨K變化情況Fig.12 Gain of PSNR varies with K

綜上所述,參數(shù)設(shè)置的一個(gè)建議方案是為4,為4,為4。

3.3 不同SNR下的PSNR增益

取=4,=4,=4,經(jīng)過100次蒙特卡羅仿真,在SNR為-7～7 dB時(shí),PSNR增益如圖13所示。

圖13 不同SNR下增強(qiáng)后的PSNR增益Fig.13 Enhanced PSNR gain under different SNRs

以SNR=-3 dB、0 dB時(shí)為例,時(shí)頻圖像增強(qiáng)前后如圖14所示。

圖14 增強(qiáng)前后時(shí)頻圖像對比Fig.14 Time-frequency image comparison before and after enhancement

可見,該算法在噪聲抑制和信號保留方面都取得了比較好的效果。

3.4 微動(dòng)周期估計(jì)驗(yàn)證

主要驗(yàn)證低SNR條件下的改善效果。采用文獻(xiàn)[3]中基于循環(huán)相關(guān)系數(shù)的微動(dòng)周期估計(jì)方法,來驗(yàn)證采用本文方法增強(qiáng)后微動(dòng)周期估計(jì)效果的改善。隨機(jī)生成2 000組SNR為-7～0 dB的信號,經(jīng)過STFT后,首先對含噪圖像直接估計(jì)微動(dòng)周期,然后采用本文方法進(jìn)行增強(qiáng)處理后,估計(jì)微動(dòng)周期。周期估計(jì)相對誤差在5%以內(nèi)視為估計(jì)準(zhǔn)確,則增強(qiáng)處理前后,微動(dòng)周期估計(jì)的準(zhǔn)確率、均值、MSE、平均絕對誤差(mean absolute error, MAE)分別如圖15(a)～圖15(d)所示。

圖15 增強(qiáng)前后估計(jì)準(zhǔn)確率、均值、MSE、MAE對比Fig.15 Comparison of estimation accuracy, mean value, MSE and MAE before and after enhancement

可見,在SNR低于-3 dB時(shí),增強(qiáng)后估計(jì)準(zhǔn)確率、均值、MSE、MAE均有明顯改善,效果約相當(dāng)于增加SNR 2 dB。

3.5 實(shí)測數(shù)據(jù)驗(yàn)證

使用雷達(dá)測量數(shù)據(jù)來驗(yàn)證本文方法的有效性。錐體彈頭模型同第1.1節(jié),進(jìn)動(dòng)周期=2 s。其回波雷達(dá)截面積數(shù)據(jù)由暗室測量得到,回波時(shí)頻圖像如圖16所示,雷達(dá)回波采樣頻率PRF=200 Hz。在暗室測量回波的基礎(chǔ)上添加-7～7 dB的高斯白噪聲。取=4,=4,=4,以-3 dB、3 dB為例,增強(qiáng)前后時(shí)頻圖像如圖17所示。

圖16 暗室彈頭回波時(shí)頻圖像Fig.16 Time-frequency image of anechoic chamber warhead echo

圖17 增強(qiáng)前后的暗室彈頭時(shí)頻圖像Fig.17 Time-frequency images of anechoic chamber warhead before and after enhancement

經(jīng)過100次蒙特卡羅仿真,在-7～7 dB的SNR下,增強(qiáng)后的PSNR增益如圖18所示。其中在0 dB以下的低SNR條件時(shí),PSNR增益均達(dá)到了6.5 dB以上,可見,圖像質(zhì)量得到了明顯提升。

圖18 暗室彈頭不同SNR下增強(qiáng)后的PSNR增益Fig.18 Enhanced PSNR gain of anechoic chamber warhead under different SNRs

進(jìn)行200次蒙特卡羅仿真,使用循環(huán)相關(guān)系數(shù)法對SNR在-7～0 dB條件下增強(qiáng)前后的時(shí)頻圖像進(jìn)行微動(dòng)周期估計(jì),要求周期估計(jì)相對誤差在15%以內(nèi)。則增強(qiáng)處理前后,微動(dòng)周期估計(jì)的準(zhǔn)確率、均值、MSE、MAE分別如圖19(a)～圖19(d)所示。

圖19 暗室彈頭增強(qiáng)前后估計(jì)準(zhǔn)確率、均值、MSE、MAE對比Fig.19 Comparison of estimation accuracy, mean value, MSE and MAE before and after enhancement of anechoic chamber warhead

實(shí)驗(yàn)結(jié)果與仿真實(shí)驗(yàn)相似,在SNR低于-3 dB時(shí),增強(qiáng)后估計(jì)準(zhǔn)確率、均值、MSE、MAE均有明顯改善,再次證明了本文所提算法的有效性。

3.6 算法對比

采用第3.1節(jié)仿真模型,將所提算法的實(shí)驗(yàn)結(jié)果與幾種經(jīng)典空域?yàn)V波算法進(jìn)行對比,包括均值濾波(核半徑為7)、中值濾波(核半徑為7)、高斯濾波(核半徑為9,方差為4)、非局部均值濾波(鄰域半徑為8,搜索窗半徑為12,平滑參數(shù)為4)。以-3 dB SNR為例,增強(qiáng)后的圖像如圖20所示,與圖9相比,顯然在視覺上本文所提算法能更好地抑制背景噪聲,突出信號區(qū)域。

圖20 -3 dB下不同濾波算法的去噪效果Fig.20 Denoising effect of different filtering algorithms at -3 dB

在-7～7 dB的SNR下,不同算法增強(qiáng)后的PSNR增益如圖21所示?？梢娫诓煌琒NR下,本文所提算法的PSNR增益遠(yuǎn)高于其他算法,去噪效果更優(yōu)。

圖21 不同濾波算法的PSNR增益對比Fig.21 Comparison of PSNR gain of different filtering algorithms

在運(yùn)行時(shí)間方面,本文所提算法在保持最好的去噪效果同時(shí),亦能保持較高的運(yùn)算效率,處理實(shí)時(shí)性較好。

表1 算法運(yùn)行時(shí)間比較Table 1 Algorithm run time comparison s

4 結(jié) 論

本文針對低SNR下微動(dòng)信號增強(qiáng)問題進(jìn)行研究,分析了微動(dòng)信號時(shí)頻圖像的特點(diǎn),提出基于多分辨率顯著性濾波的微動(dòng)信號增強(qiáng)方法。通過仿真實(shí)驗(yàn)和實(shí)測數(shù)據(jù)的處理結(jié)果表明,采用該方法能夠有效抑制噪聲,提升時(shí)頻圖像的微動(dòng)信號的質(zhì)量。SNR為-3 dB以下時(shí),基于增強(qiáng)后時(shí)頻圖像的微動(dòng)周期估計(jì)準(zhǔn)確率大幅提高。與幾種典型的空域?yàn)V波算法進(jìn)行比較,在去噪效果上具有明顯優(yōu)勢的同時(shí)也保持了較高的運(yùn)算效率,因此可作為一種有效的微動(dòng)信號增強(qiáng)途徑。本文尚存在許多不足之處,比如:不同SNR下最佳參數(shù)可能會(huì)不同,對此并未多加驗(yàn)證;只驗(yàn)證了3個(gè)主要參數(shù)的影響,尚未探究其他參數(shù)(如每層的縮放比例、權(quán)重等)的影響;當(dāng)主體回波較強(qiáng)時(shí),可能會(huì)導(dǎo)致微弱的微動(dòng)回波分量被淹沒或被誤判背景區(qū)域。接下來將會(huì)進(jìn)一步改進(jìn)探索并探索新的方法。