基于高斯混合模型的稀疏射频层析成像方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112967353A(43)申请公布日2021.06.15(21)申请号202110360892.6(22)申请日2021.04.02(71)申请人福州大学地址350108福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学(72)发明人钱慧陈海涛林荔琳林楠(74)专利代理机构福州元创专利商标代理有限公司35100代理人陈鼎桂蔡学俊(51)Int.Cl.G06T11/00(2006.01)G06N3/08(2006.01)G06F17/18(2006.01)权利要求书2页说明书6页附图3页(54)发明名称基于高斯混合模型的稀疏射频层析成像方法(57)摘要本发明涉及一种基于高斯混合模型的稀疏射频层析成像方法，包括以下步骤：步骤S1:获取无目标情况下的无线链路RSS值，并建立基于GMM的环境背景链路模型；步骤S2:采集的实时RSS数据与建立的环境背景链路模型进行匹配,保留有效链路，滤除冗余链路；步骤S3:根据观测背景区域的随机特性，通过基于GMM的先验模型对重构图像进行学习和训练，获取图像的结构特征参数，并基于GMM先验的贝叶斯压缩感知算法进行图像重构，获得重构图像;步骤S4:采用基于MRF先验的图像恢复方法，利用压缩的空间图像对重构图像进行恢复。本发明方法能有效降低背景的变化带来的干扰，减小重构图像的噪声，提高系统成像质量。CN112967353ACN112967353A权利要求书1/2页1.一种基于高斯混合模型的稀疏射频层析成像方法，其特征在于，包括以下步骤：步骤S1:获取无目标情况下的无线链路RSS值，并建立基于GMM的环境背景链路模型；步骤S2:采集的实时RSS数据与建立的环境背景链路模型进行匹配,保留有效链路，滤除冗余链路；步骤S3:根据观测背景区域的随机特性，通过基于GMM的先验模型对重构图像进行学习和训练，获取图像的结构特征参数，并基于GMM先验的贝叶斯压缩感知算法进行图像重构，获得重构图像；步骤S4:采用基于MRF先验的图像恢复方法，利用压缩的空间图像对重构图像进行恢复。2.根据权利要求1所述的基于高斯混合模型的稀疏射频层析成像方法，其特征在于，所述步骤S1具体为：步骤S11:构建无线传感器节点实现免携带设备定位系统；步骤S12:在观测区域无人情况下测量得到RSS值；步骤S13:对无目标情况下测量得到的无线链路RSS值建立基于GMM的环境背景链路模型。3.根据权利要求2所述的基于高斯混合模型的稀疏射频层析成像方法，其特征在于，所述无线传感器节点实现免携带设备定位系统具体为在观测区域四周部署多个传感器节点，节点两两之间组成双向无线链路，通过发送和接收射频信号进行通信，由节点与无线链路构成的通信网络对观测区域进行扫描,系统模型表示为:y＝W·x+n(1)上式中，y表示RSS测量值向量，W是和体素衰减相关的权重矩阵，x为重构图像，n则代表系统噪声。4.根据权利要求3所述的基于高斯混合模型的稀疏射频层析成像方法，其特征在于，所述权重W采用的模型为椭圆模型：其中，d为链路两端节点之间的距离，di,j(1)和di,j(2)分别是像素的中心到两节点的距离，λ是描述椭圆宽度的可调参数。5.根据权利要求2所述的基于高斯混合模型的稀疏射频层析成像方法，其特征在于，所述基于GMM的环境背景链路模型如下：其中，yn是数据测量值，C表示高斯分布的个数，λc为每个高斯分布对应的权重。N(yn|uc,Σc)表示高斯分布的概率密度函数；N(yn|uc,Σc)表示高斯分布的概率密度函数。6.根据权利要求1所述的基于高斯混合模型的稀疏射频层析成像方法，其特征在于，所述步骤S3具体为：步骤S31:根据观测背景区域的随机特性，通过基于GMM的先验模型对重构图像进行学2CN112967353A权利要求书2/2页习和训练，获取图像的结构特征参数λ'p,k，μ'p,k，∑'p,k；步骤S32:将有效链路yb作为输入，根据基于GMM先验的贝叶斯压缩感知算法进行图像重构，获得重构图像fp。7.根据权利要求6所述的基于高斯混合模型的稀疏射频层析成像方法，其特征在于，所述步骤S32具体为：设fp服从GMM：其中，p表示像素点个数，λp,k，up,k和Σp,k分别表示对应体素p的第k个高斯分布的权重、均值和方差；对重构的图像信号建立GMM模型，作为贝叶斯估计的后验概率：利用条件期望估计出重构图像fp，其中对应的权重、均值和方差的表达式如下：8.根据权利要求1所述的基于高斯混合模型的稀疏射频层析成像方法，其特征在于，所述步骤S4具体为：步骤S41:利用MRF对重构图像的稀疏系数进行先验学习，利用像素点的相关性构建基于MRF的先验模型，并采用Metropolis算法对基于MRF的先验模型进行最优问