一种图像处理的信号防干扰系统的制作方法

1.本发明属于抗干扰技术领域，尤其涉及一种图像处理的信号防干扰系统。


背景技术：

2.在多媒体音视频信号采集、处理、传输中，抗干扰一直是众多集成商、开发商等主要的攻破对象。在使用视频采集卡采集视频信号，视频经过采集和压缩后，还需要传输到指定的主机，一般情况下采用设备自带的连接线就足够。不过在一些特定的行业领域在视频传输的距离较长，在视频传输和采集中经常会遇到一些信号干扰现象，致使传输的信号受到波动、干扰等，在监视器上会看到不规则的细线由上至下滚动，使采集到的视频出现失帧模糊等现象。
3.目前在视频或者图像通信过程中，一般采用信号干扰设备进行抗干扰，通过分离布线将强电输电线和信号线进行分开设置，减小电磁辐射干扰。目前军事上抗干扰方式还有转发式干扰，接收到通信讯号之后，经过一定处理在发送出去，但那时此种方法局限性较大，需要先接收到信号在进行处理进行干扰，难度较大；随着数字信息处理技术、自适应技术、跳帧技术以及高速数据传输的发展，抗干扰已经从固态干扰发展为动态干扰，给通信领域带来更大的挑战。
4.中国专利申请201410024070.0公开了一种多媒体广播移动信号抗干扰成帧调制方法，是一种时域频域混合的成帧调制方案。本发明的多媒体广播移动信号抗干扰成帧调制方法的比特交织编码调制、训练序列优化设计、信号生成模式和信号选取方法。上述现有技术中，针对传统的通信方式有效果，但是对于目前的高速数据传输的动态干扰信号，抗干扰能力较弱。


技术实现要素：

5.针对现有技术不足，本发明的目的在于提供一种图像处理的信号防干扰系统，通过采用深度学习算法与干扰信号特征提取，对干扰信号特征进行干扰估计和干扰抑制，提升抗干扰能力，降低误码率，保证图像信号远距离传输的抗衰能力，提升信号传输质量。
6.本发明提供如下技术方案：一种图像处理的信号防干扰系统，包括信号发送端、抗干扰模块、信号接收端；所述信号发送端发送的用于图像处理的信号经过抗干扰模块的处理，再由信号接收端进行接收，将图像处理信号进行抗干扰处理；所述信号发送端包括源信号模块、信号调制模块、信号扩频模块；所述信号接收包括信号解扩模块、信号解调模块、误码率模块；所述抗干扰模块在发出端发出信号之后，先对接收到的信号进行预处理，之后对信号数据进行归纳整理，然后对与预处理之后的信号进行干扰学习估计处理，得到干扰估计之后，在其基础上将其从接收的信号中消除，达到干扰抑制的目的，处理过之后的数据在由接收端进行接收，用于后续处理；通过干扰模块与干扰数据库之间的数据交互实现图像处理信号在无线通讯中的信号干扰，优选的，所述抗干扰模块在收入端引用深度学习算法，
并进行干扰估计，深度学习处理的过程为：发送端发送的数据经过数据分割提取的预处理之后，接发送到抗干扰模块的中频滤波器，进行干扰类型识别，识别干扰类型之后将原输入信号送往不同的抗干扰接收算法网络进行信号特征提取学习与干扰抑制，学习网络输出与输入信号等长的干扰估计信号，将此信号从源输入信号中小区，得到抗干扰的信号。
7.优选的，所述干扰数据库是经过编码的数字信号，经过带通和低通处理分别得到的信号序列和干扰序列；分别保存中频滤波以及低通滤波的采样数据作为网络输入数据和干扰数据为网络标签，将其作为干扰数据集存储到干扰数据库中。
8.优选的，所述信号调制模块，在发出端发出图像处理信号之后，利用载波的四种不同相位表示数字信息，使每一种载波相位代表之代表两个比特信息得到，每个四进制码源使用两个二进制码元组合来表示。
9.优选的，所述信号调制模块对发出端发出图像处理信号进行扩频处理，发送端发送信号之后，在发送端信源输出信号与伪随机码产生器产生的伪随机码进行相乘，产生一个与伪随机码最率相同的扩频序列，之后对新的扩频序列进行载波调制，得到新的信号源发送往接收端。
10.优选的，所述接收端接收到信号之后，经过高放和混频之后，采用与发射端同步的伪随机序列对扩频调制信号通过信号解扩模块进行解扩，将信号的频带恢复为信息序列频带之后，通过信号解调模块进行解调，将图像处理信号进行恢复。
11.优选的，所述信号解调模块解调方法为：对解扩之后的图像处理信号的同相支路载波和正交支路载波均进采用相干方式解调，之后对解调出来的两路信号进行抽样判别，在进行并串转换处理，得到的并行数据恢复成串行数据，得到解调信号。
12.优选的，所述干扰数据库集齐了不同信噪比下的所有通讯样本序列，选取，信噪比区间为[0-8]db间隔为1db的1000条序列作为学习算法的训练集。本系统采用深度学习的基本架构结合卷积神经网络结合，将卷积神经网络网格结构表示为如下形式{l，f1,f2,
…
fl；n1,n2,
…
nl}上式中，l为卷积神经网络的网格层数，fl表示第l层卷积核尺寸，nl表示第l层卷积核深度。结合干扰学习方法的特征，本系统选用结构为{5；15,5,5,5,5,17；64,64,32}，网络层数为5，卷积核大小为{15*1*64}、{5*1*64}、{5*1*32}、{5*1*16}、{17*1*1}；偏差量b＝{64,64,32,32,16,1}。采用激活函数为f(x)＝max((),x)；在x轴的负半轴上，函数值为0，x轴正半轴函数值等于x。
[0013]
另外，所述干扰信号特征参数的提取方法为：s1，对发出端发出的信号进行平滑伪处理得到其矩阵d
m*n
；s2,找到d
m*n
每列最大值的坐标，其纵坐标构成列向量an，其横坐标构成行向量bn；s3,将an和bn转化为对应的时间-频率值，得到t(n)＝t(a(n))，f(n)＝f(b(n))；并且对其进行归一化处理，归一公式满足：t1(n)＝t(n)/f2；f1(n)＝f(n)/f2；上式中，f2为频率均值；t1(n)与f1(n)在视频关系图上构成的点连线即为信号曲线图；s4，采用最小二乘曲线对信号曲线进行拟合，若信号为线性信号，得到的系数矩阵为c＝[c0 c1]，c0为截距，c1为线性调频率，则可以确定频率方程满足：f＝c0+c1
·
t，f＝c0为信号起始频率，c1为信号频率。采用上述方法得实现干扰信号频率参数的提取，增加干扰信号判断的准确性，便于信号后续过程中的干扰估计和干扰抑制，将其消除，从而增加信号的抗干扰能力。
[0014]
与现有技术相比，本发明具有以下有益效果：(1)本发明一种图像处理的信号防干扰系统，通过采用深度学习算法与干扰信号
特征提取相结合，对信号特征进行干扰估计和干扰抑制，从而消除干扰信号，提升抗干扰能力，降低误码率，保证图像信号远距离传输的抗衰能力，提升信号传输质量。
[0015]
(2)本发明一种图像处理的信号防干扰系统，通过深度学习算法与干扰信号特征参数的提取相互结合，共同对图像处理信号进行干扰抑制，采用固态干扰和动态干扰相结合的方法，进一步提升了信号传输的抗干扰能力。
[0016]
(3)本发明一种图像处理的信号防干扰系统，通过对干扰信号频率参数的提取，提升干扰信号检测的精确性，准确的将其消除，便于信号后续过程中的干扰估计和干扰抑制，增加信号的抗干扰能力。
[0017]
(4)本发明一种图像处理的信号防干扰系统，通过对卷积网络与传统直扩干扰法相结合，作出改进，利用卷积网络具有的提取和学习的特征进行估计干扰，将干扰信号消除，通过采用深度学习提升抗干扰算法能力，利用计算性能与传统的扩频相互结合提升接收端的抗干扰能力。
附图说明
[0018]
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0019]
图1是本发明的系统框图。
[0020]
图2是本发明的抗干扰流程图。
[0021]
图3是本发明的抗干扰模块示意图。
[0022]
图4是本发明的抗干扰模块流程图。
具体实施方式
[0023]
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
[0024]
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
[0025]
实施例一：请参阅图1-2，一种图像处理的信号防干扰系统，包括信号发送端、抗干扰模块、信号接收端；所述信号发送端发送的用于图像处理的信号经过抗干扰模块的处理，再由信号接收端进行接收，将图像处理信号进行抗干扰处理；所述信号发送端包括源信号模块、信号调制模块、信号扩频模块；所述信号接收包括信号解扩模块、信号解调模块、误码率模块；所述干扰数据库是经过编码的数字信号，经过带通和低通处理分别得到的信号序
列和干扰序列；分别保存中频滤波以及低通滤波的采样数据作为网络输入数据和干扰数据为网络标签，将其作为干扰数据集存储到干扰数据库中。
[0026]
所述信号调制模块，在发出端发出图像处理信号之后，利用载波的四种不同相位表示数字信息，使每一种载波相位代表之代表两个比特信息得到，每个四进制码源使用两个二进制码元组合来表示。
[0027]
所述信号调制模块对发出端发出图像处理信号进行扩频处理，发送端发送信号之后，在发送端信源输出信号与伪随机码产生器产生的伪随机码进行相乘，产生一个与伪随机码最率相同的扩频序列，之后对新的扩频序列进行载波调制，得到新的信号源发送往接收端。
[0028]
所述接收端接收到信号之后，经过高放和混频之后，采用与发射端同步的伪随机序列对扩频调制信号通过信号解扩模块进行解扩，将信号的频带恢复为信息序列频带之后，通过信号解调模块进行解调，将图像处理信号进行恢复。
[0029]
所述信号解调模块解调方法为：对解扩之后的图像处理信号的同相支路载波和正交支路载波均进采用相干方式解调，之后对解调出来的两路信号进行抽样判别，在进行并串转换处理，得到的并行数据恢复成串行数据，得到解调信号。
[0030]
实施例二：请参阅图3-4，所述抗干扰模块在发出端发出信号之后，先对接收到的信号进行预处理，之后对信号数据进行归纳整理，然后对与预处理之后的信号进行干扰学习估计处理，得到干扰估计之后，在其基础上将其从接收的信号中消除，达到干扰抑制的目的，处理过之后的数据在由接收端进行接收，用于后续处理；通过干扰模块与干扰数据库之间的数据交互实现图像处理信号在无线通讯中的信号干扰，所述抗干扰模块在收入端引用深度学习算法，并进行干扰估计，深度学习处理的过程为：发送端发送的数据经过数据分割提取的预处理之后，接发送到抗干扰模块的中频滤波器，进行干扰类型识别，识别干扰类型之后将原输入信号送往不同的抗干扰接收算法网络进行信号特征提取学习与干扰抑制，学习网络输出与输入信号等长的干扰估计信号，将此信号从源输入信号中小区，得到抗干扰的信号。
[0031]
实施例三与实施例一和二不同之处在于，所述干扰数据库集齐了不同信噪比下的所有通讯样本序列，选取，信噪比区间为[0-8]db间隔为1db的1000条序列作为学习算法的训练集。本系统采用深度学习的基本架构结合卷积神经网络结合，将卷积神经网络网格结构表示为如下形式{l，f1,f2,
…
fl；n1,n2,
…
nl}上式中，l为卷积神经网络的网格层数，fl表示第l层卷积核尺寸，nl表示第l层卷积核深度。结合干扰学习方法的特征，本系统选用结构为{5；15,5,5,5,5,17；64,64,32}，网络层数为5，卷积核大小为{15*1*64}、{5*1*64}、{5*1*32}、{5*1*16}、{17*1*1}；偏差量b＝{64,64,32,32,16,1}。采用激活函数为f(x)＝max((),x)；在x轴的负半轴上，函数值为0，x轴正半轴函数值等于x。
[0032]
实施例四所述干扰信号特征参数的提取方法为：s1，对发出端发出的信号进行平滑伪处理得到其矩阵d
m*n
；s2,找到d
m*n
每列最大值的坐标，其纵坐标构成列向量an，其横坐标构成行向量bn；s3,将an和bn转化为对应的时间-频率值，得到t(n)＝t(a(n))，f(n)＝f(b(n))；并且
对其进行归一化处理，归一公式满足：t1(n)＝t(n)/f2；f1(n)＝f(n)/f2；上式中，f2为频率均值；t1(n)与f1(n)在视频关系图上构成的点连线即为信号曲线图；s4，采用最小二乘曲线对信号曲线进行拟合，若信号为线性信号，得到的系数矩阵为c＝[c0 c1]，c0为截距，c1为线性调频率，则可以确定频率方程满足：f＝c0+c1
·
t，f＝c0为信号起始频率，c1为信号频率。采用上述方法得实现干扰信号频率参数的提取，增加干扰信号判断的准确性，便于信号后续过程中的干扰估计和干扰抑制，将其消除，从而增加信号的抗干扰能力。
[0033]
通过上述技术方案得到的装置是一种图像处理的信号防干扰系统，通过采用深度学习算法与干扰信号特征提取相结合，对信号特征进行干扰估计和干扰抑制，从而消除干扰信号，提升抗干扰能力，降低误码率，保证图像信号远距离传输的抗衰能力，提升信号传输质量。通过深度学习算法与干扰信号特征参数的提取相互结合，共同对图像处理信号进行干扰抑制，采用固态干扰和动态干扰相结合的方法，进一步提升了信号传输的抗干扰能力。通过对干扰信号频率参数的提取，提升干扰信号检测的精确性，准确的将其消除，便于信号后续过程中的干扰估计和干扰抑制，增加信号的抗干扰能力。通过对卷积网络与传统直扩干扰法相结合，作出改进，利用卷积网络具有的提取和学习的特征进行估计干扰，将干扰信号消除，通过采用深度学习提升抗干扰算法能力，利用计算性能与传统的扩频相互结合提升接收端的抗干扰能力。
[0034]
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化；凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。