線陣CCD光譜采集系統的自適應濾波降噪

潘　宇,羅永道（云南師范大學物理與電子信息學院,云南昆明 650500）

線陣CCD光譜采集系統的自適應濾波降噪

潘宇,羅永道
（云南師范大學物理與電子信息學院,云南昆明 650500）

為了便于對微型線陣CCD光譜采集系統采集的光譜數據進行分析,需要對光譜數據采集過程中出現的噪聲進行降噪處理,以提高光譜數據的信噪比。首先,根據線陣CCD參數指標,設計了一種硬件降溫結構,并用它對線陣CCD進行降溫去噪。接著,根據遞歸最小二乘自適應濾波算法對采集好的水樣品光譜數據進行去噪處理,然后和未去噪的水樣品數據對比。實驗表明,硬件電路降溫去噪能夠衰減線陣CCD上的暗電流噪聲,使用遞歸最小二乘自適應濾波方法能夠有效消減光譜采集系統中光譜數據的噪聲。

光譜學；線陣CCD；自適應濾波；去噪

引 言

近年來,光譜分析技術逐漸被廣泛應用于環境、食品安全監測、物質分析等領域,在天文學和衛星監測領域也有廣泛使用。正是由于各個領域對這門技術的推廣和普及使得光譜技術逐漸走向成熟。與傳統的電化學分析和色譜分析方法相比,光譜分析技術更具有操作簡便、重復性好、測量精度高和檢測快速的優點［1］。光譜儀的小型化、微型化,使得光譜儀的色散距離變短,儀器內部空間密度變得更加緊湊,這使得整個儀器的分辨率、靈敏度、信噪比等性能將更多地依賴于光電探測器件CCD上［2］。然而在使用光譜儀器采集被測物體光譜數據的過程中,由于受到儀器線陣CCD品質因素的影響或者機器發熱量高導致儀器內部的CCD、電阻等元件的電流熱噪聲變大使得被測物質的光譜數據含有噪聲,最終在對被測物質進行成分分析時誤差增大［3］。因此對原始的光譜數據進行去噪處理是鑒定物質準確性的必要保證。

光譜數據去噪處理的好壞與否,會影響物質成分分析的結果和儀器的預測精度［4］。目前,常用的光譜去噪方法主要有硬件去噪和軟件去噪兩種。在軟件去噪方面,常用的有微分法、平滑法、傅里葉變換和小波變換等［5］。用微分法對光譜數據去噪能夠消除基線漂移、強化譜帶特征,但去噪效果不好。平滑法可以衰弱信號中的高頻噪聲,但有用的光譜信號也會被衰減,造成光譜信號失真。傅里葉變換法對平穩信號有很好的去噪效果。小波變換法可以只對特定頻率或某一時刻的局部信號進行頻譜處理,而不影響整體信號,去噪效果好,但小波變換運算量大,實現去噪效果的速度較慢［6］。自適應濾波方法不僅具有運算量小、速度快、可遞推實時處理的優點,而且它不需要已知信號的統計特性,它是通過一種自適應算法來調節自身濾波參數從而達到最好的濾波效果［7］。正是由于自適應濾波的這些優點,使其廣泛應用于通訊、激光、醫學等領域。

1　線陣CCD光譜采集系統中噪聲的來源和硬件電路的降噪設計

實驗中所采用的小型線陣CCD光譜采集系統是自主研發的,它能夠采集220～800 nm波長范圍的紫外可見光譜數據。該系統采用了交叉非對稱式的Czerny-Turner光學結構如圖1所示。儀器中采用的線陣CCD為東芝TCD1304AP,屬于中低端水平的CCD。在該線陣CCD光譜數據采集系統中,噪聲的來源有很多種。其中主要的噪聲來源是線陣CCD,它的輸出噪聲主要有暗電流散粒噪聲、光子散粒噪聲、輸出放大器噪聲等。此外在信號的傳輸過程中還會夾雜著一些電子器件噪聲。這些噪聲都是一些具有均勻頻譜的低頻噪聲和高斯白噪聲［8-9］。

為了去除CCD上的散粒噪聲,實驗中采用硬件溫控去噪方法和軟件自適應濾波方法。在硬件溫控去噪方法中,采用了TEC半導體制冷技術,用EP3-06E058-RTO型號的TEC制冷芯片對CCD進行控溫去噪,制冷裝置如圖2所示。圖3為半導體制冷片控溫驅動板實物圖,通過它來控制半導體制冷。圖2中散熱鋁塊和風扇的作用是迅速散去TEC制冷片上產生的熱量,使TEC制冷片能夠正常工作。

圖1　Czerny-Turner結構Fig.1　Czerny-Turner structure

圖2　硬件溫控示意圖Fig.2　The temperature control diagram

圖3 硬件溫控實物圖Fig.3　The temperature control graph

圖4中顯示的光譜曲線是沒有進行降噪處理的原始水樣品光譜曲線,為了便于看清噪聲,所以圖中顯示的曲線是從水樣品光譜曲線中選取了一段噪聲明顯的曲線經過放大之后的圖像。從圖4中可以看出在沒有對線陣CCD進行降溫時采集到的水樣品光譜數據中存在著像鋸齒型一樣的噪聲。實驗中的光譜數據來自于自主研發的小型線陣CCD光譜采集系統,由于在設計PC機軟件時沒有直接對該系統獲取的光譜數據進行波長標定,所以圖4中的橫坐標是光譜儀上線陣CCD的像素點而不是波長,縱坐標是線陣CCD輸出的光的強度信號。圖5表示的是使用控溫去噪處理后的水樣品光譜曲線圖,從圖中可以看出水樣品光譜曲線上仍然還存在鋸齒型噪聲［10］,只是相對于原始光譜曲線的噪聲幅度稍微減弱了。這說明硬件降溫去噪的方法在實際應用中不能完全濾除由線陣CCD產生的散粒噪聲,只能減弱CCD的暗電流噪聲。

圖4　原始水樣品光譜圖Fig.4　The original water sample spectrum graph

圖5　控溫去噪后的光譜圖Fig.5　The denosing spectrum graph

圖6　自適應濾波器結構圖Fig.6　Self-adaptive filter structure

2　最小二乘自適應濾波器的算法構建

自適應濾波就是利用性能評價函數（代價函數）對前一時刻得到的濾波器輸出結果與期望得到的結果進行性能評價,并根據評價的結果來自動調節現在時刻的濾波器的抽頭系數,以適應信號和噪聲未知的或隨時間變化的統計特性,從而實現最優濾波。實現自適應濾波器的方法有很多種,比如遞推最小二乘法、卡爾曼濾波法、最小均方誤差法等,其中遞推最小二乘法的抑制處理效果及工程實現得到了很好的應用。實驗中采用了遞推最小二乘法,其結構如圖6所示。圖中輸入信號是由線陣CCD光譜采集系統采集到的水樣品光譜數據提供,這些原始光譜數據在已知n=0時刻濾波器抽頭系數的情況下即剛開始時橫向濾波器的抽頭系數,通過簡單更新,求出n=1時刻下濾波器的抽頭系數。再由n=1時刻濾波器的抽頭系數更新n=2時刻的濾波器抽頭系數,直到n時刻,其中n為橫向濾波器的階數。而整個更新濾波器抽頭系數的過程就是遞推最小二乘算法。

自適應最小二乘算法在第k個采樣點對應的一組輸入信號xk（i）,i=0,1,…,n,那么算法對應的輸出為

式中:n為濾波器階數；ek為誤差項；w（i）為濾波器的第i項抽頭系數。要實現用上一時刻的濾波器抽頭系數更新下一時刻濾波器的抽頭系數,需要滿足讓性能評價函數的值達到最小,實驗中采用了指數加權的誤差平方和,即

式中λ為遺忘因子,λ的作用是離n時刻近的誤差給予較大的權重,離n時刻遠的誤差給予較小的權重,確保在過去某一時間段內觀察到的數據被“遺忘”,從而使濾波器可以工作在平穩狀態下。其中ε（i）誤差因子的表達式為

式中:d（i）為期望響應；wH（n）x（i）是濾波器的輸出響應y（i）。把式（3）代入式（2）中得加權誤差平方和的完整表達式

從式（5）、式（6）看出指數加權最小二乘法的解被轉化為了維納濾波器的形式。

對式（5）進行化簡,并根據矩陣求逆引理得

得更新權向量w（n）=w（n—1）+k（n）ε（n）,其中w（n）為濾波器該時刻的抽頭系數,w（n—1）為濾波器上一時刻的抽頭系數。由此整個遞歸最小二乘自適應算法就推導完成了。總結上面的推導過程,歸納出實驗中最小二乘自適應算法的實現方法流程如下:

（1）選取合適的遺忘因子λ,0＜λ＜1；

（2）算出FIR濾波器的初始抽頭系數w0,w1,…,wL—1；

（3）對于每一時刻的n=1,2,3,…,N（N是FIR濾波器的階數）,分別計算:p（n）,ε（n）,w（n）；

（4）把算好的w（n）的數據更新到n+1時刻下FIR濾波器抽頭系數中。

3　測量實驗與結果

3.1FIR濾波器結構選取

實驗中用遞推最小二乘自適應濾波方法對水樣品數據進行去噪時,通常需要選取合適的橫向濾波器作為整個濾波算法的基礎。通用的濾波器設計方法有窗函數法和頻率取樣法。窗函數法是從時域進行設計的,而頻率取樣法是從頻域進行設計的。從設計復雜度比較,窗函數法要比頻域取樣法簡單。從濾波效果比較,窗函數法設計的濾波器在通帶和阻帶的性能優于頻率抽樣法［7］,所以試驗中采用了窗函數法設計FIR濾波器。常見的窗函數有矩形窗、Hann（漢納）窗、Hamming窗、Blackman（布萊克曼）窗、Kaiser（凱澤）窗,其中矩形窗、Hann（漢納）窗、Hamming窗、Blackman（布萊克曼）窗的窗函數是固定的,因而一旦選則了某一種窗函數,設計出的FIR濾波器在阻帶的衰減就是確定的。Kaiser窗是一種應用廣泛的可調窗,可以根據濾波器的衰減指標來確定窗函數的形狀［11-12］。由于實驗中線陣CCD光譜采集系統中的噪聲的頻帶是存在于整個頻率范圍內的,而且所測量光譜信號的頻率范圍也是不確定的,這就讓我們無法預知要濾除的噪聲的頻帶范圍,由于Kaiser（凱澤）窗具有可調性,所以實驗中通過PC機端編寫的軟件,選擇Kaiser窗作為FIR橫向濾波器的主要框架。表1中第一行數據表示的是使用Kaiser（凱澤）窗,在通帶截屏為0.001和阻帶截屏為0.1時的濾波器抽頭系數,從表中可以看出該濾波器的階數是20階。

表1　RLS自適應算法對FIR濾波器抽頭系數的調整Tab.1　Using RLSself-adaptive algorithm to adjust FIR filter tap coefficient

3.2遞推最小二乘自適應濾波器對水樣品去噪處理結果

從上面的FIR濾波器中得到的抽頭系數共有20階,選取最小二乘自適應濾波器的遺忘因子λ為0.99。在遞推最小二乘算法中需要給出一個理想的光譜數據作為期望值然后減去FIR濾波器輸出的數據從而得到誤差因子,進而計算并更新下一時刻濾波器抽頭系數。所以期望值的選取是算法中重要的環節。由于各種物質的光譜數據事先是不知道的,期望值的選取就變得很困難,為了避免選取的期望值引入其它噪聲和誤差,實驗中首先在暗室里測得了線陣CCD光譜采集系統的背景噪聲,由于在理想環境下線陣CCD在無光照條件下輸出值是0,所以實驗中用d（i）=a作為期望值。其中i=0,1,…,n；a為常量, n為濾波器的階數。然后對背景噪聲進行遞推最小二乘濾波得到一組濾波抽頭系數,再用該組抽頭系數對水樣品數據進行去噪。最后用去噪后的水樣品數據作為水樣品的期望值,對同樣的水樣品進行自適應去噪。圖7為背景噪聲和用最小二乘濾波法濾波后的曲線圖。

圖7　線陣CCD光譜采集系統的背景噪聲和自適應去噪后的曲線圖Fig.7　Linear CCD spectral acquisition system of background noise and after denoising graph

表1中第二行數據表示對線陣CCD光譜采集系統進行自適應濾波后抽頭系數的改變情況。圖8所示的是用對背景噪聲自適應去噪后的濾波器抽頭系數對原始水樣品數據進行FIR濾波后的曲線圖,并用該曲線的光譜數據作為期望值。實驗中保持水樣品不變,連續采集9組光譜數據。由于每次采集,線陣CCD光譜采集系統上產生的噪聲都不一樣,所以得到的效果如圖9所示。分別對這9組原始光譜數據進行自適應濾波,得到的效果如圖10所示。

從圖9、圖10中可以看出對于線陣CCD光譜采集系統每次產生的不同的隨機散粒噪聲,該算法都能夠對其進行自適應濾波。由于光源氙燈發光的不穩定,影響了線陣CCD的光強輸出。所以圖中看到的曲線的光強幅度會有些波動。從表1中的數據也可以看出隨著取樣次數的不同,每次的濾波器抽頭系數也不同,而且最小二乘自適應濾波器讓原始光譜數據在可容許的最小誤差范圍內使其逐漸向期望的光譜數據收斂。

圖8　期望的水樣品光譜數據Fig.8　The desired water sample spectral data

圖9 9組水樣品光譜圖Fig.9　Spectra of 9 groups of water sample

圖4、圖5、圖10相比較,得出最小二乘自適應濾波器的濾波效果很好,能夠去掉線陣CCD所產生的散粒噪聲。

4　結 論

通過對線陣CCD光譜采集系統采集的初始水樣品的光譜數據進行硬件溫控去噪和最小二乘自適應濾波去噪。從二者所處理的光譜曲線圖來看自適應濾波算法的去噪效果比硬件去噪效果好,通過計算兩種去噪結果的RMS值,硬件溫控的S/N為2581：1,而自適應濾波算法的S/N為3081：1,因此自適應濾波去噪可以有效的提高光譜數據的可靠性,在實際儀器制造中能夠節約設計成本。不足的是使用最小二乘自適應濾波算法對原始水樣品進行去噪所消耗的時間為0.598 s,對于速度要求較高的場合不適于在PC機端選擇最小二乘自適應濾波方法進行去噪。

圖10　9組水樣品自適應去噪后的光譜圖Fig.10　The spectrogram after adaptive filter

［1］ 黃福榮,羅云瀚,鄭仕富,等.全血膽固醇、甘油三酯近紅外光譜分析與模型優化［J］.光學學報,2011,31（10）:1030001.

［2］ 李正剛.微小型光譜儀低噪聲、大動態范圍方法研究［D］.長春:中國科學院研究生院（長春光學精密機械與物理研究所）,2010.

［3］ 李慧,藺啟忠,王欽軍,等.基于小波包變換和數學形態學結合的光譜去噪方法研究［J］.光譜學與光譜分析,2010,30（3）:644-648.

［4］ 蔡劍華,王先春.基于經驗模態分解的近紅外光譜預處理方法［J］.光學學報,2010,30（1）:267-271.

［5］ 嚴衍祿.近紅外光譜分析基礎與應用［M］.北京:中國工業出版社,2005:103-107.

［6］ 李素文,謝品華,李玉金,等.基于小波變換的差分吸收光譜數據處理方法［J］.光學學報,2006,26（11）:1601-1604.

［7］ 陳從,盧啟鵬,彭忠琦.基于NLMS自適應濾波的近紅外光譜去噪處理方法研究［J］.光學學報,2012,32（5）:0530001-1-6.

［8］ 佟首封,阮錦,郝志航.CCD圖像傳感器降噪技術的研究［J］.光學精密工程,2000,8（2）:140-145.

［9］ 田巖濤,常丹華,張彥.線陣CCD信號的小波去噪方法研究［J］.傳感技術學報,2005,18（2）:250-253.

［10］ 周丹,王欽軍,田慶久,等.小波分析及其在高光譜噪聲去除中的應用［J］.光譜學與光譜分析,2009,29（7）:1941-1945.

［11］ 姚海燕.FIR數字濾波器設計窗函數法與頻率抽樣法比較［J］.安陽工學院學報,2007（6）:51-53.

［12］ 陳后金,薛健,胡健.數字信號處理［M］.2版.北京:高等教育出版社,2008:158-197.

（編輯:張 磊）

Adaptive filtering denoising for linear CCD spectral acquisition system

PAN Yu,LUO Yongdao
（Department of Physical and Electronic Information,Yunnan Normal University,Kunming 650500,China）

In order to analyze the spectral data collected by a linear CCD spectral acquisition system,it needs to solve the spectral noise that appeared in the process of data collection,to improve the signal-to-noise ratio of the spectral data.First,According to the linear CCD parameter,we design a kind of cooling hardware structure and use it to cool the denoising linear CCD.At the same time,based on recursive least square adaptive filter algorithm,water sample spectral data is dealt with to compare with the noise of water sample data.Experimental results indicate that hardware circuit denoising is not able to completely remove the thermal current on the linear CCD noise.Using the recursive least square adaptive filter method can effectively reduce noise in the spectrum acquisition system.

spectroscopy；linear CCD；adaptive filter；denoising

O 433.4

A

10.3969/j.issn.1005-5630.2016.02.014

1005-5630（2016）02-0167-06

2015-07-29

國家自然科學基金（61168003）

潘 宇（1990—）,男,碩士研究生,主要從事成像光學方面研究。E-mail:350148275@qq.com

羅永道（1969—）,男,副教授,主要從事光譜儀器技術方面的研究。E-mail:dhlyd300@163.com