[发明专利]基于深度学习的探地雷达B-scan图像特征增强方法及系统

说明书

本发明公开了一种基于深度学习的探地雷达B‑scan图像特征增强方法及系统，该方法包括：通过探地雷达对地下探测区域进行B扫描，获取GPR B‑scan图像构建无噪高分辨率GPR标签数据集；对无噪高分辨率GPR标签数据集进行行与列等间隔下采样，得到无噪低分辨率GPR标签数据集，再加入高斯白噪声，得到有噪低分辨率GPR图像数据集；利用GPR图像数据集和对应的标签数据集训练构建的双重生成对抗网络；将实测的含噪低分辨率GPR B‑scan图像输入至训练好的网络，得到清晰的高分辨率GPR B‑scan图像。本发明有效解决了GPR B‑scan图像中因噪声和分辨率低所造成的图像中目标特征模糊的问题，能够有效抑制有噪低分辨率GPR B‑scan图像中的噪声，并提高GPR B‑scan图像中目标的分辨率，实现GPR B‑scan图像特征增强。

技术领域

本发明涉及探地雷达数据处理技术领域，尤其涉及一种基于深度学习的探地雷达B-scan图像特征增强方法及系统。

背景技术

探地雷达(Ground Penetrating Radar，简称GPR)是一种利用高频电磁波束在界面上的反射来探测目标体的无损探测技术，已广泛应用于考古、公路地质检测、地质勘探、隧道检测、地下管道测量等领域。GPR沿地表测线扫描时，通过发射天线向地下发射电磁波。电磁波在传播过程中，当遇到电磁参数与背景媒质不同的物体时，会产生散射，部分散射能量会被接收天线接收，对采集到的电磁波进行分析，可以获取地下介质和探测目标的介电特性、空间位置和结构尺寸等参数。在某些探测场景中，GPR的测量参数受到限制，导致探地雷达B-scan图像(即GPR B-scan图像)质量下降，例如快速扫描场合，空间的采样点稀疏，接收回波的时间采样点稀疏，获取的GPR B-scan图像模糊，目标分辨能力变差，即图像中目标的双曲线分辨率低；又例如探测较深区域的弱目标时，由于探测深度较大，接收的小目标回波的双曲线特征模糊，后续特征处理的有效性难以保证。此外，由于地下介质的不均匀性和背景环境的复杂性，GPR B-scan图像中还会有许多随机噪声，也影响了GPR B-scan图像的质量，不利于获取地下异常目标体的信息。因此提高GPR B-scan图像中目标的分辨率，减少双曲线特征模糊，并且抑制随机噪声是十分重要的。

图像超分辨率方法可以分为传统方法和深度学习方法。传统方法有插值法、基于局部嵌入的方法等。其中，插值法包括最近邻域插值法、双线性插值法、双三次插值法等，利用周围的像素点信息进行插值，因此构建的图像都十分模糊，结构相似性也很差。基于局部嵌入的方法采用的是基于LLE流行学习构建一个高低分辨率图像数据集，将图像梯度作为特征，对低分辨率图像提取特征，在数据集中找到多个相近特征，再利用多个相近特征重构的特征恢复出高分辨率图像，但是LLE流行学习对数据流行特征分布要求严格，不能是稀疏的数据集，不能是分布不均的数据集，这样大大限制了其应用。

随着深度学习的发展，出现了大量的学习网络框架，深度学习也应用于图像超分辨率，与传统方法比较，深度学习重建的高分辨率图像含有更多的细节，图像更加清晰，结构相似性更好。目前深度学习在图像超分辨率应用广泛，有大量的网络框架提出，如SRCNN(即基于CNN的超分辨率重建模型)、DRCN(即基于深度递归卷积神经网络的超分辨率重建模型)、VDSR(即基于深度卷积网络的图像超分辨率重建模型)、SRGAN(即基于GAN的超分辨率重建模型)等。但目前应用于探地雷达的深度学习超分辨率算法很少，GPR B-scan图像与其他的可见光图像不同，GPR B-scan图像是单通道图，其具有独有的双曲线特征，需要有适合于GPR B-scan图像特征的超分辨率网络来重构高分辨率GPR B-scan图像。但在低分辨率GPR B-scan图像中含有随机噪声时，超分辨率重构有较大的困难，单独的超分辨率网络对有噪低分辨率GPR B-scan图像恢复效果不佳，恢复的GPR B-scan图像会有部分双曲线信息丢失、产生虚假的双曲线、图像仍然模糊等问题。因此在低信噪比情况下低分辨率GPR B-scan图像的高分辨率恢复、噪声抑制以使其图像质量增强是目前急需解决的问题。

发明内容