文 | 中史华纳

编辑 | 中史华纳

仿生偏振导航是受自然界生物导向行为启发的研究领域，如沙漠蚂蚁、候鸟和昆虫，它们能够利用偏振光进行导航，这一领域在无人机导航中引发广泛兴趣。

最新研究表明，偏振天光的偏振角（AoP）分布具有卓越的抗干扰性和鲁棒性，提供了无人机导航所需的可靠信息。

仿生偏振光罗盘用于实时计算航向角，相较于传统导航方法，如GPS或INS，它具有稳定性和自主性的优势，噪声问题仍然是该技术面临的挑战，因此提高精度仍然是一个关键目标。

01

噪声分析

对偏振光罗盘噪声分量的全面分析对于提高无人机导航中输出航向信息的精确性至关重要，目前，现有的航向角计算方法通常过于简化，假设噪声可以忽略或噪声源数量较少，这会导致航向测量的精度急剧下降。

为了解决这些问题，并在引入新颖的去噪架构之前，我们需要深入研究偏振光罗盘中的各种噪声来源和它们对航向数据的贡献。

光子散粒噪声是由于光的固有量子性质和入射光子计数的不确定性而产生的，这种噪声源不可避免，因为它与光的性质有关。

随着彩色偏振传感器技术的进步，像素尺寸不断减小，但仍然存在异步响应，导致光响应不均匀性噪声，这种噪声源与曝光时间和时间不变元素相关，导致不同像素产生暗电流不均匀性，称为暗电流散粒噪声。

罗盘电路设计本身也会引入噪声，包括读出电子器件热噪声、低频闪烁噪声（称为1/f噪声）、随机电报信号噪声以及行和列噪声，这些噪声源显著增加了系统的噪声水平。

在罗盘系统中，模数信号转换会引入高水平的量化噪声，这种噪声类型存在于偏振光罗盘输出的航向数据中。

行噪声包含时间和固定偏移成分，来源于所有给定像素行的重置释放，固定成分通常可以通过重新配置颜色来消除，而时间成分则会影响罗盘数据，列噪声由于采样保持电容器的复位以及列放大器与偏振光罗盘的垂直线之间的不匹配而产生。

全面分析偏振光罗盘中的噪声成分对于优化航向数据和提高导航精确性至关重要，这种分析将有助于开发更精确的航向角计算方法，从而在无人机导航和其他应用中实现更高的精度和可靠性。

02

提出的 MST 去噪方案

尽管有多种图像和数据去噪方法可供选择，但我们要特别关注一种新颖的 MST去噪方案，因为它在抑制偏振光罗盘高度复杂的噪声方面表现出更高的效率。

具体而言，采用了基于 BEMD的 MS-PCA图像去噪方法，直接应用于 AoP图像，因为它能够将噪声图像分解为不同的 IMF，并消除与这些 IMF 不同尺度相关的噪声。

为了提高根据去噪图像计算的航向角的准确性，我们还采用了 MS-TFPF方法来处理偏振光罗盘输出的航向角数据，这一方法中，使用 EEMD方法将噪声数据划分为不同的 IMF，并采用相应的 TFPF 方法来消除每个细分 IMF 中的噪声。

在实际应用中，由偏振相机获取的 AoP 图像常常受到各种类型噪声的严重影响，这不仅会降低 AoP 图像质量，还可能导致偏振信息的错误重建。

如何有效地消除 AoP 图像中的噪声成为一个关键问题，在这项研究中，我们提出了一种基于 BEMD 的 MS-PCA 方法，直接应用于 AoP 图像以降低噪声水平。

BEMD 通过将噪声 AoP 图像分解为一系列不同频率的 IMF，然后利用一维图像熵（1D-IE）对它们进行分类，高频 IMF 具有重要的信息，因为它们包含了太阳子午线等重要信息。

PCA 基于主成分的贡献率对每个包含重要信息的高频 IMF 进行去噪处理，而其他 IMF 直接被丢弃，最终我们通过重构过程获得了去噪后的 AoP 图像。

这一方法的应用有望显著提高偏振光罗盘输出数据的质量和精确性，从而在导航和其他应用中提供更可靠的航向信息。

03

实验装置

在进行静态、旋转和无人机实验时，使用了自制的偏振光指南针，这个指南针结合了 IMX250MZR 偏振相机和 Nvidia Jetson TX2 嵌入式处理单元，后者设置在 TBR100 三轴转台上，用于静态和旋转情况下的数据采集。

无人机飞行测试装置包括了一个参考系统，带有光纤陀螺惯导系统、GNSS 接收器、偏振光指南针以及无人机本身。

真实的 AoP 图像是通过偏振相机直接捕获的，而航向角数据则不仅通过旋转转盘设置进行采集，还通过无人机实验设备通过偏振光指南针收集。

为了验证我们提出的 MS-PCA 图像去噪方案的有效性，首先我们使用 BEMD 将从偏振光指南针获取的原始噪声 AoP 图像分解为 10 个 IMF，它们分别是 IMF1、IMF2、IMF3、...、IMF10，还有一个残差分量。

将 BEMD 的关键参数设置为 11，以获得完整的分解结果，很明显，太阳子午线信息在 IMF1 中更为丰富，相比之下，IMF2 包含的信息较少，随后的 IMF 信息逐渐减少，一直到残差分量。

为了有效地使用一维图像熵（1D-IE）对分解得到的 IMF 和残差分量进行分类，我们首先计算了每个分解的 IMF 和残差分量的 1D-IE 值。

通过区间相似度的方法确定了 IMF 的 1D-IE 值之间的相似性，根据这种变化规律，将 IMF 序列分类为 S-IMF，最后对 S-IMF 的每个尺度 IMF 应用了基于 PCA 的去噪方法，并丢弃了 NS-IMF。

通过比较各种算法在静态测试中去噪前后 AoP 图像的平均梯度（MG）和标准差（SD）来评估其性能。

较大的 MG 表明图像更清晰，而较小的 SD 意味着平均值与相应的 AoP 图像之间存在较小的差异，结果表明与现有技术相比我们提出的 MS-PCA 去噪算法在消除航向角噪声方面表现出最佳性能。

通常情况下，信噪比（SNR）是一种用于估计图像去噪效果的经典准则，但由于我们的图像和数据是真实的，所以无法使用 SNR 指标来准确评估 MST 方法的性能。

在这种情况下，我们使用了 MG 和 SD 这两个参数来估计图像去噪方法的性能，这在我们的实验中得到了令人满意的结果。

03

旋转实验与比较

研究团队进行了一系列实验，旨在比较和分析不同的数据去噪算法对航向角数据的效果，其中，室外旋转实验是在日落时分（15:30至17:00）在大学校园内进行的，使用了放置在操场上的三轴转盘。

实验结果表明，在旋转实验中，真实的航向角信号几乎完全被偏振光罗盘的噪声所掩盖，因此，抑制噪声以增强真实信号的重要性变得不言而喻。

使用 EEMD先将输出的航向角数据分解为七个均值 IMF和一个残差分量，EEMD 的参数设置包括均方误差和总平均次数，分别设置为0.3和300，通常的处理方式是使用七个滤波器处理每个分解的 IMF，但这会导致高计算负载。

为了提高计算效率，同时不影响后续处理，对每个均值 IMF 进行了SE计算，SE 值的相似性用于将 IMF 分为三个部分，即 LFT-C、HC 和 HFN-C。

接下来，采用自适应 TFPT 阈值选择方法，对 HC 使用长窗 TFPT 进行去噪，以有效降低噪声。

LFT-C 则采用短窗 TFPT 以保留有效信号，并且 HFN-C 直接被消除，最后对去噪后的 HC 和 LFT-C 进行了重构，得到了最终的去噪后的航向角信号。

为了进一步验证提出的 MS-TFPF方法的有效性，另一组航向角数据和误差信号被静态实验获取，这些数据采集时，偏振光罗盘安装在静止的三轴转台上，以确保 MS-TFPF 的输出信号不受任何移动的干扰。

通过对 MS-TFPF 去噪后的航向角和航向误差数据进行分析，与其他数据去噪方法的比较表明，长窗 TFPT 用于 HC 和短窗 TFPT 用于 LFT-C 具有明显的航向误差减小趋势，表明 MS-TFPF 在去噪方面表现出色。

04

MS-PCA的计算时间和复杂度分析

为了对提出的 MS-PCA算法进行全面评估，研究团队进行了计算时间和空间复杂度的分析，在分析过程中，假设所有算子的计算时间相同，并且计算复杂度的估算仅涉及性能和硬件运行方面。

为了估算复杂度，需要考虑各种算子的性能，其中包括加法（ADD）、减法（SUB）、乘法（MUL）、定义（DEF）、比较（CMP）和除法（DIV）。

在这个分析中，S 代表输入信号的长度，K 代表分解的组件数量，而 N 代表最大循环和迭代次数，需要强调的是，MS-PCA 算法基于包络分析和筛选过程的开发，因此每个过程的时间和空间复杂度都有详细的计算。

结论

在研究中，为了提高无人机导航的精度并减少偏振光罗盘的航向误差，首次提出了一种新颖的多尺度变换去噪方法。

该方法不仅对多尺度主成分分析去噪感兴趣直接应用于消除偏振图像角度噪声的算法，也是根据偏振图像去噪角度计算的航向角数据的多尺度时频峰值滤波数据去噪算法，还对偏振光罗盘噪声成分进行了综合分析。

进行了静态、旋转和无人机飞行实验，验证了所提出的基于多尺度变换的综合去噪方法的有效性。

实验结果表明，与现有技术相比，多尺度变换去噪方法能够通过抑制偏振光罗盘的图像和数据噪声，有效提高无人机导航的精度。

未来随着硬件技术的发展，将所提出的角度偏振图像去噪算法和数据去噪算法移植到偏振光罗盘中时，所提出的多尺度变换去噪方法可以在实际应用中得到应用。