基于神经网络的侧向激光雷达信号去噪算法
1 引言
近年来,极端天气频发,温室效应加剧,人们对大气的高精度监视也越发迫切[1-2]。激光雷达常用于探测物体的三维空间信息[3-4],应用范围广泛,其中侧向激光雷达是探测近地面气溶胶时空分布情况的重要装置[5]。侧向散射激光雷达使用激光器向大气中发射激光,通过电荷耦合器(CCD)接收不同高度、不同方向上的散射光子,利用激光雷达方程计算消光系数廓线,从而实现对PM2.5、风速、能见度等大气参数进行精确测量,在大气探测领域得到了广泛运用。同时侧向激光雷达盲区范围较小[6],在近地面大气探测中优势较大。
大气离散时,光强度数据储存在CCD图像中,信号无法避免受到图像噪声影响。对图像数据进行去噪,能够大大提升雷达数据的精确性和可靠性。常用的去噪方法[7-13]主要为小波去噪、滤波器去噪和神经网络噪声预测。小波去噪性能受阈值选取与小波基函数直接影响,且计算过程复杂;滤波器去噪对于规律性信号处理效果较理想,实测数据往往需要针对性改进才能满足需求;神经网络作为一种新兴技术,通过对大量训练集进行特征提取,对图像噪声进行预测,能够实现高性能、高速度、高鲁棒性的信号去噪。但该方法目前并未用于侧向激光雷达信号处理。2017年,孙国栋等人对侧向激光雷达CCD图像进行仿真,并使用小波去噪方法处理仿真图像,验证了侧向激光雷达图像去噪的必要性和可行性[10];2017年,黄金等人提出一种混合维纳滤波的去噪模型,能够保证边缘角点特征信息的完整性[11];2019年,Raj Kumar等人使用离散小波变换改进训练集,使用递归神经网络对图像噪声的特征进行提取并分析[12];2020年,钱满等人提出一种改进卷积神经网络,将神经网络用于合成孔径雷达图像去噪,优化了算法性能,优化了图像信噪比[13]。传统侧向激光雷达信号去噪方法往往受到手动设置参数的影响,对于不同信号需要频繁调整参数,导致鲁棒性不足。上述网络模型未能用于侧向激光雷达图像,且存在死区较多、梯度消失等问题,网络性能有较大的进步空间。
本文将神经网络用于侧向激光雷达信号去噪,完善了侧向激光雷达信号处理领域对于神经网络技术的空缺。同时对激活函数进行了优化,增加了注意力机制,提升了网络性能,使网络更契合侧向激光雷达图像,缓解了深层神经网络带来的系统负荷,并和多种常用的图像去噪方法进行了对比,拓展了基于神经网络的噪声预测方法的适用性。
2 基于神经网络的雷达信号去噪算法
侧向激光雷达原理示意图如
侧向激光雷达信号被CCD接收后,激光光束上各点的信号光子数被记录在不同位置的像素中,由多个像素点组合成二维图像。侧向激光雷达CCD图像如
侧向激光雷达回波信号由回波真值和噪声组成,主要的噪声来源为背景噪声、热噪声、散粒噪声和读出噪声[14-15]。背景噪声为取值不随时间变化,信号强度稳定的信号,能够通过安装滤光片或采用背景相减法消除;热噪声主要由相机芯片热效应产生,随曝光时间累积,能够通过物理降温来抑制;散粒噪声是电子入射产生的噪声,是多数半导体器件的主要噪声来源,具有白噪声的特性;读出噪声由电路放大器或信号数模转换引起,和信号强度无关,呈高斯分布,能够通过改进相机芯片读出效率进行抑制。后三种噪声为科学相机成像过程中的主要噪声来源,处理过程复杂,而神经网络能够将多种噪声统一进行预测,无需进行不同噪声的分类处理,简化了信号分析的流程,大大提升了图像去噪的效率。
2.1 网络模型结构
神经网络性能受到其网络结构的直接影响,为了提高网络学习效率,本文在深度卷积神经网络中使用了批量标准化、残差学习和注意力机制模块CBAM[16] (convolutional block attention module);同时为解决原始激活函数可能造成神经元大量死亡无法修复及网络梯度消失的问题,使用SELU[17](the scaled exponential linear units)作为激活函数。本文网络模型如
网络输入为加入噪声的原始图像,图像经过由64个3×3的卷积核组成的卷积层Conv (convolution)和激活函数SELU,提取出图像特征,这一过程被称为卷积层处理;然后经过8个相同卷积块,每个卷积块由卷积层、激活函数和批量归一化层BN (batch normalization)组成,结合残差学习法,提升了网络训练速度,加快了收敛过程;之后输出数据会进入CBAM模块,提取图像的跨通道信息和空间信息,抑制图像的非必要特征。输出数据之后会依次经过7个相同卷积块及1个卷积层,卷积块之间使用残差网络进行连接,最终预测出噪声图像[18]。
残差图像是预测图像和仿真图像的差值。由于噪声信号强度远小于原始信号,进行信号预测比噪声预测更加困难,导致噪声残差往往小于信号残差。数据量较小的目标在神经网络中更容易优化,对网络深度的需求也更小,因此噪声残差更适合作为神经网络的优化目标。将噪声残差图像作为预测对像和学习目标能够大大提升网络模型的学习效率和收敛速度,降低模型对硬件的需求。预测残差图像和实际残差图像之间的平均均方误差用于评价网络的学习性能,用于修正下一轮迭代的训练参数,其公式表示为[19]
式中,
残差学习法[20](ResNet,residual network)用于解决神经网络过深带来的梯度爆炸问题。随着网络深度的增加,网络的性能也会不断提升,训练集的损失也不断降低直到稳定。但当网络深度无限制地增加时,网络的性能反而会降低,网络发生退化现象[21]。因此,网络层数较少的网络有时会取得比层数较多的网络更好的训练效果。这种现象反映出当网络层数较高时,神经网络无法进行有效的学习,使高层神经网络失去了意义。残差学习法能够有效解决网络退化问题,过滤负数产生的线性变化,使更新参数更快收敛。本文使用的残差网络结构如
当输入数据经过两层运算后,将输出数据和输入数据相加,这种结构保证在残差接近0时,输出信号和输入信号仍然具有恒等映射的关系,防止了网络性能的急剧下降,从而保证了神经网络在深度较大时的学习能力。残差网络的设计目的是保证浅层网络的性能不会因深层网络降低,因此在本文模型中残差网络用于CBAM模块之后的深层卷积块连接。
2.2 批量标准化
传统神经网络在训练时,随着参数更新,每层的数据输入和输出分布往往存在较大差异,使网络参数需要不断调整来适应变化。网络深度越大,输入和输出的差异越明显,会显著增大网络训练难度。批量标准化能够有效解决这一问题,通过对每一层的输入进行标准化处理,使输出服从正态分布。本文模型在每层卷积核都使用了批量标准化,能够简化调参过程、加快训练速度,降低了对数据初始化的要求。
2.3 注意力机制
网络非线性表达能力和深度相关,但过深的网络需要处理的数据量较大,运算时间长,学习效率低。注意力机制能够对计算资源进行更合理的分配,提升学习效率,是一种性价比较高的模块。为缓解网络深度带来的负担,本文使用了CBAM模块来引入注意力机制。该模块分为两部分,通道注意力模块和空间注意力模块[22],如
式中,F为输入信号,
2.4 激活函数
卷积神经网络常用的激活函数为 ReLU[23] (rectified linear activation function),用于构建神经网络数据的非线性关系。ReLU可以表示为
可以看出,该函数在
两种激活函数对比如
3 侧向激光雷达信号去噪结果分析
本文对多幅不同侧向激光雷达信号图像进行了小波阈值去噪、维纳滤波、VGG16 (visual geometry group) 和 DnCNN (denoising convolutional neural network)去噪实验,并对实验结果进行对比,分析了不同方法的性能差异。
小波阈值[24-25]是一种常用的图像去噪方法,根据图像和噪声在经过小波变换后具有不同特性的原理,根据能量分布状况来分离信号中的噪声。小波阈值去噪法的核心在于如何设定阈值,根据阈值门限的不同可以分为硬阈值法和软阈值法。硬阈值法认为当小波系数小于临界阈值时,应该直接舍弃,大于临界阈值时则保留。软阈值法则通过对比小波系数和阈值,动态调整小波系数。维纳滤波[26]是一种计算最小均方误差的线性滤波器,通过求解维纳霍夫方程设计系统函数,使滤波后图像和原始图像的均方误差最小。VGG16是一种经典卷积神经网络,首次完全使用3×3的卷积核组成网络,证明了使用更小的卷积核组成更深的网络能有效提升网络性能;DnCNN在VGG16基础上引入了批量归一化和残差学习法,验证了两种模块能够提高网络学习效率,提升了神经网络的有效深度。本文模型采用了和DnCNN相似的网络结构,增加了CBAM模块,更改激活函数为SELU,因此称本文模型为DnCNN+。
实验平台为中科曙光定制服务器,CPU配置为Intel(R) Xeon(R) Silver 4214 CPU @ 2.20GHz*8,内存配置为2T。雷达图像处理实验,小波阈值去噪实验和维纳滤波实验基于Matlab2015版本实现,神经网络相关实验基于 Tensorflow-2.4.0版本相关库,CUDA9.0硬件环境和Python3.6版本实现。训练集、验证集和测试集数据比例为100∶1∶1,均随机取自labelme公开数据集,所有图像通过相机拍摄。训练集由400张图像组成,大小为1280×1280,每张图像切割为32张40×40大小的灰度图用于训练。批尺寸(batch-size)为32,迭代数(epoch)为50,每迭代10轮进行一次模型保存。不同模型性能对比中使用了侧向激光雷达仿真图像,仿真参数选取自文献[10],用于评估不同模型对侧向激光雷达CCD图像的去噪能力。
3.1 CCD图像仿真
根据侧向激光雷达结构及激光雷达方程,能够对侧向激光雷达CCD图像进行仿真。仿真中激光雷达收发间距为480 mm,激光波长为532 nm,平均输出功率为4 W,光束发散角为1.5 mrad。CCD水平方向像素个数为800,垂直方向像素个数为604。CCD成像系统光轴与激光发射光轴夹角为90°,CCD成像系统视场角近似90°,发射光束直径为便于观察设置为仿真图像宽度的1/40,像素尺寸为
分子激光雷达比为
图 7. 仿真图像。(a)原始图像;(b)噪声模型1对应的染噪图像;(c)噪声模型2对应的染噪图像;(d)噪声模型3对应的染噪图像
Fig. 7. Simulation images. (a) Original image; (b) Noised image corresponding to noise model 1; (c) Noised image corresponding to noise model 2; (d) Noised image corresponding to noise model 3
从图中可以看出,仿真图像在高度上满足泊松分布,随着高度提升光束强度先增大再减小,光束宽度总体上下宽上窄。加入的噪声强度越大,对图像的破坏效果越明显。
3.2 CCD图像去噪效果
使用软阈值法、硬阈值法、维纳滤波和3种神经网络处理模型2对应染噪图像,得到
图 8. 去噪图像。(a)小波阈值(软);(b)小波阈值(硬);(c)维纳滤波;(d) VGG16;(e) DnCNN;(f) DnCNN+
Fig. 8. De-noising images. (a) Wavelet threshold (Soft); (b) Wavelet threshold (Hard); (c) Wiener filtering; (d) VGG16; (e) DnCNN; (f) DnCNN+
本文采用峰值信噪比(
式中,Q为去噪后灰度图像的灰度最大值,m为图像的行数,n为图像的列数,
其中x和y表示两幅图像,
表 1. 图像PSNR对比
Table 1. Comparison of the PSNR images
|
表 2. 图像SSIM对比
Table 2. Comparison of the SSIM images
|
图像经6种方式处理后
为对比不同噪声强度下各算法的去噪性能,在相同条件下,只改变噪声强度进行试验,
表 3. 不同噪声强度下图像PSNR对比
Table 3. Comparison of the PSNR imageses at different noise intensities
|
在三种噪声强度下,DnCNN+均取得了较好去噪效果,证明了该模型具有较好的鲁棒性。
3.3 神经网络性能对比
神经网络损失表示网络预测目标和实际情况的误差,其变化能够反映网络性能随训练批次的成长情况,步数(Step)为神经网络进行参数更新的次数。为对比VGG16、DnCNN、DnCNN+的学习效率,使用相同数据训练后,将三种网络损失随步数变化进行归一化处理后对比,结果如
3.4 侧向激光雷达回波信号提取与去噪效果
为进一步验证DnCNN+对侧向激光雷达CCD图像的去噪能力,需要对CCD图像进行信号提取,计算不同图像中的信号光子数并进行对比,分析不同方法对侧向激光雷达回波信号的影响。将侧向激光雷达CCD图像同一高度的像元信号相加后,才能计算出散射光子数随高度的变化情况[28]。散射信号在空间上满足高斯分布,在一定高度上的总光子数可表示为
其中,
噪声光子数
散射光柱在时间上满足泊松分布,标准误差
则信号相对误差为
将原始图像加入方差0.02的高斯白噪声,使用小波阈值(软,硬)、维纳滤波、DnCNN+去噪后对图像进行信号提取,得到的信号光子数归一化和原始数据对比得到差值,光子数差值随垂直方向上的像素变化情况如
能够看出4种方法处理后的图像光子数差值产生了不同程度的偏移,差值越接近0说明图像去噪效果越好。维纳滤波处理后光子数差值波动最大,DnCNN+处理后光子数差值波动较为平稳,最接近0。为量化信号光子数差值波动程度,引入平均偏离度S,计算公式如式(13),
其中,a为去噪后信号光子数,b为原始信号光子数,n为像素总量。不同图像的平均偏离度如
表 4. 信号光子数平均偏离度对比
Table 4. Comparison of average deviation of the signal photon number
|
DnCNN+平均偏离度最小,说明该模型能够最大程度的还原原始图像,减小信号光子数在去噪过程中受到的损伤。
由公式(12)计算出的相对误差能够反映侧向激光雷达回波信号的可靠程度。使用不同方法处理加入方差为0.02的高斯白噪声的原始图像后,对信号相对误差进行对比,结果如
图中染噪信号相对误差波动幅度最大,硬阈值法、软阈值法、维纳滤波和DnCNN+相对误差平均值分别为12.01%、11.94%、10.28%、9.62%,且DnCNN+相对误差极值点较少,变化趋势稳定。综合比较相对误差和信号光子数,可以看出DnCNN+去噪能力最强,这与
4 结论
本文提出了一种结合注意力机制改进卷积神经网络的侧向激光雷达信号去噪算法DnCNN+,通过多个卷积层提取出信号特征后,利用注意力机制调整信号特征权重,最后通过残差学习法对神经网络进行训练,能够有效去除图像中的噪声并且较好的保护回波信号。使用了硬阈值法、软阈值法、维纳滤波、VGG16和DnCNN进行去噪性能对比试验,多次实验结果证明DnCNN+对侧向激光雷达信号去噪效果较好,回波信号信噪比得到提升,去噪后图像最接近原始图像,和硬阈值法、软阈值法、维纳滤波对比,相对误差分别减小2.38%、2.32%、0.66%,对后续基于侧向激光雷达信号的大气光学特性准确反演具有重要意义。
Overview: A side-scatter lidar is known to have evident advantages over other types of lidar in atmosphere detection, especially for lower atmosphere. For a side-scatter lidar, a high-power laser is normally used as the light source. As the charge coupled device (CCD) optoelectronic detector is used to capture the light backscattered by the atmosphere. Correspondingly, the original side-scatter lidar signal is depicted as a 2D CCD image. The 2D CCD image of the side-scatter lidar may suffer from the noise as all other lidars. Therefore, denoising the side-scatter lidar signal may need more efforts than ordinary lidar signals. The extinction coefficient profile can be derived from the CCD image. With the help of other auxiliary techniques, atmosphere features such as wind speed and meteorological optical range can be obtained.
In the paper a denoising algorithm based on denoising convolution neutral network (DnCNN) is proposed for side-scatter lidar signal, called DnCNN+. The DnCNN+ uses scaled exponential linear units (SELU) as the activation function of the network in order to avoid the gradient explosion and gradient disappearance that might happen frequently in the traditional network. On the other hand, convolutional block attention module (CBAM) is used in the DnCNN+ to ensure the efficient allocation of the computation resources in the training process, hence increasing the learning efficiency. Furthermore, we introduce residual learning and batch standardization in the network to improve the network output performance.
For the denoising strategy, we identify the noise and separate the noise from the simulated lidar signal. The signal-to-noise ratio (SNR) is hence increased. The denoising performances of five methods, including wavelet transform soft threshold, wavelet transform hard threshold, Visual Geometry Group (VGG16), DnCNN, and DnCNN+, are evaluated for the signals with SNR of 0.01-0.03 dB. VGG16 is one of the classic convolution neutral networks. Peak signal to noise ratio (PSNR) and structural similarity (SSIM) are used to evaluate the denoising performance. Simulation results showe that the PSNR is increased by over 5 dB using the DnCNN+. The DnCNN+ has the best denoising performance in terms of PSNR and SSIM. Additionally, it is also seen that the DnCNN+ has smaller network loss than the methods using convolution neutral networks, VGG16, and DnCNN. Furthermore, the 1D signal photon number is retrieved from the CCD image. It is shown that the DnCNN+ has the smallest relative error of signal of 9.62%. The proposed denoising algorithm based on the convolution neutral network is shown to be efficient for improving the side-scatter lidar signal.
马愈昭, 刘嘉琪, 王强强, 等基于Fernald-PSO法反演气溶胶激光雷达比及其对斜程能见度的影响光子学报201948320121010.3788/gzxb20194803.0301001
[2] 陶宗明, 施奇兵, 谢晨波, 等利用CCD和后向散射激光雷达精确探测近地面气溶胶消光系数廓线红外与激光工程201948S1495510.3788/IRLA201948.S106007
陈海平, 李萌阳, 曹庭分, 等基于激光雷达数据的火星表面障碍物识别光电工程202350222024010.12086/oee.2023.220240
黄思源, 刘利民, 董健, 等车载激光雷达点云数据地面滤波算法综述光电工程2020471219068810.12086/oee.2020.190688
陈松, 胡淼, 曾然, 等基于侧向散射激光雷达的PM2.5浓度测量误差光学学报20173712120100310.3788/AOS201737.1201003
马愈昭, 刘逵, 张岩峰, 等CEEMD结合改进小波阈值的激光雷达信号去噪算法系统工程与电子技术20234519310010.12305/j.issn.1001-506X.2023.01.12
[10] 孙国栋, 秦来安, 程知, 等小波去噪在成像激光雷达仿真信号中的应用激光与光电子学进展201754909010210.3788/LOP54.090102
黄金, 周先春, 吴婷, 等混合维纳滤波与改进型TV的图像去噪模型电子测量与仪器学报201731101659166610.13382/j.jemi.2017.10.020
钱满, 张向阳, 李仁昌改进卷积神经网络SAR图像去噪算法计算机工程与应用2020561417618210.3778/j.issn.1002-8331.1911-0060
丁红波, 王珍珠, 刘东激光雷达信号去噪方法的对比研究光学学报20214124240100110.3788/AOS202141.2401001
[15] 李苏, 何大华, 李亚鹏散粒噪声对目标探测率的影响舰船电子工程2021411219619910.3969/j.issn.1672-9730.2021.12.042
[17] Klambauer G, Unterthiner T, Mayr A, et al. Self-normalizing neural networks[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems, 2017: 972–981.
[21] He K M, Zhang X Y, Ren S Q, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: 770–778. https://doi.org/10.1109/CVPR.2016.90.
[22] Woo S, Park J, Lee J Y, et al. CBAM: convolutional block attention module[C]//Proceedings of the 15th European Conference on Computer Vision (ECCV), 2018: 3–19. https://doi.org/10.1007/978-3-030-01234-2_1.
王红霞, 周家奇, 辜承昊, 等用于图像分类的卷积神经网络中激活函数的设计浙江大学学报(工学版)20195371363137310.3785/j.issn.1008-973X.2019.07.016
[25] 徐景秀, 张青改进小波软阈值函数在图像去噪中的研究应用计算机工程与科学20224419210110.3969/j.issn.1007-130X.2022.01.011
[26] 袁敏, 施佺, 许致火基于维纳滤波的汽车毫米波雷达干扰自适应抑制电子测量与仪器学报202135219420110.13382/j.jemi.B2003344
[27] 王洪雁, 杨晓, 姜艳超, 等基于多通道GAN的图像去噪算法通信学报202142322923710.11959/j.issn.1000-436x.2021049
[28] 麻晓敏, 陶宗明, 张璐璐, 等侧向散射激光雷达探测白天近地面气溶胶探测技术光学学报2018384040100510.3788/AOS201838.0401005
Article Outline
马愈昭, 张岩峰, 冯帅. 基于神经网络的侧向激光雷达信号去噪算法[J]. 光电工程, 2023, 50(6): 220341. Yuzhao Ma, Yanfeng Zhang, Shuai Feng. A denoising algorithm based on neural network for side-scatter lidar signal[J]. Opto-Electronic Engineering, 2023, 50(6): 220341.