当前位置：首页 > news >正文

基于极大似然估计的Gm-APD信号提取算法2025.7.8

news 2025/7/9 5:13:15

基于极大似然估计算法的二维64x64分辨率的Gm-APD信号提取算法，需结合Gm-APD的探测特性、极大似然估计（MLE）的原理以及二维阵列信号处理的需求。以下从核心概念、算法框架、关键步骤及优化方向展开说明：
在这里插入图片描述

一、核心概念解析

Gm-APD的特性
Gm-APD（盖革模式雪崩光电二极管）是一种单光子级灵敏度的探测器，可用于微光成像、激光雷达（LiDAR）等场景。其探测过程存在显著噪声：
- 暗计数：无光照时因热激发产生的虚假脉冲；
- 后脉冲：雪崩后残留电荷导致的延迟虚假脉冲；
- 背景光：环境光引入的干扰光子。
  因此，信号提取需从“信号光子+噪声”的混合事件中分离出真实信号。
二维64x64分辨率
指探测器为64×64像素的阵列，每个像素对应一个Gm-APD单元，输出为该像素的光子事件数据（如计数或时间戳）。目标是从4096个像素的观测数据中重建二维信号强度分布。
极大似然估计（MLE）
一种参数估计方法：通过构建“观测数据在给定信号参数下的概率（似然函数）”，找到使该概率最大的参数值（即信号的最优估计）。其核心思想是“让观测数据最可能发生”。

二、算法框架设计

算法的核心是基于Gm-APD的信号与噪声模型构建似然函数，通过MLE估计二维信号分布，整体框架如下：

原始数据（事件时间戳/计数）→ 预处理 → 噪声参数估计 → 构建似然函数 → MLE优化求解 → 信号后处理 → 输出64x64信号图像

三、关键步骤详解

1. 数据预处理：将原始事件转换为观测值

Gm-APD输出的是“光子到达时间戳”（如激光雷达中每个像素的脉冲触发时刻），需先转换为二维阵列的可处理数据：

对64x64阵列的每个像素 $(i, j)$ ，统计有效时间窗口内的事件数（如激光发射后目标反射光的预期时间范围），记为观测值 $y_{i,j}$ （即该像素的总计数，含信号和噪声）。
目的：过滤掉明显超出信号时间范围的噪声（如背景光的随机事件），简化后续处理。

2. 噪声模型与参数估计

需先明确噪声的分布特性，为MLE提供基础。Gm-APD的噪声（暗计数、后脉冲）可近似为泊松过程（事件独立且稀有），即噪声计数 $n_{i,j}$ 服从参数为 $λi,j\lambda_{i,j}$ （噪声平均计数）的泊松分布：
$P(ni,j=k)=e−λi,jλi,jkk!P(n_{i,j} = k) = \frac{e^{-\lambda_{i,j}} \lambda_{i,j}^k}{k!}$

噪声参数 $λi,j\lambda_{i,j}$ 的估计：在无信号区域（如图像背景），假设信号 $s_{i,j}=0$ ，此时观测值 $yi,j≈ni,jy_{i,j} \approx n_{i,j}$ ，通过MLE估计 $λi,j\lambda_{i,j}$ ：
对数似然函数为 $ln⁡L(λ)=∑i,j[−λi,j+yi,jln⁡λi,j]\ln L(\lambda) = \sum_{i,j} \left[ -λ_{i,j} + y_{i,j} \ln \lambda_{i,j} \right]$ ，求导得 $λ^i,j=yˉi,j\hat{\lambda}_{i,j} = \bar{y}_{i,j}$ （背景区域的平均计数）。

3. 信号模型与似然函数构建

假设信号光子计数 $s_{i,j}$ 为非负变量（信号强度），且信号与噪声独立，则像素 $(i, j)$ 的总观测值 $y_{i,j} = s_{i,j} + n_{i,j}$ （计数叠加）。因信号光子同样服从泊松分布，总计数 $y_{i,j}$ 的条件分布为：
$P(yi,j∣si,j)=e−(si,j+λi,j)(si,j+λi,j)yi,jyi,j!P(y_{i,j} | s_{i,j}) = \frac{e^{-(s_{i,j} + \lambda_{i,j})} (s_{i,j} + \lambda_{i,j})^{y_{i,j}}}{y_{i,j}!}$

由于各像素独立，联合对数似然函数为：
$ln⁡L(s)=∑i,j[−(si,j+λi,j)+yi,jln⁡(si,j+λi,j)]\ln L(s) = \sum_{i,j} \left[ -(s_{i,j} + \lambda_{i,j}) + y_{i,j} \ln(s_{i,j} + \lambda_{i,j}) \right]$
（忽略常数项 $ln(y_{i,j}!)$ ，不影响最大化）。

4. MLE求解：信号 $s_{i,j}$ 的估计

目标是找到使 $ln⁡L(s)\ln L(s)$ 最大的 $s_{i,j}$ ，需满足 $si,j≥0s_{i,j} \geq 0$ （信号非负）。

解析解：对 $ln⁡L(s)\ln L(s)$ 求偏导并令其为0：
$si,j+λi,j=yi,j\frac{\partial \ln L}{\partial s_{i,j}} = -1 + \frac{y_{i,j}}{s_{i,j} + \lambda_{i,j}} = 0 \implies s_{i,j} + \lambda_{i,j} = y_{i,j}$
结合非负约束，得估计值：
$s^i,j=max⁡(yi,j−λi,j,0)\hat{s}_{i,j} = \max(y_{i,j} - \lambda_{i,j}, 0)$
改进：引入空间相关性
实际信号（如目标图像）具有空间连续性（相邻像素信号相似），而上述解析解未考虑，可能保留噪声。因此需加入正则化项（如总变差TV正则化），形成 penalized MLE：
$max⁡ln⁡L(s)−β⋅Ω(s)\max \ln L(s) - \beta \cdot \Omega(s)$
其中 $Ω(s)=∑i,j(∇xsi,j)2+(∇ysi,j)2\Omega(s) = \sum_{i,j} \sqrt{(\nabla_x s_{i,j})^2 + (\nabla_y s_{i,j})^2}$ （度量空间变化率， $β\beta$ 为正则化参数），可通过梯度下降法迭代求解。