自适应滤波器设计及Matlab实现

【实例简介】
简单描述自适应滤波的原理及在MATLAB中实现的方法，并辅以相关MATLAB代码供大家交流。
1绪论 11引言 人类传递信息的主要媒介是语言和图像。据统计,在人类接受的信息中,听 觉信息占20%,视觉信息占60%,其它如味觉、触觉、嗅觉总的加起来不过占 20%,所以图像信息是十分重要的信息。然而,在图像的获取和图像信号的传 输过程中,图像信号中不可避免的混入各种各样的随机噪声,造成图像失真(图 像退化)。造成人类所获取的信息和实际是有偏差的,成为人类从外界获取准确 信息的障碍。因此,对图像信号中的随杋噪声的抑制处理是图像处理中非常重要 的一项工作 在图像的获取和传输过程中所混入的噪声,主要来源于通信系统中的各种各 样的噪声,根据通信原理及统计方面的知识,可以知道在通信系统中所遇到的信 号和噪声,大多数均可视为平稳的随机过稈。又有“高斯过程又称正态随机过 程,它是一种普遍存在和重要的随机过程,在通信信道中的噪声,通常是一种高 斯过程,故又称高斯噪声。囚此,在大多薮的情况下,我们可以把造成图像失真 的噪声可视为广义平稳高斯过程 本文针对图像信号中混入的随机噪声,在怎样把现有的滤波算法应用到实际 的图像复原中去的问题上提出了解决方法,并且应用 Matlab软件编程对图像进 行处理。 1.2研究目标及现状 121图像复原技术的目标 为了从含有噪声的数据中提取我们所感兴趣的、接近规定质量的图像,我们 需要设计个系统满足:当信号与噪声同时输入吋,在输出端能将信号尽可能精 确地重现出来,而噪声却受到最大抑制,即最佳滤波器。 122图像复原抆术的研究现状 日前的图像复原技术,即去噪的滤波技术可以分为两大类:传统滤波和现代 滤波。传统滤波技术是建立在已知有用信号和干扰噪声的统计特性(自相关函数 或功率谱)基础上的噪声去除;现代滤波技术则是不需要知道图像的先验知识, 只是根据观测数据,即可对噪声进行有效滤除。 早在20世纪40年代,就对平稳随机信号建立了维纳滤波理论。根据有用信 号和干扰噪声的统计特性(自相关函数或功率谱),以线性最小均方误差(MSE) 估计准则所设计的最佳滤波器,称为维纳滤波器。这种滤汲器能最大程度的滤除 干扰噪声,提取有用信号。但是,当输入信号的统计特性偏离设计条件,则它就 不再是最佳的了,这在实际应用中受到了限制。到60年代初,由于空间技术的 发展,出现了卡尔曼滤波理论,即利用状态变量模型对非平稳、多输入多输出随 机序列作最优估计。卡尔曼滤波器既可以对平稳的和平稳的随机信号作线性最佳 滤波,也可以作为非线性滤波[2]。 然而只有在对信号和噪声的统计特性已知的情况下,这两种滤波器才能获得 最优解。在实际的应用中,往往无法得到这些统计特性的完验知识,或者统计特 性是随时间变化的,因此,这两种滤波器就实现不了真正的最佳滤波。 Widrow B.和Hof于1967年提出的自适应滤波理论,可使在设计自适应滤 波器时不需要事先知道关于输入信号和噪声的统计特性的知识,它能够在自己的 工作过程中逐渐估计出所需的统计特性,并以此为依据自动调整自己的参数,以 达到最佳滤波效果。一旦输入信号的统计特性发生变化,它又能够跟踪这种变化, 自动调整参数,使滤波器性能重新达到最佳。 自适应滤波器自动调节参数可以通过各和不同的递推算法来实现,由于它采 用的是逼近的算法,使得实际估计值和理论值之间必然存在差距,也就造成了自 适应滤波问题没有唯一的解。依照各种递推算法的特点,我们把它应用于不同的 场合。现在广为应用的自适应滤波方法主要是基于以下几种基本理论,再融合递 推算法导出来的: (1)基于维纳滤波理论的方法 维纳滤波是在最小均方误差准则下通过求解维纳霍夫方程来解决线性最 优滤波问题的。基于维纳滤波原理,我们利用相关的瞬时值通过在工作过程中的 逐步调整参数逼近信号的统计特性,实现最优滤波。由此,我们得到一种最常用 的算法—最小均方算法,简称LMS算法。 (2)基于卡尔曼滤波理论的方法 卡尔曼滤波是线性无偏最小方差滤波递推滤波,它能使滤波器工作在平稳的 或非平稳的环境,得到最优解。利用卡尔曼滤波理论的递推求解法导出自适应滤 波器更新权矢量得不同递推算法。比LMS算法有极快的收敛速率,可是计算复 杂度也增大∫,它需要计算卡尔曼矩阵。 (3)基于最小二乘准则的方法 维纳滤波和卡尔曼滤波推导的算法是基于统计概念的,而最小二乘佔计算法 是以最小误差平方和为优化目标的。根据滤波器的实现结构,有以下3种不同的 最小二乘自适应滤波算法:自适应递归最小二乘法(RLS),自适应最小二乘格 型算法,QR分解最小二乘算法。 (4)基于神经网络理论的方法 神经网络是有大量的神经元相互连接而成的网络系统,实质上它是一个高度 非线性的动力学网络系统,这个系统具有很强的自适应、自学习、自组织能力, 以及巨量并行性、容错性和坚韧性,因而,它可以做很多传统的信号和信息处理 技术所不能做的事情。因其超强的自动调节能力,使符它在自适应信号处理方面 有着广阔的前景[2] 在一系列的自适应算法中,虽然基于后面3种基本理论的方法在收敛速率和 稳定、坚韧性方面有着更好的性能,但是,基于维纳滤波理论的IMS算法因其 算法简单,而且能达到满意的性能,得到了青睐,成为了应用最广泛的自适应算 法。 为此,本文主要研究LMS自适应滤波器在图像去噪方面的应用。 2理论基础 21基本自适应滤波器的模块结构 自适应滤波器通常由两部分构成,其一是滤波子系统,根据它所要处理的功 能而往往有同的结构形式。另一是自适应算法部分,用来调整滤波子系统结构 的参数,或滤波系数。在自适应调整滤波系数的过程中,有不同的准则和算法 算法是指调整自适应滤波系数的步骤,以达到在所描述的准则下的误差最小化。 自适应滤波器含有两个过程,即自适应过程和滤波过程。前一过程的基本目标是 词节滤波系数"(),使得有意义的目标函数或代价函数()最小化,滤波器输 出信号y()逐步逼近所期望的参考信号4k),由两者之间的误差信号(k)驱动某 种算法对滤波系数进行调整,使得滤波器处于最佳工作状态以实现滤波过程。所 以自适应过程是一个闭合的反馈环,算法决定了这个闭合环路的自适应过程所需 要的时间。但是,由于目标函数)是输入信号(k),参考信号(k)及输出信号 y(k)的函数,即20=ack,.y,因此目标函数必须具有以下两个性质 (1)非负性 g (=8[x(k), d(k), y(k] 20 Vx(), u(k), y(k) (2.1) (2)最佳性 E()=E[x(k),d(k),y(k)]=0 (22 在自适应过程中,自适应算法逐步使目标函数(最小化,最终使()逼近 于(),滤波参数或权系数()收敛于",这里"是自适应滤波系数的最优 解即维纳解。因此,自适应过程也是自适应滤波器的最佳线性估计的过程,既要 估计滤波器能实现期望信号()的整个过程,又要估计滤波权系数以进行有利于 主要目标方向的调整。这些估计过程是以连续的时变形式进行的,这就是自适应 滤波器需要有的自适应收敛过程。如何缩短自适应收敛过程所需要的收敛时间, 这个与算法和结构有关的问题时人们一直重视研究的问题之—[2]。 当然滤波子系统在整个自适应滤波器的设计中也占有很重要的地位,因为它 对最终的滤波性能有很大的影响。本文要研究的是基于维纳滤波原理的LMS算 法,那么下面我们需要介绍一下基本维纳滤波原理。 22基本维纳滤波原理 基本维纳滤波就是用来解决从噪声中提取信号问题的一种过滤(或滤波)方 法。它基于平稳随机过程模型,且假设退化模型为线性空间不变系统的。实际上 这种线性滤波间题,可以看成是种估计问题或种线性佔计问题。基本的维纳 滤波是根据全部过去的和当前的观察数据来估计信号的当前值,它的解是以均方 误差最小条件下所得到的系统的传递函数万(3)或单位样本响应h(k)的形式给出 的,因此更常称这种系统为最住线性过滤器或滤波器。设计维纳滤波器的过程就 是寻求在最小均方误差下滤波器的单位样本响应h(k)或传递函数h(x)的表达 式,其实质是解维纳-霍大( Wiener-Hopf方程。 基木维纳滤波器是这样的,有两个信号x(k)和y(k)同时加在滤波器上。典型 地y(k)包含一个与x(k)相关地分量和另一个与x(k)个相关地分量。维纳滤波器则 产生y(k)中与x(k)相关分量地最优估计,再从y(k)中减去它就得到ε(k)。 y(k ak)输出 rk) 维纳德波 n=∑v(D)x(k-) f=0 图21基本维纳滤被模型 假定一个N个系数(权值)的FR滤波器的结构,维纳滤波和原始信号y(k) 之间的差信号c(k)为 ek= yk-nk=ye ∑w(i)x (23) 其中和w分别为输入信号矢量和权矢量,由下式确定 (24) k-N-1) H(N-1) 误差平方为 2Y, x,w+w x.x,w 对(3)式两边取期望得到均方误差(MSE),若输入x(k)与输出yk)是联 合平稳的,则 ELel =Ely,-2ELYXiwItElwx, x, w 2.6 2P 其中E[代表期望,=Ex是(k)的方差,P=E[yx1是长度为N地互 相关矢量,R=Exx是NxN的自相矩阵。一个MSE滤波系数的图形是碗 形地,且只有唯一地底部,这个图称为性能曲面,它是非负的。性能曲面地梯度 可由下式给出 2P+2R (2.7) Y trim 图22误差性能曲面 每组系数w(i)(i=1,2,N-1)对应曲面是一点,在由面是地最小点梯度为0 滤波权矢量达到最优”呷 R P (28) 即著名的维纳霍夫方稈的解。自适应滤波地仟条是采用合适的算法来调节 滤波权重W,0)W,1),…W,N-1),从而找到性能曲面地最优点 维纳滤波的实际用途有限,因为: (1)它需要已知自相关矩阵R和可相关矢量P,这两个量通常是未知的。 (2)它包含∫矩阵的求逆,非常的耗时 3)若信号为非平稳的,则R和P是时变的,导致必需重复计算。 对于实际的应用需要一种能够依次加入地抽样点而得到"的算法。自适应 算法就就是用于达到这个目的,而且不需显式计算R和P或进行矩阵求逆[3] 3自适应滤波原理及算法 在实际应用中常常会遇到这样的情况:随机信号的统计特性是未知的,或者 信号的统计特性是缓慢的变化着的(非≯稳信号),这就促使人们去研究一类特 殊的滤波器,这类滤波器具有以下特点:当输入过程的统计特性未知时,或者输 入过程的统计特性变化时,能够相应的调整自身的参数,以满足某种准则的要求, 由于这类滤波器能变动自身的参数以“适应”输入过程统计特性的估计或变化,因 此,就把这类滤波器称为自适应滤波器41。在本文中我们研究的是退化图像复 原的问题,由于图像自身的多样性和所混入的噪声的随机性和多样性,我们选择 自适应滤波取出图像中混入的噪声。 3.1横向滤波结构的最陡下降算法 3.11最陡下降算法的原理 首先考虑如下图所示的横向FIR自适应滤波器 x(k-1 k-2) x、-M+2) xR-M+l) e 自适应控制算法 1 图31自适应横向滤波器结构 它的输入序列以向量的形式记为 X(k)=[x(k)x(k-1) (k-M+1) (3.1 假设x()取自一均值为零,自相关矩阵为R的广义平稳随机过程,而滤波 器的系数矢量(加权矢量)为: k)=[w,(k)w2(k) (32) 以上二式中括号内的k为时间指数,因此,X()和W()分别表示时刻k的 滤波器输入序列和加权值,滤波器的输山y(k)为: y(k)=∑w(n)x(n-t+1) 33) 式中M为滤波器的长度。 图31中的“k称为“期望理想响应信号”,有时也可称为“训练信号”,它决 定了设计最佳滤波器加权向量W(k)的取值方向。在实际应用中,通常用一路参 考信号来作为期望响应信号。(k)是滤波器输出y(k)相对于a(k)的误差,即 e(k)=d(k)-v(h) (34) 显然,自适应滤波控制机理是用误差序列(k按照某种准则和算法对其系数 w)n),=1.2…,M进行调节的,最终使自适应滤波的目标(代价)函数最小化, 达到最佳滤波状态。 按照均方误差(MSE)准则所定义得目标函数是 E(h)=Ele() (35) eId()-2d(k)y(k)+y(k) 将式(3.4)代入式(3.5),目标函数可以化为 c(k)=Ele(k) (3.6) E[d(k)]-2Eld(kw(k)x(k]+ elw(kX(eX(s)w(k) 当滤波系数固定时,目标函数又可以写为 c(k=[d(k]-2W(k)P+W(k)RW (k) (3.7) 其中,P-趴是长度为N的期望信号与输入信号的互相关矢量, R=Exx是Nx的输入向量得自相关矩阵。 由式(37)可见,自适应滤波器的目标函数()是延迟线抽头系数(加权 或滤波系数)的二次函数。当矩阵R和矢量P已知时,可以由权矢量W(k)直接 求其解。现在我们将式(3.7)对W求倒数,并令其等于零,同时假设R是非奇 异的,由此可以得到目标函数最小的最佳滤波系数w为 R P (38) 【实例截图】
【核心代码】