[发明专利]一种基于贝叶斯推理的GPR图像去噪方法及系统

说明书

本发明公开了一种基于贝叶斯推理的GPR图像去噪方法及系统，包括：选取设定的若干去噪模型，根据去噪模型、信号与噪声之间的关系构造贝叶斯网络；所述去噪模型、信号与噪声分别作为贝叶斯网络中的随机变量节点；计算贝叶斯网络中各随机变量节点的联合概率密度；对输入的待预测的GPR图像，贝叶斯网络通过联合树算法进行推理，计算出每一个像素点属于有效信号和噪声的后验概率，通过选择最大后验概率来实现GPR图像的信噪分离。本发明借助了贝叶斯网络融合多种去噪模型，并使用联合树算法计算出贝叶斯网络中每个像素点的最大后验概率，从而实现信噪分离。

技术领域

本发明涉及针对探地雷达图像的去噪技术领域，尤其涉及一种基于贝叶斯推理的GPR图像去噪方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

探地雷达(Ground Penetrating Radar,GPR)利用高频电磁波束的反射原理来对地下目标进行有效探测，常被用于考古、矿产勘查、灾害地质调查、岩土工程勘察、工程质量检测、建筑结构检测以及军事目标探测等众多领域[11-13]。但在实际应用过程中，由于室外环境较为复杂，广告牌、建筑、植物等都会产生电磁干扰，形成各种各样的干扰波，影响探地雷达数据质量。许多方法被提出来去除干扰噪声。

基于滤波去噪的方法被广泛应用，对一些分布确定的噪声具有很好的效果，而对于我们GPR图像中的未知干扰波噪声，效果不是太理想。

在小波域中进行去噪的方法也是很常见的，另外，还有一些方法将小波变换和滤波方法相结合的方法，比如将中值滤波和小波阈值去噪相结合，将小波阈值去噪后的图像再进行中值滤波，有效去除图像中的高斯噪声。基于小波阈值去噪时，阈值及阈值函数的选取对去噪结果至关重要，但不同的噪声特性很难确定最优的阈值和阈值函数。

在贝叶斯框架下，现有技术将小波系数的先验值假设为广义高斯分布(GGD)，使用BayesShrink方法来估计阈值，对较大的噪声功率具有较好的效果。对一些低频噪声或与信号相近的杂波效果不明显。

发明内容

为了解决上述问题，本发明提出了一种基于贝叶斯推理的GPR图像去噪方法及系统，该方法及系统借助了贝叶斯网络融合多种去噪模型，并使用联合树算法计算出贝叶斯网络中每个像素点的最大后验概率，从而实现信噪分离。

在一些实施方式中，采用如下技术方案：

一种基于贝叶斯推理的GPR图像去噪方法，包括：

选取设定的若干去噪模型，根据去噪模型、信号与噪声之间的关系构造贝叶斯网络；所述去噪模型、信号与噪声分别作为贝叶斯网络中的随机变量节点；

计算贝叶斯网络中各随机变量节点的联合概率密度；

对输入的待预测的GPR图像，贝叶斯网络通过联合树算法进行推理，计算出每一个像素点属于有效信号和噪声的后验概率，通过选择最大后验概率来实现GPR图像的信噪分离。

进一步地，选取设定的若干去噪模型，所述去噪模型包括：哈尔小波变换、Kuwahara滤波、三维块匹配滤波、sym6小波变换和维纳滤波。

进一步地，计算贝叶斯网络中各随机变量节点的联合概率密度，具体包括：

使用阈值将各随机变量节点系数进行量化处理；

网络中的有向边代表了不同随机变量节点之间的联系，通过经验设置各节点的条件概率值，得到各节点的条件概率表；

根据条件概率表得到联合概率密度。

进一步地，根据条件概率表得到联合概率密度，具体为：

P(U)＝P(I,K,H,B,W,Y,S,N)