去混合方法

2024-10-08

去混合方法（精选7篇）

去混合方法篇1

0 引言

随着电力系统中电能质量水平与用户对其要求的差距日益增大,电能质量问题引起了高度重视,成为电力系统研究领域中的热点问题。对电能质量治理的前提条件是能准确地检测出电能质量信号。小波变换具有良好的时频局部化特点,特别适用于突变信号和非平稳信号的分析,已广泛应用于电能质量信号的检测与分析。在实际的工程应用中,由于线路、设备安装的位置和外界的电磁干扰等因素,检测到的信号通常包含噪声干扰。噪声的存在会影响小波方法的效果,甚至使其失效,故对检测到的信号进行去噪就显得尤为重要。

阈值的选取是影响小波去噪效果的主要因素,因此人们进行了大量研究。文献[1]将小波软阈值去噪技术应用于电能质量信号的检测。文献[2-3]提出了基于正态分布的规律——3σ规则的阈值算法,但是没有考虑到小波系数随尺度的变化规律。文献[4]基于普通的小波去噪算法,提出了一种改进算法。文献[5]针对局部放电信号,提出了小波阈值去噪法的最优阈值自适应选择方法。文献[6]将小波系数软硬阈值折中方法应用在故障定位消噪中。文献[7]针对GIS局部放电信号,提出了一种软硬阈值结合的混合阈值去噪方法,但该文只是根据经验确定软硬阈值方法的临界尺度jα,对于其他信号不具有自适应性。

现结合小波系数随尺度变化规律,提出了一种基于3σ规则的改进阈值算法。该算法能根据不同信号的特点,自适应地确定临界尺度jα。仿真实验表明,基于改进阈值的混合阈值去噪方法抑制白噪声干扰能力强,较好地保留了原始信号的局部特征,并且不受信号采样点数的影响,能够从白噪声干扰中有效地提取出电能质量信号。

1 小波系数阈值去噪方法

电能质量信号中的噪声一般为白噪声[1],对于要检测的信号f,设其被高斯白噪声污染的观测序列为

其中,i=0,1,…,N-1(N为信号的采样点数,下同);ti=i/N;zi为标准高斯白噪声Z(0,1)的元素;σ为白噪声的均方差,代表噪声强度。

噪声经小波变换后,其能量分布于整个小波阈中;有用信号经小波变换后,其能量被压缩到相对少数而数值较大的小波系数上,因此信号的小波系数要大于噪声的小波系数。Donoho等人据此提出的小波阈值去噪方法[8]的基本思想是:先选取阈值λ,认为小于λ的小波系数主要是由噪声引起,将其置零;大于λ的小波系数,主要是由信号引起的,将这些系数保持不变(硬阈值方法)或按某一固定量向零收缩(软阈值方法),然后用尺度系数和处理过的小波系数进行小波重构,得到去噪后的信号。

去噪过程可以通过3步实现。

a.选取一个正交小波基(如Daubechies、symlet等)和分解层数,对di进行正交小波变换,得到小波系数wj,k。

b.按照某种规则选取阈值λ,对wj,k进行硬阈值或软阈值处理,处理后的小波系数记为。

硬阈值处理后小波系数为

软阈值处理后小波系数为

c.对尺度系数和处理后的小波系数进行小波重构,得到去噪后的信号。

Donoho给出的阈值为,其中σ为噪声的均方差。此阈值在N很大时显得太大,N很小时则太小,并且不随分解层数的变化而变化。因此,本文提出了一种新的阈值算法。

2 阈值的选取

2.1 基本原理

由小波变换理论知:高斯白噪声的小波变换系数是独立的,并且仍然是高斯分布的。信号及噪声经正交小波变换后在各级小波空间表现为:在较小尺度小波空间里白噪声起主导作用,这些尺度的小波系数呈现出明显的白噪声特性;在较大尺度小波空间里有用信号起主导作用,这些尺度的小波系数呈现出非白噪声特性[9]。

由概率论与数理统计的知识可知:若X为正态分布,即X~N(μ,σ2),则

即X的值落在区间[μ-3σ,μ+3σ]内几乎是肯定的事,这就是所谓的“3σ规则”。

白噪声Z~N(0,1),故zi的小波系数落在[-3σ,3σ]的概率为99.74%。因此,软阈值去噪时可以取阈值λ=3σ。但是,这并不能反映信号和噪声的小波变换系数在各层间的不同传播特性,即:信号的小波变换系数随着尺度的增大而增大,而高斯白噪声的小波变换系数随着尺度的增大而减小。为了使阈值的变化与噪声的小波系数在各尺度上的传播特性相一致,可以从第2层起,将阈值除以ln(j+1)(j为尺度),即第j层的阈值为

其中,σj为第j层小波变换系数的均方差,它可以通过以下公式[10]计算:

式中wj,k为第j层小波系数,M为该层小波系数的个数,下同。

2.2 去噪效果的衡量

在信号的去噪处理中,判断去噪效果的好坏主要有2个标准:一是信噪比SNR;二是信号的重构均方误差MSE。一般而言,信噪比越大,重构均方误差越小,则去噪效果越好。SNR和MSE的计算公式为

式中ps为信号方差;pn为噪声方差。

式中ti为各采样时刻。

3 混合阈值去噪方法

硬阈值法有利于保留原信号的能量,但由于在λ处不连续,利用重构所得信号可能会产生一些振荡,其去噪效果不如软阈值法;软阈值法估计出来的整体连续性好,去噪效果较好,但当|wj,k|>λ时,与wj,k总存在恒定偏差,影响重构信号与原始信号的逼近程度,能量损失比硬阈值法严重。鉴于此,文献[5]综合了两者的优点,提出了软硬阈值结合的混合阈值去噪法,但只是根据经验选取临界尺度jα,并没有通过理论分析得到最优的jα。

信号及噪声经正交小波变换后,在较小尺度小波空间里(j≤j0)白噪声起主导作用,这些尺度的小波系数呈现出明显的白噪声特性,并且随着尺度的增大而减小,故小波系数的能量也随着尺度增大而减小。在这些尺度上,如果用软阈值方法,不仅去噪效果较好,并且因为这些尺度上信号含量很小,信号能量损失也很小;在较大尺度小波空间里(j>j0)有用信号起主导作用,这些尺度的小波系数呈现出非白噪声特性。在这些尺度上,如果用硬阈值方法,信号能量损失小,并且因为这些尺度上噪声含量很小,去噪效果也较好。

当j≤j0时,小波系数能量随尺度增大而减小,当j=j0+1时,因为j0+1层上有用信号起主导作用,小波系数能量较大,所以在尺度j0上,小波系数能量随尺度变化的曲线会出现第1个极小值点,可以根据小波系数能量曲线的第1个极小值点确定jα,jα=j0。第j层小波系数的能量为

4 仿真算例

图1(a)是用Matlab模拟的电压骤降信号,图1(b)为叠加噪声的电压骤降信号,信噪比为25.6757 d B,信号的采样频率为20 k Hz,用db8小波分解6层。采用基于改进阈值的混合阈值方法去噪,用上述方法确定最佳临界尺度jα=4。去噪后的波形如图1(c)所示,其信噪比为36.7468 d B,重构均方误差为0.7428。可以看出,本去噪方法取得了较好的效果,满足较小的均方误差和光滑性要求,较好地保留了原始信号的局部特征。

当临界尺度分别为3、4、5时,去噪后的信噪比SNRT分别为45.5787 d B、45.9676 d B、44.0598 d B,相对应的均方误差分别为0.3071、0.2955、0.3581。由于高斯白噪声的产生是随机的,故表1中计算结果是计算100次后求平均值得到的;括号后的数据为相应的均方误差。可以看出,临界尺度对去噪效果有较大影响,本文方法能找到最佳临界尺度jα=4,使混合阈值方法达到最佳去噪效果。

在Matlab小波工具箱中,阈值的选择有4种规则:“rigrsure”(无偏风险规则),“sqtwolog”(固定阈值规则),“heursure”(启发式阈值规则)和“minimaxi”(极大极小值规则)。表1是基于改进阈值的混合阈值去噪方法和基于上述4种阈值的软阈值去噪方法对图1(b)中所示信号在不同信噪比时的去噪结果。

从表1中可以看出,本文方法取得了较好的去噪效果,信噪比大幅度提高,重构均方误差也较小,各项指标优于其他4种方法。去噪性能非常稳定,对噪声的依赖性较小,在不同的信噪比下都能取得较好的去噪效果。在原始信噪比较大的情况下,该方法去噪效果比其他4种方法显得更为出色,并且实现简单,计算量较小,易于在工程应用上实现。

注:SNRb指原始信噪比。

5 结论

阈值的选取和对阈值的处理方法是影响小波阈值去噪效果的2个重要因素。根据信号和噪声的小波系数的分布规律和随尺度的传播特点,提出了基于3σ规则的改进阈值算法和自适应确定临界尺度的混合阈值去噪方法。仿真实验表明,基于改进阈值的混合阈值方法在不同信噪比时都能有效地去除白噪声,去噪性能稳定,并且较好地保留了原信号的局部特征。阈值的选取不受信号采样点数的影响。该方法简单,计算量小,具有较大的工程实用价值。

摘要：基于小波变换的阈值去噪是滤除采样信号中白噪声的有效方法。在实际应用中,阈值的选取和对小波系数的处理方法是影响其去噪效果的2个重要因素。软硬阈值方法各有其优缺点,将两者结合起来的混合阈值方法可提高去噪算法的性能。在分析软硬阈值方法各自的优缺点后,结合正态分布的规律和信号、噪声的小波系数在不同层上的分布特点,提出了能自适应确定临界尺度的软硬阈值结合的混合阈值去噪方法。对采样信号进行小波变换,根据各层小波系数能量的最小值,确定临界尺度。对小于或等于临界尺度的层数上的小波系数用软阈值方法处理,对大于临界尺度的层数上的小波系数用硬阈值方法处理,这样处理能减小信号能量损失。对尺度系数和处理后的小波系数进行重构,得到去噪后的信号。仿真实验表明,混合阈值方法去噪性能稳定,在不同信噪比下都能有效地去除白噪声,较好地保留了原信号的局部特征,且方法简单,计算量小。

关键词：电能质量,小波变换,高斯白噪声,混合阈值,去噪

参考文献

[1]欧阳森,宋政湘,陈德佳,等.小波软阈值去噪技术在电能质量检测中的应用[J].电力系统自动化,2002,26(19):56-60.OUYANG Sen,SONG Zhengxiang,CHEN Dejia,et al.Application of wavelet soft-threshold denoising technique to power quality detection[J].Automation of Electric Power Systems,2002,26(19):56-60.

[2]张磊,潘泉,张洪才,等.小波阈滤波阈值参数c的选取[J].电子学报,2001,29(3):400-402.ZHANG Lei,PAN Quan,ZHANG Hongcai,et al.On the deter-mination of threshold in threshold-based de-noising by wavelet transform[J].Acta Electronic Sinica,2001,29(3):400-402.

[3]PAN Quan,ZHANG Lei.Two de-noising methods by wavelet transform[J].IEEE Trans on Signal Processing,1999,47(12):3401-3406.

[4]赵瑞珍,宋国乡.一种基于小波变换的白噪声消噪方法的改进[J].西安电子科技大学学报,2000,27(5):619-622.ZHAO Ruizhen,SONG Guoxiang.An improved method for white noise reduction based on wavelet transform[J].Joural of XidianUniversity,2000,27(5):619-622.

[5]李剑,孙才新,杨霁,等.局部放电在线监测中小波阈值去噪法的最优阈值自适应选择[J].电网技术,2006,30(8):25-30.LI Jian,SUN Caixin,YANG Ji,et al.Adaptive optimal threshold selection of wavelet-based threshold de-noising for on-line partial discharge monitoring[J].Power System Technology,2006,30(8):25-30.

[6]周静,陈允平,周策,等.小波系数软硬阈值折中方法在故障定位消噪中的应用[J].电力系统自动化,2005,29(1):65-68.ZHOU Jing,CHEN Yunping,ZHOU Ce,et al.The application of de-noise based on compromise algorithm between soft-threshol-ding and hard-thresholding of wavelet coefficient for fault location[J].Automation of Electric Power Systems,2005,29(1):65-68.

[7]许高峰,孙才新,唐炬,等.基于小波变换抑制GIS局部放电监测中白噪干扰的新方法研究[J].电工技术学报,2003,18(2):87-90,82.XU Gaofeng,SUN Caixin,TANG Ju,et al.A new method for suppressing white noise in GIS PD monitoring by wavelet analysis[J].Transactions of China Electrotechnical Society,2003,18(2):87-90,82.

[8]DONOHO D L.De-noising by soft thresholding[J].IEEE Trans on Information Theory,1995,1(3):613-627.

[9]张吉先,钟秋海,戴亚平.小波门限消噪法应用中分解层数及阈值的确定[J].中国电机工程学报,2004,24(2):118-122.ZHANG Jixian,ZHONG Qiuhai,DAI Yaping.The determination of the threshold and the decomposition order in threshold de-noising method based on wavelet transform[J].Proceedings of the CSEE,2004,24(2):118-122.

[10]HILTON L,OGDEN T.Data analytic wavelet threshold selection in2-D signal denoising[J].IEEE Trans on Signal Processing,1997,45(2):496-500.

去混合方法篇2

噪声可能造成图像退化, 从而导致图像特征被掩盖, 对图像分割、跟踪、特征提取以及识别等后续工作的准确性有很大的影响。因此, 抑制图像噪声, 提升图像质量是图像处理和分析的前提。

传统的中值滤波和均值滤波可有效地减少图像中的椒盐噪声和高斯噪声, 但是这两种滤波方法都一致地应用于整个图像, 而没考虑图像中的各部分像素是否受到污染。因此, 可能破坏图像的一些重要细节。为了克服传统中值和均值滤波的不足, 一些学者提出了多种改进方法。针对中值滤波的改进有开关中值滤波 (SM) 滤波[1]、递进开关中值滤波[2]、基于minmax算法的改进中值滤波[3]、迭代中值滤波[4]、极值中值 (EM) 滤波[5]、递进开关中值 (PSM) 滤波[6]、自适应开关中值 (ASM) 滤波[7]以及基于模糊指标改进的自适应中值滤波[8]等。针对均值滤波的改进, 有改进均值滤波 (MTM) [9]、自适应中心加权的改进均值滤波 (ACWMTM) [10]、中心加权的改进均值滤波 (CWMTM) [11]、基于人类视觉的自适应均值滤波算法[12]以及非线性滤波[13]等。除此之外, 还有一些其他的去噪方法, 比如小波方法[14]、脊波方法[15]以及神经网络方法[16]等。以上介绍的滤波算法都是针对图像噪声的。图像椒盐噪声的最大特点是对应的灰度值一般是图像像素值的最大值或者最小值;而高斯噪声的最大特点是, 不管原图像直方统计分布图是怎样的, 噪声发生的概率密度有多大, 但最终被污染后的图像的直方统计分布图大多近似服从高斯分布[17]。

通常某种去噪方法只对某一类噪声的去除较为有效, 如均值滤波或针对均值滤波的改进算法对高斯噪声的去除较适合, 但对椒盐噪声的去除并不是很有效。同样, 中值滤波或针对中值滤波的改进算法较适用于椒盐噪声的去除, 而不适用于高斯噪声的消除。以上介绍的滤波方法大多是针对单一噪声滤除的, 对于同时适用于两种噪声滤除的滤波方法探讨较少。这里根据传统中值滤波和均值滤波的不足, 以及文献[7,13]中滤波算法的优点, 研究了一种自适应去除图像数据中椒盐噪声和高斯噪声的混合滤波方法, 该方法包括减少图像数据椒盐噪声和高斯噪声两部分。这种滤波算法在滤除图像椒盐噪声时, 采用自适应扩大滤波窗口的方法, 来判断待滤波点是否受到椒盐噪声污染, 以及待滤波窗口内是否含有噪声块;在滤除投影数据高斯噪声时, 采用自适应选择阈值的方法, 即:迭代计算滤波前后的MSE值。最小的MSE值对应的阈值即为最佳的滤波阈值, 此时的滤波输出为一个相对稳定的结果。计算机仿真实验证实, 该方法不仅有效地滤除图像数据中的混合噪声, 而且能够较多保留图像中的细节。

1椒盐噪声的自适应过滤

设待处理的灰度图像为8位的灰度图, 灰度等级为[0, 255]。椒盐噪声点在图像中有两个与一般信号点不同的特征。椒盐噪声一个特点是:噪声灰度值非常大或非常小, 如果设定一个阈值α, 可把[255, 255-α]与[0, α]作为图像中椒盐噪声的灰度范围, 在这一范围的像素点就可能为噪声点;而椒盐噪声的另一个特点是:噪声点与邻域内信号点灰度值相差较大。

块状噪声[8]:在滤波窗口内, 如果半数以上的图像数据受椒盐噪声污染, 则该滤波窗口内的噪声组成块状噪声。设图像数据为:

$Ι m a g e (u, v), 0 \leq u < Μ, 0 \leq v < Ν$

式中:M为图像的行数;N为图像列数, 其图像数据的总数L=M·N。

选择大小为3×3的小滤波窗口, 记为SmallWindow。扩大的滤波窗口尺寸为5×5, 大滤波窗口用BigWindow表示, 大滤波窗口内图像数据的中值用BigWindowmed表示。设x (t) =Image (u, v) 为待滤波的图像数据, 待滤波图像点在小滤波窗内邻域点的总数为PSmall=3×3-1, 其灰度值用xi (t) , i=1, 2, …, PSmall表示。小滤波窗口内图像点数目的一半记为λ=[ (3×3+1) /2], 其中[]为取整符号。小滤波窗口内, 灰度值在[255, 255-α]范围内的点的个数记为Numberhigh;灰度值在[0, α]范围内的点的个数记为Numberlow。待滤波图像点的邻域点灰度值不在[0, α]范围内的最小值记为min, 不在[255, 255-α]范围内的最大值记为max。

改进的自适应中值滤波算法如下:

(1) 如果待滤波图像数据x (t) 既不在[0, α]的范围内, 又不在[255, 255-α]的范围内, 说明待滤波图像数据未受椒盐噪声污染, 直接输出该数据。否则, 进入流程 (2) 。

(2) 当图像数据x (t) ∈[0, α]或x (t) ∈[255-α, α], 说明待滤波图像点有可能受到白椒盐噪声和黑椒盐噪声的污染。对滤波窗口内的块状噪声和点状噪声分类进行处理:

① 统计小滤波窗口内的点数Numberhigh和Numberlow, 如果Numberhigh≥λ或Numberlow≥λ, 说明滤波窗口内有可能出现白椒盐噪声块和黑椒盐噪声块, 进一步判断:

如果Numberhigh≥λ, 说明小滤波窗口内可能出现白椒盐噪声块。通过下面方法判断是否存在:如果x (t) -max<T, 说明在小滤波窗口内, 待滤波图像点与邻阈点很相近, 判定该点未被白椒盐噪声污染, 小滤波窗口内不存在白椒盐噪声块, 直接输出待滤波图像数据;否则说明该点受到白椒盐噪声污染, 小滤波窗口内存在白椒盐噪声块, 此时利用扩大的滤波窗口的中值取代该点。

如果Numberlow≥λ, 说明小滤波窗口内可能出现黑椒盐噪声块。通过下面方法判断是否存在:如果min-x (t) <T, 说明在小滤波窗口内, 待滤波图像点与邻阈点很相近, 判定该点未被黑椒盐噪声污染, 小滤波窗口内不存在黑椒盐噪声块, 直接输出待滤波图像数据;否则说明该点受到黑椒盐噪声污染, 小滤波窗口内存在黑椒盐噪声块, 此时利用扩大的滤波窗口的中值取代该点。

② 说明小滤波窗口内不可能出现噪声块, 但是待滤波图像点有可能受到白椒盐噪声或黑椒盐噪声污染。

如果x (t) ∈[0, α], 说明待滤波图像点可能受到黑椒盐污染, 进一步判断:如果min-x (t) <T, 说明在小滤波窗口内, 待滤波图像点与邻阈点很相近, 判定该点未被黑椒盐噪声污染, 直接输出待滤波图像数据;否则说明该点受到黑椒盐噪声污染, 此时滤波后的输出值用min取代。

如果x (t) ∈[255-α, 255], 说明待滤波图像点可能受到白椒盐污染, 进一步判断:如果x (t) -max<T, 说明在小滤波窗口内, 待滤波图像点与邻阈点很相近, 判定该点未被白椒盐噪声污染, 直接输出待滤波图像数据;否则说明该点受到白椒盐噪声污染, 此时滤波后的输出值用max取代。

如果被椒盐噪声污染的图像数据比例过重, 有些噪声块或噪声点在一次滤波过程中未被检测到, 可以通过迭代使用本节的方法检测, 并过滤这些噪声点或噪声块。

2高斯噪声的自适应过滤

利用上节算法对含噪图像数据中的椒盐噪声滤波后, 将滤波后的图像数据归一化到0～255 (为了适应本节的方法) 。再用本节的方法对图像数据中的高斯噪声进行滤波处理。

令x (t) 为待滤波的图像数据, 滤波窗口大小为3×3×3, 待滤波图像点在滤波窗口内邻域点的总数为PSmall=3×3×3-1, 其值用xi (t) , i=1, 2, …, PSmall表示。

去除图像数据高斯噪声的算法如下:

(1) 自适应选取阈值h:对h从1, 2, …, kmax循环。在滤波窗内, 统计待滤波图像点的值与其邻域点的值的差的绝对值, 大于阈值h的个数, 记为LocalThreshold。其中取h循环的上限hmax=20。

(2) 如果LocalThreshold小于或等于数值τ1 (τ=PSmall×3/8) , 则认为该点未被高斯噪声污染, 直接输出待滤波图像点的值;

(3) 如果LocalThreshold大于数值τ1、小于等于数值τ2 (τ2=PSmall×5/8) , 则认为该滤波窗口内的点局部被高斯噪声污染, 利用高斯滤波后的输出值取代原始图像点的值;

(4) 如果LocalThreshold大于数值τ2, 则判断该滤波窗口内的点大量被高斯噪声污染。统计待滤波图像点的值与其邻域点的值的差的绝对值, 大于阈值h的邻域点。将这些邻域点的均值赋给待滤波图像数据, 该均值记为aver。

(5) 计算第h次滤波后图像数据相对于第h-1次滤波后的图像数据的均方误差变化值 (ΔMSE (h) ) 。其中ΔMSE (h) 的计算公式为:

$Δ Μ S E (h) = \frac{1}{Μ \times Ν} \sum_{0}^{Μ - 1} \sum_{0}^{Ν - 1} [Ο u t p u t^{(h)} (u, v) -$

Output (h-1) (u, v) ]2 (1)

式中:Output (h) (u, v) 为第h次滤波后的图像数据。

3计算机仿真实验及结果分析

3.1 仿真模型

为了验证图像数据去噪的混合滤波算法的有效性, 采用的图像为256×256的Lena图。编译环境为VC++6.0。

3.2 仿真结果

图1显示了几种不同滤波器的处理结果。图1 (a) 为理想的Lena图;图1 (b) 为理想图加入20%的高斯噪声、20%的椒噪声和20%的盐噪声后的图像。图1 (c) ～ (g) 为滤波后的图像。采用的滤波方法分别为传统中值滤波 (c) 、传统均值滤波 (d) 、多次中值滤波与小波硬阈值方法的结合 (e) ;多次中值滤波与小波软阈值方法的结合 (f) ;本文方法 (g) 。

从图1可以看出, 当图像受椒盐噪声和随机噪声污染的比例过重, 传统的中值滤波和均值滤波过滤效果不是很好;多次中值滤波与小波方法相结合虽然可以较好过滤椒盐噪声, 但是得到图像模糊;自适应混合滤波不仅可以较好地过滤图像噪声, 而且较好地保留了图像细节。

另外, 计算重建图像的评价值, 包括均方误差 (MSE) 和信噪比 (SNR) 。均方误差MSE的计算公式为:

$Μ S E = \frac{1}{Μ \times Ν} \sum_{0}^{Μ - 1} \sum_{0}^{Ν - 1} [Ο u t p u t (u, v) - Ι m a g e (u, v)]^{2} (2)$

信噪比SNR的计算公式为:

$S Ν R = 10 \log \frac{\sum_{0}^{Μ - 1} \sum_{0}^{Ν - 1} Ι m a g e (u, v)^{2}}{\sum_{0}^{Μ - 1} \sum_{0}^{Ν - 1} [Ο u t p u t (u, v) - Ι m a g e (u, v)]^{2}} (3)$

式中:Image (u, v) , Output (u, v) 分别表示原始图像体数据和重建图像体数据, 图像尺寸为M×N。

从表1可以看出, 利用本文的方法得到的误差明显小于利用中值滤波、均值滤波、中值与均值滤波方法结合、中值滤波与小波硬阈值方法结合、中值滤波与小波软阈值方法结合的方法。

4结语

图像数据含有噪声对图像分割、跟踪、特征提取以及识别等后续工作有很大的影响。针对图像椒盐噪声和高斯噪声的特点, 在此研究了一种自适应去除图像数据中椒盐噪声和高斯噪声的自适应混合滤波方法。这种滤波算法在滤除图像椒盐噪声时, 采用自适应扩大滤波窗口的方法来判断带滤波点是否受到椒盐噪声污染以及待滤波窗口内是否含有噪声块;在滤除投影数据高斯噪声时, 采用了自适应选择阈值的方法。计算机仿真实验证实, 该方法不仅能有效滤除图像数据中的混合噪声, 而且能够较多地保留图像中的细节。

去混合方法篇3

关键词：金属伪影,滤波反投影,混合法

CT采集数据的过程中,如果被扫描物体中含有高吸收系数的金属物体,导致投影数据跃变,重建的图像会出现明暗相间的条状伪影,使图像质量降低,严重影响了图像的后续处理和分析。如何消除这些条状伪影,是当前CT应用研究领域中的热点。

插值法是一种常用的去金属伪影算法。谷建伟等人提出了快速线性插值法[1],林宙辰等采用多项式插值[2]。插值算法首先判断金属投影区域,然后对金属投影进行插值,最后重建图像。该方法简单快速,但是只适用于金属结构简单的情况,而且会使金属周围的区域失真。迭代法是一种常用的CT图像重建算法,如文献[3]提出的EM(Expectation Maximization)迭代法和文献[4]中的Deblurring迭代算法都是典型代表。迭代法能有效去除金属伪影和抑制噪声,而且能很好地呈现金属物体的结构,但其运算量非常大,速度很慢,难以实用化。文献[5]提出了一种EM混合法,仅对金属区域进行EM迭代重建,对非金属区域直接FBP(filteredback projection)重建。该算法速度较快,能有效反映金属物体结构,不足之处是金属周围的区域失真,在医用中存在很大的局限性。

本文提出了一种去CT图像中金属伪影的自适应衰减滤波混合算法。该方法首先判断金属投影区域,并对该域进行自适应衰减和滤波,然后通过FBP重建整幅图像,再利用原始投影数据对金属区域进行EM迭代重建,并对自适应衰减滤波重建后的金属区域进行校正。数值模拟的CT实验证明,该方法可以有效地去除金属伪影,并很好地保留了金属及其周围组织的信息,其效果优于插值法和EM混合法。特别是在多金属物体的情况下,该算法计算复杂度小,效果更是优于其它算法,有很高的实用价值。

1 算法与实现

投影数据由组织衰减系数和金属的衰减系数两部分组成。金属的投影数据一般认为应该对其进行校正,这样通过FPB重建时金属伪影被大大削弱。差值法和混合法都是移出金属区域的投影数据,简单的使用邻域插值的数据代替金属区域的组织,这样并不能真实反映被金属区域覆盖的组织的衰减系数,因此通过这些算法重建的图像,会出现金属区域附近细节失真。本文通过线性衰减技术校正金属区域投影数据,以减小其在滤波反投影算法中对周边区域的影响,然后经滤波减小由于投影数据的跳变而产生的条状伪影,最后再对金属区域进行补偿。下面介绍该算法的主要步骤。

1.1 确定金属投影区域

本文使用的平行射线投影数据P(m,n),m=1,...M,n=1,...N。M是探测器总数,N是投影角度总数。使用FBP重建图像,获得原始图像,选择适当的阈值提取金属区域,然后对金属区域利用旋转像素坐标系的方法,在每个投影角度下进行重投影,确定金属区域在投影数据中的范围。

L(n)={[s(i,n),e(i,n)]},i=1,...I(n)

I(n)是金属区域在角度n下总的投影点数,s(i,n),e(i,n)是金属投影数据在每个角度下的起始和结束位置。虽然只有一个金属物体时可以直接从投影数据中分割出金属投影区域,但是重投影方法才是最稳定的分割金属投影数据的方法,它适用于多金属情况。

1.2 自适应衰减调节和滤波

通过对[s(i,n),e(i,n)]插值法对金属区域的背景区域的投影值b(m,n)m∈L(n)进行粗略的估计,求出金属的投影值Mm:

Mm(m,n)=[P(m,n)-b(m,n)],m∈L(n)对取出的金属投影值进行自适应衰减调节:

M1(m,n)=Xc Xb(m,n)Mm(m,n),m∈L(n)Xb(m,n)是衰减因子,根据投影数据Mm(m,n)的振幅计算[6],用于修正由金属物体引起的射束硬化。Xc是一个常量缩放因子,其值小于1,用于减少金属投影数据的振幅。金属区域投影数据的振幅越小,在FBP重建时产生的金属伪影越小,Xc可取0.1-0.5,Xc越小,金属伪影也越小,但是会导致金属背景区域的细节失真。在很多实际情况中,x射线的光谱和金属信息是不可知的,所以我们可以简单的令Xb(m,n)=1。这样的自适应衰减调节其实就是线性衰减,在仿真程序中也只提供一个缩放因子Xc=0.1。

此外,还要通过滤波进一步减小数据的波动,这里我们对衰减后的金属投影数据M1(m,n)使用自适应滤波,进一步降低噪声,得到较平滑的金属投影数据M2(m,n)。这个滤波过程可以表示为:

M2(m,n)=M1(m,n)⊗K(m),m∈L(n)K(m)是一个滤波函数,可以是均值滤波、中值滤波或锐减中值滤波。根据经验,中值滤波也能很好的去除金属伪影和光子饥渴噪声。中值滤波函数窗宽的选取由探测器总数决定。

仿真实验中对于180个探测器的CT,窗宽可以取5。随着探测器数的增大,应适当加大窗宽,但也不能过大,否则会使金属物体边缘形变。图1为衰减和滤波前后投影数据对比图,其中图1(a)为原始投影数据,中间突出部分就是金属局域投影数据;图1(b)是经过自适因衰减和滤波后的投影数据(Xc=0.1)。由图1(b)可见,投影数据的跃变明显削弱,重建图像后基本消除金属伪影。但是,由于对投影数据进行衰减导致金属细节模糊和边界失真,因此还要进行金属区域补偿。

1.3 对金属区域进行补偿

金属投影数据经过自适应衰减和滤波,再把修正过的金属投影数据加入背景数据中:

M3(m,n)=M2(m,n)+b(m,n),m∈L(n),金属区域外的投影数据保持不变,对M3使用FBP重建图像Fnew(i,j),i,j=1,2,3...M,M是探测器总数。由于自适应衰减会模糊金属的细节,所以需要对图像Fnew(i,j)的金属局域进行补偿,达到细节增强的目的。先对原始投影数据P的金属区域使用EM迭代,获取金属区域的迭代像素值Fem(i,j),i,j S,S表示金属区域。对金属区域的补偿公式为:

Fnew(i,j)=[Fnew(i,j)+Wa*Fem(i,j)]/Wd i,j∈SWa为常量权重因子,表示迭代的金属像素值的补偿度。由于EM迭代法是基于统计理论的迭代法,受噪声影响小,当迭代像素点较多时其计算的像素值可信度高,取Wa大于等于1。但是当金属区域很小时,由于用于统计的像素点很少,导致可信度降低,此时Wa的取值应小于1。Wd是一个调节显示窗宽的参数,取值一般为10到20。虽然EM迭代法比较慢,但是金属物体一般较小,所以EM迭代用于金属区域成像计算还是快速和有效的。具体算法流程如图2所示。

2 仿真结果及分析

为了检验本文算法的效果,通过仿真实验将其与商用CT主流去金属伪影算法(线性插值法、EM混合法)进行了比较。模型参数见表1,序号5、6两组参数代表一个有重合的金属区域。实验采用平行光束解析法模拟投影数据,投影角度为0-180º,步长为2º,共90个投影,探测器数目为90个,重建图像大小为180×180。

在仿真实验中,除了加入高斯噪声,还模拟了射束硬化。射束硬化通过函数H(x)[9]来模拟:

式中a为硬化阈值,c为硬化幅度,仿真实验中取a=8,c=0.5。

本文算法的仿真结果如图3所示。图3(a)是直接FBP重建后的结果,可以看到图像中金属周围出现条纹状伪影,而且中间出现明显的暗带。图3(b)是经过自适应衰减和滤波后重建的图像,可以看出有效地去除了金属伪影和硬化引起的暗带,但是金属物体对比度下降,而且存在边界失真。图3(c)是对金属区域进行补偿后的结果,金属结构清晰、对比度明显,而且有效修正了金属物体边缘的失真。

我们还将本文算法与其它去伪影算法进行了比较,图4是它们的重建结果。其中,图4(a)是直接FBP重建后结果,金属伪影很明显,而且金属结构不清晰;图4(b)是线性插值重建的结果,消除了金属伪影,但是金属周围的两个椭圆区域发生形变,明显失真,而且金属结构不清晰;图4(c)是EM混合法的重建结果,消除了金属伪影,但是金属周围区域失真,金属结构有轻微的形变;图4(d)是本文算法的重建结果,消除了金属伪影,而且金属物体周围区域无形变情况,金属结构清晰且无形变。仿真过程中,EM混合法的运算时间为4.53s,本文算法为4.55 s(单核,512内存),可见本文算法在算法复杂度与EM混合法相当的情况下,可明显提高了成像质量。

3 结论

本文提出了一种基于自适应衰减滤波的CT去金属伪影混合法。它通过选取适当的衰减系数和滤波函数对金属投影数据进行自适应衰减和滤波,并对重建的金属区域进行补偿。该重建算法能有效去除金属伪影,抑制噪声和减小射束硬化的影响,弥补了插值法和EM混合金属区域失真的不足,而且使金属的结构更清晰。此外,该算法计算复杂与EM混合法相当,能比较容易地移植到各种CT的应用中,因此具有较高的实用价值。

参考文献

[1]谷建伟,等.CT图像中金属伪影的快速校正[J].中国体视学与图像分析,2005,10(2):108-111.

[2]林宙辰.用四次多项式插值消除医用X射线CT中的金属伪影[J].中国图象图形学报.2001,6(A)(2):142-147.

[3]Shepp L A,Vardi Y.Maximum Likelihood Reconstruction in Emission Tomography[J].IEEE Transaction Medical Imaging.1982,MI-1(2):113-122.

[4]Wang G,et at.1terative Deblurring for CT Metal Artifact Reduction[J].IEEE Trans.Med.Imaging,1996,15:657-664.

[5]XIA Dan,Roeske John C,YU Lifeng,et al.A hybrid approach to reducing computed tomography metal artifacts in intracavitary brachytherapy[J].Brachytherapy,2005,4(1):18-23.

[6]Kalender W A,Hebel R,Ebersberger J.Reduction of CT artifacts caused by metallic implants[J].Radiology.1987,164(2):576-577.

[7]Laigao Chen,Yun Liang,George A Sandison,et al.A novel method for reducing high attenuation object artifacts in CT reconstructions[C].Proceedings of SPIE,2002,4684:841-850.

[8]Joseph P M.An improved algorithm for reprojecting rays through pixel images[J].IEEE Transactions on Medical Imaging,1982,1(3):192-196.

去混合方法篇4

当前, 商业银行的行政化问题既是混合所有制改革的目标, 也是混合所有制改革最大的障碍, 同时也是考察混合所有制改革是否实质性突破的重要标尺。可以说, 行政化与混合所有制的要义格格不入, 逐步凸显的行政约束与市场机制的矛盾冲突必然导致商业银行在市场经济变革中应对过于迟缓。当前突出的表现及危害主要表现在以下方面。

1.1 组织结构受行政化约束

现行的商业银行一般按行政区域来确定管理模式, 银行高管既是银行高级管理人员, 又兼具有相对等的行政级别, 导致亦官亦商的双重身份。工、农、中、建、交大型商业银行作为中央政府控股企业, 常被冠之以正部级领导;区域性股份制商业银行, 根据主办单位不同, 也被冠之以副部级领导或厅局级领导;城市商业银行根据主管部门不同, 有些属省一级人民政府管理, 便冠之以正厅级, 有些属省辖市管理便冠之以正处级单位;部分商业银行为解决异地分行行长与当地政府领导对等问题, 便将异地分支机构的行长低职高聘, 冠以总行行长助理之类。总体来看, 商业银行以行政区划设置分支机构、配置行政级别, 与对应的各级政府完全耦合, 行政指令运作式模式易滋生无牵制、无制约的决断现象, 削弱银行持股主体在公司治理问题上的发言权, 违背价值规律与市场化经营管理机制, 显然与混合所有制改革中市场化的要义相违背。

1.2 高管任用受行政化指派

商业银行现行的高级管理人员, 特别是身处最高一层的高管人员 (主要指董事长、行长、监事长、党委书记等) , 几乎都是由上一级党委组织部门考察, 党委研究后由政府以发文提名形式提请商业银行按公司法流程进行人事任免, 这从法理上讲, 也符合商业银行大股东为政府这一产权形式, 也符合党管干部的基本原则。但这种干部任免没有脱离行政任职的基本思维方式, 往往是以少数人选少数人, 参照政治家的标准选择银行家, 以表面的市场化掩盖了实际的行政化, 这与混合所有制中经管人员的职业化的要义格格不入。银行高管和政府官员互相调动, 使银行家和政治家两个身份之间的区别难以界定;高度行政化的人事任免使商业银行的经营成果难以评价与问责, 被监管者具有相当高的行政级别, 而基层监管部位却与之不对等, 无法判定问题的产生是经营不善还是政策干预的结果。

1.3 薪酬分配受行政化限制

商业银行的薪酬分配行政化性质源于其在行政和市场间游走, 高管人员“党政干部”和“职业经理人”的两重身份的界定不清。现行商业银行管理人员的薪酬既与行政级别挂钩, 又与经营业绩有一定的联系, 不同的行其比例不同, 其共同点之一就在于一般均要得到地方党政领导的认可, 造成高管人员的薪酬没有完全与商业银行业绩、业务能力以及专业技术相挂钩, 而是与行政级别、与地方同等级别行政干部收入比挂钩, 晋升机制中强烈的行政化色彩强化了商业银行管理层以及从业人员的行政化取向。同样一个银行家, 在不同的商业银行就有不同的薪酬, 没有成熟的高管交易市场, 没有统一的定价标准, 更没有所谓的高管市场流动之说。高管人才分属于各自分支行所有, 不利于激发银行家的成长, 这与推行混合所有制业绩考核激励兼容的分配原则相冲突。

1.4 重大决策受行政化控制

现代企业制度规定, 股东大会是企业的最高决策机构, 董事会是日常决策和执行机构, 经营层则是经营活动的具体操作者, 但商业银行实际运作中, 总行重大决策一般由党委进行决策, 而党委对决策又不承担具体的经营责任, 因此, 决策层对投资决策的正确与否并无约束责任, 对盈利责任并无激励与约束机制。因为具有行政级别, 受到政府部门的管辖, 商业银行经管管理过程中过多重视政府要求, 而忽视股东需求, 高层管理决策多考虑政府命令, 忽视商业市场规则, 原本物权的直接干预升级为股东会或董事会的间接干预。在行政化的决策下, 商业银行被动接受投资收益相对低的政府项目以及隐蔽的高风险业务, 由国家通过多发行货币的形式来承担银行经营失败所造成的全部损失, 这与混合所有制的要义也是相违背的。

1.5 行业竞争受行政化保护

我国商业银行结构中, 大型国有银行与政府控股的商业银行占商业银行资产总规模的95%, 其中“工农中建交”占商业银行资产总规模的60%以上。在市场化尚未完全放开的情况下, 国有资本的绝对控股决定整个银行体系实质上仍由政府主导, 行业内存在政府垄断规则。随着银行的营业网点的大规模布局, 城商行、农商行等地方银行不断扩张, 激烈的市场竞争已进入白热化阶段, 考虑到新设商业银行具有严格的准入审批程序, 虽不能说银行业完全垄断但至少可以说竞争并不充分。此外, 商业银行市场退出的规定线条粗糙, 也无具体的实施细节, 而且多分布于不同的法律或监管框架之中, 行政化保护一定程度上维护行业的垄断地位, 与混合所有制改革中的市场竞争机制相矛盾。

1.6 经营管理受行政化干扰

银行类金融机构本质上是一种信用的使用和传递。目前国有资本占据主导地位的商业银行股权结构决定国家隐形担保为金融信用的前提, 国家拥有对银行经营运作的最高话语权。在银行业尚未完全实现市场化的情况下, 政府对银行业市场的管理中握有较重权柄, 使得商业银行经营运行机制偏离市场化轨道甚至违背基本的价值规律, 带有严重的政府行政色彩。在权力无边界、权力无约束的隐性思想影响下, 政府出于对重要经济命脉掌控的目的给予商业银行过多的政策保护, 对商业银行转型发展形成掣肘, 与混合所有制改革市场化运营机制偏离。

2 推进商业银行去行政化的改革思路

行政化属于体制问题, 体制上问题只有通过改革才能得到有效的解决。客观地讲, 商业银行沿用行政级别与行政管理体制, 是传统计划经济体制留下的深深烙印, 与我国经济社会转型过渡期各项配套制度改革相对滞后等因素有关。而去行政化对于提升商业银行的市场化程度起着很大的积极作用。商业银行混合所有制改革的去行政化实质是一种身份管理体制的变革, 根植于体制内各个环节。因此, 商业银行实现去行政化需要从体制根源入手, 沿着明确的路线图, 理顺管理体制、摒弃不合理分配制度、实现市场化运营机制的全方位改革, 对行政化产生的基础进行清除。

2.1 改革商业银行产权制度, 实现股权结构市场化

完善商业银行治理最紧要的是去行政化, 多元的股权结构将从根本上推进去行政化进程。理论上, 产权的有效性集中体现在其内部特征与经济效益之上, 商业银行混合所有制改革中, 股权结构调整作为具体形式, 表面是解决产权问题, 但国有股“一家独大”、组织结构行政化的现象普遍, 只有解决深层次的经营机制问题, 才能为实现去行政化扫除体制障碍。在现有股权结构中, 以调整企业股权结构为核心, 引进个人、地方集体、民营企业、外资主体资金的注入, 适当降低国有持股比例, 打破“国有独大”的股权结构, 建立长期的股权激励机制与约束机制, 为商业银行去行政化提供最充分的依据。 (1) 规范董事会建设。从市场人才库遴选外部董事长人选, 实施外部董事制度, 避免董事会由行政化的投资人派生, 堵住“政商旋转门”通道, 进一步理顺股东会、董事会、监事会和经理层的权、责、利边界与关系, 把选聘企业经理层的权力交还给董事会, 实现决策权与执行权的有效分离, 更好发挥高管人员的企业家才能与作用。 (2) 制定员工持股计划。在明晰的商业银行产权结构中, 制定相应的员工持股规定, 强化员工产权激励, 将资产明晰量化到员工个人, 提高员工对银行经营的话语权。 (3) 推行产权交易转让。在多层次、多形式的产权交易市场与民营资本、外资资本主体进行产权交易, 允许民营资本和外资资本参股, 以民间资本活力冲刷国有资产控股下的行政化印记。

2.2 改革高管队伍产生方法, 实现高管配置市场化

打破以行政手段、以政治家的标准来选择银行家的配置体系, 改用以企业家的标准来选择银行家, 要求市场具备足够的高品质银行家储备, 配备银行家交易市场, 具有市场化的定价标准, 保障银行家人才自由流动。 (1) 转交高管选择使用权予企业。打破以行政手段代替市场机制对高管人员配置, 推行高管人员的市场化选聘, 依据高管的学历、年功、资历、专业、技术与贡献择优选聘竞争上岗;鼓励能力突出, 经得起市场检验、具有业内认可业绩的专业技术人员、业务骨干通过内部竞聘提到管理岗位。 (2) 加强职业经理人的队伍建设。明确职业经理人队伍的职业化、市场化、专业化和国际化标准, 不断扩充职业经理人队伍。从已担任银行经理职位并满足“四化”标准的企业高级雇员、业务骨干中择优选拔与培养职业高管人员;从人才市场聘任具有职业经理人资质与银行从业经验的经理人担任企业高级经营管理人员。 (3) 建立高管人员市场定价体系。资质评价制度是实现高管人员市场定价的一项基础性制度, 只有高管人员专业知识、专业能力、职业素养通过政府主管部门、银行业、职业经理人三方认可的专业评价机构评价确认, 银行高管人才资源才能形成与其价值相适应的人才价格。 (4) 打造高管人员自由交易市场。通过资质鉴定将客观存在的具有担任高管人员基本素质的经管人员从银行经营管理人员中细化出来, 加以职业特质的培养, 充实人才市场可配置的人才资源。运用市场机制保障高级管理人才平等的与国内与国际职业经理人展开市场竞争, 进入市场自主择业, 银行与高管人员双方自愿选择, 从而实现求职和就业双需求。

2.3 改革薪酬考核管理办法, 实现分配标准市场化

在商业银行的混合所有制改革的要义之一就是市场化任聘制度与市场化的薪酬管理相匹配, 激励化的薪酬管理作为去行政化的重要方面, 应从根本上将市场化的薪酬制度对接完全市场化的企业, 变革半市场化的薪酬制度, 取消商业银行高管的行政级别和待遇福利。一方面, 银行应将自身置于完全竞争的市场环境中, 坚持全面考核、动态管理、优胜劣汰相结合的原则, 以业绩为导向的考核评价方法;在酬劳等级序列制度建设上取消所谓的行政级别待遇, 除了考虑行员等级制外, 支持高管人员积极增持公司股份, 强化以业务能力、专业技术贡献度为导向的考核、评价机制, 完全按绩效进行奖惩, 引导员工以专业技术能力提高为导向, 进行个人职业生涯规划。另一方面, 建立差异化的薪酬分配办法, 形成银行高管与职工之间的合理工资收入分配关系。根据高管人员与员工的价值贡献度以及实际工作能力定人、定岗、定职、定责定薪, 将专业职能部门外包给专业性机构, 不断提到员工的整体素质及自身市场竞争力, 同时还要强力约束政府部门与商业机构的人事交流, 为去行政化创造外部条件。

2.4 改革公司治理结构制度, 实现决策机制市场化

商业银行市场化的决策机制就是决策者要充分考虑股东的利益, 能够以市场为导向进行经营决策, 体现充分的经营自主权, 解决“内部人控制”问题, 不受地方政府等行政行为的约束, 建立与现代银行制度相适应的公司治理结构, 引导各类资本主体共同参与内部重大事项的讨论和决策, 提高银行业的管理水平。一方面, 参照国际通用做法, 公司治理结构的改革就是以董事会制的完善为核心, 围绕治理和管控两个维度, 根据市场改革的方向和要求, 建立健全协调运转、有效制衡的法人治理结构, 契合混合所有制改革的大方向, 实现集中的权力分散化、隐蔽的权力公开化, 最终契合股权结构的实现决策权与经营权的有效分离、专业管控权与自主经营权的有效统筹。另一方面, 健全公司治理结构、完善现代企业制度, 充分发挥股东大会、董事会的作用。进一步淡化或董事会、经理层的行政级别, 强化经理层向董事会负责, 董事会向出资人或股东负责的意识, 增强股东大会、董事会的履职能力, 对包括政府干预在内的外部影响进行有效抵制, 可以进一步弱化中资银行管理层和从业人员的行政化取向。

2.5 改革商业银行退出机制, 实现竞争规则市场化

市场规则是商业银行作为法人主体的基本行为规范和准绳, 是一种优胜劣汰的竞争法则。在经济转轨发展的特殊期间, 更多依靠强制性制度变迁, 通过政府强制性力量提供的规则;国有资产绝对控股的商业银行, 以国家信用为支撑, 是否可以退出市场, 采用何种方式解决后续问题完全由政府绝对控制。强化市场竞争规范, 完善市场退出机制也是商业银行去行政化改革的重要内容之一。在宏观层面, 一方面, 深入推进利率市场化改革, 由商业银行根据市场的资金供求变化自主调节存贷款利率, 有效实现资金最优化配置, 以价格竞争方式实现市场优胜劣汰。另一方面, 尽早建立完善存款保险制度, 各家银行在统一使用存款保险差别费率的原则下, 缴纳保险费统一交给存款保险机构打理, 作为银行发生经营危机、面临破产倒闭、退出市场的部分风险补偿。微观层面, 推进混合所有制改革, 将退出权力转回数量众多的股东手中, 保障商业银行股东大会能够独立采用“股份支付式”定价破产重组模式或“股东协商式”定价破产重整模式, 形成退出决议以及退出方案, 提升重组定价机制市场化水平, 降低破产重组成本。

2.6 改革行政级别管理模式, 实现经营运作市场化

依照现代商业银行基本制度, 市场化运营机制囊括科学性的决策机制、激励式的用人机制、适应性的创新机制、市场化的资本运作机制在内的全方位市场化机制。由非市场化的经营机制转换为市场化的经营机制, 关键在于解决商业经营与政府管控的关系, 取消行政级别管理模式是商业银行去行政化最直接的手段, 也是考察根混合所有制改革的根本标尺。

⑴依据企业标准统一职务划分。通过第一大股东的持股比例测算, 多数银行由国家绝对控股、股权绝对集中, 行政色彩自然渗入其中, 依据企业标准统一职务划分才能从根本上消灭行政化。首先, 打破原有的行政职务体系, 根据工作责任大小, 工作复杂性与难度以及对任职者的能力要求, 进行组织结构重新设计与协调, 逐步淡化职位行政等级直至彻底去行政化。其次, 在职务行政职务淡化中实施激励。取消职务行政设置, 赋予高管岗位以责任这一强有力的激励武器, 鼓励高管与员工共同担负起完成重大任务的职责、共享所得回报。

⑵取消银行内部行政级别管理。正确理解党管干部的原则, 在原本纯粹的国有企业, 工作人员属于公职人员, 具有行政级别;一旦实行混合所有制, 按照混合所有制的运作特征, 经营者作为企业股东, 存在有行政的身份的高管人员显然不合适。在规范的市场经济条件下, 取消商业银行内部行政级别管理, 通过完善的法律体系和市场机制规范企业的行为, 党管干部不代表党要管理商业银行所有职员, 党要管党, 党可以通过对在商业银行党的干部、党员的直接管理, 加强党对银行经营管理市场化、合法性的监督, 从而达到对商业银行经营管理的目标。

⑶按照经济区域设立分支机构。在国内整个银行体系内, 总分制是最为普遍的组织形式, 但大部分商业银行的分支机构的设立多是参照行政区域划分, 对地方行政依赖性强, 加重经营管理中的行政化。从组织形式角度看, 去行政化可以一改传统的分支机构设立标准, 通过全面的经济区域调研, 寻找最优金融服务需求带, 按照业务发展需要设立机构, 也可以设立专业机构, 以克服同级别地方行政干预, 减少组织层次, 实施专业分工, 配置高管人员, 调剂区域资金, 实现规模布局。

参考文献

[1]张海洋.国企去行政化研究[J].行政事业资产与财务, 2012 (10) :8-9.

[2]2013年国内民营银行发展现状调查分析[EB/OL].凤凰网.2014-08-07.http://hb.ifeng.com/dfzx/detail_2014_08/07/2727690_0.shtml.

[3]郭田勇.中国银行业属于相对垄断, 消费者被绑架[EB/OL].2010-08-19.http://www.cnstock.com/index/gdbb/201008/785589.htm.

[4]朱光华.大力发展混合所有制:新定位、新亮点[J].南开学报 (哲学社会科学版) .2004 (01) :03-05.

[5]郭玉梅, 吴泗宗.我国实施职工持股的问题及对策探析[J].同济大学学报.2002 (06) :67-73.

移动台混合定位方法的研究篇5

自E-911[1]法规颁布以来, 定位服务的研究日益得到重视, 各大通信公司、大学和研究所均投入此项技术的研究。人们日常生活中, 有60%的信息与地理位置有关, 能够提供精确地理位置的移动定位技术是一个非常有意义的研究领域。

1混合移动定位技术

移动通信的移动台定位技术通常有以下几种方法:基于场强测量的定位方法、基于电波传播时间的定位方法、基于电波入射角度的定位法, 还有混合定位法。混合定位法中由于每种算法的目的不同, 所以混合方式也不尽相同。

为了得到高精度的目标用户位置信息, 在现有的移动通信系统中引入一个专门处理所有有关目标用户地理位置信息的辅助系统MPS (MobilePositionSystem) 。MPS系统由SMPC (ServingMobilePositioningCenter) 和GMPC (GatewayMobilePositioningCenter) 两部分构成。SMPC节点的主要功能是协助MS向移动网络提供目标用户的地理位置信息SMPC就像MS的一个辅助定位工具, 通过基于空中接口参数与GPS卫星定位混合的方法得到当前用户的位置信息。

在目标移动用户的地理位置定位过程中, SMPC通过分布在无线接入子系统BSS中的LMU来接收和测量目标MS的位置信息, 同时通过GPS来获取标准的参照地理位置信息。

在接收到MS、LMU和GPS传送的所有关于目标移动用户的地理位置信息以后, SMPC通过一定的算法完成具体的定位计算, 并将计算结果发送给GMPC作为一个目标移动用户的参考地理位置信息。这样GMPC不光收到从MS反馈的目标用户位置信息, 还可以从SMPC得到更多目标位置信息。大大地增加GMPC可以获得的目标位置信息量。通过使用GPS辅助工具, SMPC计算得到的MS地理位置在精度上可以达到误差100m之内, 此定位结果基本可以满足日常的需求。

GMPC是LBS功能实现的核心模块, 是定位操作处理流程的控制管理中心和位置信息的控制管理中心。它负责对其所管辖区域中全部MSC覆盖范围内的MS进行定位, 包括发起对目标用户的地理定位流程以及响应由移动用户发起的涉及位置信息的服务流程;处理和计算从MS和SMPC传送来的有关目标移动用户的地理位置信息;通过SS7信令网与MSC和HLR交互, 确定用户权限、移动台状态、移动台当前的服务等用户属性, 把得到的目标位置信息传送给MSC和HLR以供所有位置信息流程的查询和使用。同时GMPC又充当了一个网络接口, 更多辅助实现LBS功能的附加模块可以通过GMPC接入到移动网络当中。

2 定位算法

在基于电波传播时间的定位方法中, TOA (Time Of Arrival) 需要保持BS和终端之间时钟精确同步, 以保证BS到MS的测量距离足够精确近似实际距离。目前很多蜂窝网络标准只是强制要求BS时钟严格同步, 而MS则可能有几毫秒的漂移, 这种漂移会导致极大的误差, 于是引入了TDOA[2]定位算法。

考虑平面定位, 设 (x, y) 为MS的待估计位置, (Xi, Yi) 为第i个基站的位置, MS与第i个基站间的真实距离为

$d_{i} = \sqrt{(X_{i} - x)^{2} + (Y_{i} - y)^{2}}$ 。

令di, 1表示MS与基站BSi和BS1的距离差, 则

对上式进行整理, 得到

$X_{i, 1}^{} x + Y_{i, 1}^{} y + d_{i, 1}^{} d_{1} = \frac{1}{2} (Κ_{i} - Κ_{1} - d_{i, 1}^{2})$ 。

式中Ki=X $_{i}^{2}$ +Y $_{i}^{2}$ 。而相对于测量值, 则上式两边不相等, 存在误差

$Φ_{i} = X_{i, 1}^{} x + Y_{i, 1}^{} y + R_{i, 1}^{} d_{1} - \frac{1}{2} (Κ_{i} - Κ_{1} - R_{i, 1}^{2}) = n_{i, 1}^{} d_{1} + \frac{1}{2} n_{i, 1}^{2}$

写成矩阵形式为

$φ = B Ν + \frac{1}{2} Ν Ν$ 。

则 Ψ=E[φφT]=c2BQB。

其中 B=diag{d2, d3, …, dM}, Q为TDOA协方差矩阵, c为电磁波传播速度。

令θ=[x, y, d1]T。

$A = [\begin{matrix} X_{2, 1} & Y_{2, 1} & R_{2, 1} \\ X_{3, 1} & Y_{3, 1} & R_{3, 1} \\ ⋮ & ⋮ & ⋮ \\ X_{Μ, 1} & Y_{Μ, 1} & R_{Μ, 1} \end{matrix}]$

$b = \frac{1}{2} [\begin{array}{l} Κ_{2} - Κ_{1} - R_{2, 1}^{2} \\ Κ_{3} - Κ_{1} - R_{3, 1}^{2} \\ ⋮ \\ Κ_{Μ} - Κ_{1} - R_{Μ, 1}^{2} \end{array}]$

。

利用加权LS可得θ的估计值为

$\overset{⌣}{θ} = \arg \min (A \overset{⌣}{θ} - b)^{Τ} ψ^{- 1} (A \overset{⌣}{θ} - b) =$

(ATψ-1A) -1ATψ-1b。

其中: $\overset{⌣}{θ} = [\overset{⌣}{x}, \overset{⌣}{y}, \overset{⌣}{d}_{1}]^{Τ}$ 为最优化估计。

这里使用拉格朗日数乘因子, 考虑到 $\overset{⌣}{d}_{1}^{2} = \overset{⌣}{x}^{2} + \overset{⌣}{y}^{2}$ , 则矩阵形式为

$\overset{⌣}{θ}^{Τ} Ρ \overset{⌣}{θ} = 0$ (1)

(1) 式中

$Ρ = [\begin{matrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & - 1 \end{matrix}]$

, 则

$L (\overset{⌣}{θ}, λ) = (A \overset{⌣}{θ} - b)^{Τ} ψ^{- 1} (A \overset{⌣}{θ} - b) + λ \overset{⌣}{θ}^{Τ} Ρ \overset{⌣}{θ}$ 。

再利用式 $\frac{\partial L (\overset{⌣}{θ}, λ)}{\partial \overset{⌣}{θ}} = 0$ , 可以解得

$\overset{⌣}{θ} = (A^{Τ} ψ^{- 1} A + λ Ρ)^{- 1} A^{Τ} ψ^{- 1} b$ (2)

把式 (2) 代入式 (1) 中并整理可得

(bTψ-1A) (ATψ-1A+λP) -1P (ATψ-1A+λP) -1ATψ-1b=0 (3)

由于 (ATψ-1A) -1P可被对角化为UΛU-1, 其中

Λ=diag (γ1, γ2, γ3) , γi (i=1, 2, 3) 是 (ATψ-1A) -1P的特征值, 所以

(ATψ-1A+λP) -1=U (I+λΛ) -1U-1 (ATψ-1A) -1 (4)

把式 (4) 代入式 (3) 有

eT (I+λΛ) -1Λ (I+λΛ) -1f=0 (5)

(5) 式中: eT=bTψ-1AU=[e1, e2, e3],

f=U-1 (ATψ-1A) -1ATψ-1b=[f1, f2, f3]T

式 (5) 的代数形式为

$\sum_{i = 1}^{3} \frac{e_{i} f_{i} γ_{i}}{(1 + λ γ_{i})^{2}} = 0$ (6)

解出式 (6) 中的λ, 并把λ代入式 (2) 可得到 $\bar{θ}$ 。

对于第一次估计 $\bar{θ}_{1} = (A^{Τ} ψ^{- 1} A)^{- 1} A^{Τ} ψ^{- 1} b$ 中, $\bar{θ}$ 1由真实值和误差值组成, 即

$\bar{θ}_{1} = θ + Δ θ$ (7)

代入到 $\frac{\partial L (θ, λ)}{\partial θ} = 0$ 可得

Δθ=λ (ATψ-1A) -1Pθ (8)

把式 (8) 代入式 (7) 中

$\overset{⌢}{θ}_{1} = [Ι + λ (A^{Τ} ψ^{- 1} A)^{- 1} Ρ] θ$ 。

即 $\overset{⌢}{θ}_{2} = [Ι + λ (A^{Τ} ψ^{- 1} A)^{- 1} Ρ]^{- 1} \overset{⌢}{θ}_{1}$ (9)

如果式 $\lim_{n \to \infty} (λ (A^{Τ} ψ^{- 1} A)^{- 1} Ρ)^{n} = 0$ 成立, 则 $\overset{⌢}{θ}_{2}$ 可展开为诺埃曼序列, 即

$\overset{⌢}{θ}_{2} = \overset{⌢}{θ}_{1} + \sum_{n = 1}^{\infty} (- λ (A^{Τ} ψ^{- 1} A)^{- 1} Ρ)^{n} \overset{⌢}{θ}_{1}$ 。

上式中的第二项是对第一项的线性修正。说明为了不使误差很大, 拉格朗日乘数因子λ应取接近于0的很小的值。

4 性能仿真

为了验证上述算法的性能, 需在同等条件下把他和其他算法以及克拉美罗下限 (CRLB) 进行比较。另外两种算法 (即QCLS和LCLS) 在文献[3,4]中有详细阐述。假定在具有7个基站的蜂窝网络中, 参与TDOA测量的基站为服务基站和6个相邻的基站, 小区半径为5 000 m。所有结果都是1 000次独立运行后的平均值。

如图3所示画出了移动台在坐标为 (3 500, 4 500) m的位置时各种算法所得到的估计位置的均方误差在不同噪声平均功率下的比较曲线。由图3中可以看出CWLS已经基本达到了CRLB, 而且性能优于其他两种算法。图4可以看出各种算法都有一定的偏差, 在多数情况下CWLS优于其他两种算法。

5 结束语

本文提出混合定位的方法。在MPS的辅助下, 利用GPS辅助和TDOA方法, 实现快速高精的定位方法。经过仿真验证, 可以确定满足定位服务的要求, 具有一定的实际意义。

参考文献

[1]Reed J, Rappaport T.An overview of the challenges and Progress in meeting the E-911requirement for location service.IEEE Communi-cation Magazine, 1998:30—37

[2]Juang R T, Hybrid D B.SADOA/TDOAmobile positioning for cellu-lar networks.IETCommun, 2007;1, (2) :282—287

[3] Chan Y T. Ho K C A. Simple and efficient estimator for heperbolic location.IEEE Trans on Signal Processing, 1994; 42 (8) : 1905—1915

[4]Huang Y, Benesty J, Elko G W, et al.Real time passive source lo-calization:a practical linear correction least squares approach.IEEE Trans Speech, Audio Processing, 2001; (9) :943—956

[5] Fan Pingzhi, Deng Ping, Liu Lin. Wireless location in cellular net . Beijing: Publishing House of Electronics Industry, 2002: 46—47

沥青混合料离析原因及解决方法篇6

1. 骨料离析

目前的沥青混合料拌和站拌出的混合料一般是比较均匀的,能满足工程需要。在施工过程中出现离析的原因主要有以下几个方面:

(1)拌和站向运料车卸料时形成料堆,使大骨料滚向四周,形成第一次离析。

(2)在运料过程中由于运料车的颠簸,使混合料表面的大骨料滚向四周,使离析进一步扩大。

(3)当运料车向摊铺机卸料时,同样会在摊铺机的料斗内形成料堆,又造成混合料离析。

(4)摊铺机料斗四周的大骨料在收斗后,被摊铺机的输料器送到熨平板下,也会形成骨料离析。

(5)摊铺机螺旋布料器分料时,沥青混合料在传动箱及螺旋布料器的吊架部位受到阻挡,也易形成离析。

2. 温度离析

通过对实际运料车的温度离析检测发现,温度正常的沥青混合料0.5 h后温度差异很大,不同部位的温度差竟达50℃,混合料表面及与车厢接触的部分温度最低。

当混合料被倒到摊铺机料斗时,运料车两侧温度较低的混合料落在摊铺机料斗两侧,形成温度离析。

3. 解决方法

(1)拌和站向运料车卸料时,应每装一盘料移动一次运料车,防止沥青混合料形成太大料堆,以减少混合料中大料滚动的几率,从而减少离析。

(2)禁止运料车超载,适当提高运料车的行驶速度,减少车辆故障率,以缩短运料时间。

(3)拌和站选址时应尽量靠近施工地点,以减少运料时间。

(4)选择品牌摊铺机,尽量缩小摊铺机的摊铺宽度,并及时压实。

混合像元分解方法的研究篇7

通常,遥感器所获取的地面反射或发射光谱信号是以像元为单位计算的。像元是所对应的地表物质光谱信号的综合。由于遥感器的空间分辨力的限制以及所测地物复杂多样,一个像元往往包含多类地面目标的信息,这种像元成为混合像元(注:一个像元若仅包含一种地物光谱信息称为纯像元,它所记录的正是该类型的光谱响应的特征或光谱信号)。一个像元简单的归属到哪个典型的地物,都是错的。如果能通过一定的方法,找出组成混合相远的各种典型地物的比例,则可以解决混合像元产生的一系列的问题,提高定性和定量遥感的精度。

混合像元的精确分解在基于多光谱和高光谱遥感图形的高精度地物分类及地面目标的检测和识别方面有重要的应用价值。

2 混合像元分解模型

分解像元的途径是通过建立光谱的混合模拟模型。通常,模型是这样建立的:像元的反射率可以表示为端元组分的光谱特征和它们的面积百分比的函数;在某些情况下,表示为端元组分的光谱特征和其他的地面参数的函数。一般将像元混合模型归结为以下五种类型:线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型。

上述所有的模型都把像元的反射率表示为端元组分的光谱特征和它们的面积百分比的函数。然而,由于自然界地面的随机属性以及影像处理的复杂性,像元的反射率还取决于除端元的光谱特征和丰度以外的因素。因此,每种模型的差别在于:在考虑混合像元的反射率和端元的光谱特征和丰度之间的响应关系的同时,怎样考虑和包含其他地面特性和影像特征的影响。在线性模型中地面差异性被表示为随机残差;而几何光学模型和随机几何模型是基于地面几何形状来考虑地面特性的;在概率模型和模糊模型中,地面差异性是基于概率考虑的,例如通过使用散点图和最大似然法之类的统计方法。

就所有的模型而言,混合像元的反射率和端元的光谱特征都是必需的参数。此外,对于几何光学模型和随机几何模型,还需要地物的形状参数、地物的高度分布、地物的空间分布、地面坡度、太阳入射方向以及观测方向等参数。

2.1 线性模型

通常情况下,高光谱图像中每个像元都可以近似认为是图像中各个端元的线性混合,即

式中:i——光谱通道(i=1,2,…,n);j——端元组分(j=1,2,…,n);Fj——各端元组分在像元中所占的视面积比,为待求参数;ε(λi)——第i个光谱通道的误差项

使:

假设公式(1)中组成混合像元的端元光谱是完整的,则比例系数Fj满足如下的约束条件:

当然,通常情况下,以上假设未必满足,因为很难确定所选光谱端元是否完整覆盖了研究区域的地物种类。

因为Fj为像元中第j个像元组分在向原中所占的视面积比,所以应该有:

线性混合光谱分解问题是当R和r为已知,求f成分的比例。由于高光谱遥感中的波段数远远大于端元光谱数,所以我们可以通过最小二乘法求解f。下面具体说明f的解的算法:不带约束的最小二乘法

不带约束的最小二乘法:

因为通常情况下,很难确定所选光谱段源是否完整覆盖了研究区域的地物种类。素以我们可以由式(2)用不带约束的最小二乘原理求解f。其求解步骤如下:

由式(2)得:

构造函数ψ=εTε=(r-Rt)T(r-Rf),对该函数求f得倒数并使所得函数值为零得到:

转换并整理得:

RTr-RTRf=0

从而得到:

f=(RTR)-1RTr

2.2 概率模型

概率模型的一个典型是由Marsh等人(1980)[11]提出的近似最大似然法。该模型只有在两种地物混合条件下使用。利用线性判别分析和端元光谱产生一个判别值,根据判别值的范围将像元分为不同的类别。

假设构成混合像元的端元组分只存在两种,分别为X、Y,那么可以用以下公式来表示其中的一个端元组分在混合像元中所占的面积比例:

其中,Py表示端元组分Y在混合像元中所占的面积比例。d(x,y)是端元组分X,Y之间的M—距离,d(m,x)是混合像元m和端元组分X之间的M—距离,d(x,y)是混合像元m和端元组分Y之间的M—距离。当计算出来的值小于0时,Py设为0;当计算出来的值大于1时,Py设为1;这样,根据判断,就可以把混合像元归类为端元组分X,或者Y。如果可以对线性判别分析方法进行适当的改进的话,这个模型可以用在多于两种地物混合的情况下。

2.3 几何光学模型

该模型适用于冠状植被地区,它把地面看成由树及其投射的阴影组成。从而地面可以分成四种状态:光照植被面(C)、阴影植被面(T)、光照背景面(G)、阴影背景面(Z)。像元的反射率可以表示为

其中Rc,RT,RG,Rz代表四种状态下的反射率,Ac,AT,AG,Az,表示像元内四种状态所占面积,A为该像元的面积。每种状态所占的面积是地面表面形状的函数,而地面表面形状取决于树冠的形状和尺寸、树的高度、树的密度、地面坡度、太阳入射方向以及观测方向。为了简化模型,树冠的形状常被假设为相近的固定几何形状。

这个模型同时假设:树在像元里和像元间的分布符合泊松分布;树的高度的分布函数是已知的。

2.4 随机几何模型

该模型和几何光学模型相类似,像元反射率同样表示为四种状态的面积权重的线性组合,即

其中,x为像元中心位置的坐标,λ为波长。Ri(λ,x)是第i类覆盖的体平均反射率,fi(x)是在x位置第i类组分的百分比。i=1,2,3,4分别代表光照植被面(C)、阴影植被面(T)、光照背景面(G)、阴影背景面(Z)四种状态。

随机几何模型把大多数主要的土壤和植被参数当成随机变量处理,这样便于消除一些次要参数空间波动引起的地面差异性的影响。

2.5 模糊模型

模糊模型建立在模糊集合理论的基础上,和分类概念不同,一个像元不是确定地分到某一类别中,而是同时和多于一个的类相联系。该像元属于哪一类表示为0-1间的一个数值。对于混合像元,采用模糊分类方法(fuzzy partition)比刚性分类方法(hard partition)分类精度高。

其基本原理是将各种地物类别看成模糊集合,像元为模糊集合的元素,每一像元均与一组隶属度值相对应,隶属度也就代表了像元中所含此种地物类别的面积百分比。先选择样本像元,根据样本像元计算各种地物类别的模糊均值矢量和模糊协方差矩阵。每种地物的模糊均值矢量μc

模糊协方差矩阵∑*c

上两式中:n为样本像元总数;fc(Xi)为i个样本属于c类地物的隶属度;c为地物类别;Xi为样本像元值矢量(1≤i≤n)。uc*和∑c*确定后,对每一像元进行模糊监督分类,求算每种地物在其类所占面积百分比。用uc*和∑c*代替最大似然分类中的均值矢量和协方差矩阵,求算属于c类别的隶属度函数

其中

式中:N是像元光谱值矢量的维数,m是预先设定的地物类别数,1≤i≤m。

3 结束语

本文主要介绍了混合像元的基本概念及混合像元分解领域的研究现状;探讨了几种常见的混合想元分解模型的形式及其原理。通常,在构建模型时,一般只考虑占主导因素的特征参数,而很难个别地考虑其他因素。因此,模型的成立包含了许多假设、近似和概括,这些假设会不同方式的影响模型的精度和混合像元分解的结果。

我们可以看出各种像元分解模型还不是很完美,有待于广大学者们进一步完善和补充。各种分解模型均有各自的优缺点以及约束条件,应该根据实际情况选择适合需要的模型,这样才能尽量减小误差,提高分解精度。

摘要：混合像元是遥感领域研究的热点,也是难点。混合像元问题不仅影响地物识别和分类精度,而且是遥感技术定量化发展的重要障碍。为了提高遥感应用的精度,就必须解决混合像元的分解问题。该文首先介绍了混合像元的产生机理,然后阐述了时下几种流行的混合像元分解模型:线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型,并对其中几种常用模型的优缺点及其适用性进行总结和讨论,对不同模型之间的相似和差异性进行比较分析。

关键词：光谱,混合像元,遥感,分解模型

参考文献

[1]浦瑞良,宫鹏高光谱遥感及其应用[M].北京:高等教育出版社,2000.

[2]崔屹.图像处理与分析——数学形态学方法及应用[M].北京:科学出版社,2000.

[3]朱述龙.基于混合像元的遥感图像分类技术[J].解放军测绘学院学报,1995,12(4):226-229.

[4]陶秋香.非线性混合光谱模型及植被高光谱遥感分类若干问题研究[D].青岛:山东科技大学,2004.

[5]陈述彭,童庆喜,郭华东.遥感信息机理研究[M].北京:科学出版社,1998:201-212.

[6]桂预风,张继贤,林宗坚.土地利用遥感动态监测中混合像元的分解方法研究[J].遥感信息,2000(2):18-20.

【去混合方法】推荐阅读：

多方法混合算法06-20

混合床再生方法研究06-30

去黑眼圈最好的方法07-09