[发明专利]基于探地雷达双曲波拟合的地下目标检测方法及系统

说明书

本公开公开了基于探地雷达双曲波拟合的地下目标检测方法及系统，包括：获取探地雷达GPR图像；对GPR图像进行超像素分割，获得一张包含若干个区域的超像素分割图像；每个区域被称为超像素块；每个超像素块的所有点的像素均等于当前超像素块中心点的像素；对超像素分割图像进行感兴趣区域提取，提取出若干个感兴趣区域；对每个感兴趣区域进行图像二值化处理，得到二值化图像；从二值化图像中提取骨骼区域；从骨骼区域中提取双曲波；根据双曲波的波形、振幅强度和时间变化特性，进行地下目标检测。

技术领域

本公开涉及地下目标检测技术领域，特别是涉及基于探地雷达双曲波拟合的地下目标检测方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

GPR图像中双曲波的识别和拟合是非常困难的。探地雷达(GPR)作为一种基于高频电磁波的无损探测设备，当电磁波在地下介质传播时，遇到地下目标的电性差异分界面时会产生双曲线形状的反射线，称为双曲波。通过双曲波的波形、振幅强度和时间变化等特性可以推断出地下目标的空间位置、结构、形态和埋藏深度等重要信息。因此这对于理解地下目标的特点具有重要的指示作用。但是由于系统噪声和地下介质的不均匀性，会导致生成的图像非常复杂，因此实时对GPR图像提取和拟合双曲波是很有必要的。

在以前识别、拟合双曲波的方法当中，大致上可以分为非机器学习的数学计算方法和通过机器学习的计算方法以及混合算法。非机器的数学计算方法指的是根据双曲波区域与其他区域的特征不同加以区分的，而通过机器学习的计算方法则是通过含双曲波的正样本和含非双曲波的负样本进行训练，最后缩小包括双曲波所在的区域，进而选取出合理的区域进行的。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

现有技术中有使用了基广义于hough变换的方法，但是非常耗时且参数要求高，因为hough变换需要在四维空间中进行，并且hough变换的精度取决于参数的离散化；现有技术中有使用了最小二乘法，但最小二乘法可以看做是广义霍夫变换的延伸，因此没有很大改观。Chen和Cohn等人提出了C3序列，进行了水平方向的扫描，然后通过序列判断，却没有考虑双曲线的几何特征。Collins L M和Torrione PA等人提出了一种关键点的提取的思想。M.Fritze等人首先对GPR图像使用了边缘适应算法，但该算法对GPR图像的纯净度有一定的要求，因此该算法值适用于噪声小的GPR图像。现有技术中有检测到双曲线的顶点，但丢失了相关双曲线的其他参数。然而这对于识别物体的其他性质是必不可少的。zhou，chen等人提出了一种向下开口列段的方法。首先对GPR图像计算了y方向上的梯度，然后进行一系列优化后寻找了向下开口的特征列段，然后进行了判断和识别。

现有技术中有使用了基于机器学习的方法。做法是将双曲波样本进行特征提取，然后结合机器学习技术，从而缩小了双曲波所在的区域，然后应用拟合方法来找到双曲波的参数，从而判断GPR图像中含有波形的位置是否存在威胁，但是结果取决于训练数据的质量和数量。

发明内容

为了解决现有技术的不足，本公开提供了基于探地雷达双曲波拟合的地下目标检测方法及系统；

第一方面，本公开提供了基于探地雷达双曲波拟合的地下目标检测方法；

基于探地雷达双曲波拟合的地下目标检测方法，包括：

获取探地雷达GPR图像；

对GPR图像进行超像素分割，获得一张包含若干个区域的超像素分割图像；每个区域被称为超像素块；每个超像素块的所有点的像素均等于当前超像素块中心点的像素；

对超像素分割图像进行感兴趣区域提取，提取出若干个感兴趣区域；对每个感兴趣区域进行图像二值化处理，得到二值化图像；

从二值化图像中提取骨骼区域；