CN106446919B - 一种探地雷达双曲线目标快速检测方法 - Google Patents
一种探地雷达双曲线目标快速检测方法 Download PDFInfo
- Publication number
- CN106446919B CN106446919B CN201610963610.0A CN201610963610A CN106446919B CN 106446919 B CN106446919 B CN 106446919B CN 201610963610 A CN201610963610 A CN 201610963610A CN 106446919 B CN106446919 B CN 106446919B
- Authority
- CN
- China
- Prior art keywords
- value
- coordinate
- row
- theoretical
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种探地雷达双曲线目标快速检测方法,本发明是利用自适应canny边缘检测和图像处理技术提取边缘点曲线,利用边缘点曲线与理论双曲线的均值与方差进行筛选,然后利用二者的相关系数作为匹配准则估计目标顶点和媒质相对介电常数,从而确定目标位置。本发明不仅解决了目标双曲线提取困难问题,而且大大减少了目标检测的计算量,且适合在双曲线目标受环境和目标影响较大、双曲线的对称性等特征已无法使用的情况。
Description
技术领域
本发明涉及的是探地雷达信号处理技术、灾害地质调查、考古调查、公路工程质量检测以及地质勘探等领域,特别涉及一种探地雷达双曲线目标快速检测方法。
背景技术
探地雷达作为一种无损的探测手段,在公路质量评估、地下管线探测、地下埋藏未爆物检测等方面具有广泛的应用。在探地雷达实际探测过程中,由于地下有耗介质的多样性、电磁波在多层媒质中传播的复杂性,以及雷达信号的拖尾等因素,造成地下目标的回波信号处于强干扰的背景条件下,信噪比较低,且与雷达发射信号在时间上的隔离度较差,因此实现稳健、高效的地下目标检测仍是一个挑战性问题。
在探地雷达目标检测方面,文献《利用互相关和Hough变换快速检测探地雷达目标》主要是通过能量最高点去确定目标顶点位置,然后再利用互相关提取双曲线,最后通过Hough变换完成目标检测与定位,文献《基于主元分析法的浅地层小目标探测算法》主要是利用主元分析法将当前雷达扫描数据映射到背景所在的投影方向上,建立检验函数并和自适应阈值比较,判断是否含有目标回波信息,实现浅地层中小目标的探测,文献《浅层探地雷达的快速异常检测》主要是通过数字图像处理技术对探地雷达检测数据进行分析处理,根据地表回波梯度幅度大的图像特性将其从雷达数据中去除以克服其对地下异常目标检测的影响,然后利用基于梯度的自适应阈值方法在抑制杂波干扰的同时,对地下层中的异常区域进行快速定位。文献《一种基于Hough变换探地雷达目标提取方法和装置》主要是利用小波变换设定阈值来检测目标回波的波峰和波谷等重要信息,最后采用Hough变换来提取目标的双曲线,从而获得目标的空间位置信息,文献《基于信息融合的超宽带探地雷达目标自动目标识别方法》主要是通过提取典型回波道数据进行Welch功率谱估计,并利用RBF网络进行目标材质分类,最后把目标形状识别和材质识别的结果进行信息融合,达到对不同形状、不同材质的地下目标的全面有效地自动识别。而本发明是利用自适应canny边缘检测和图像处理技术提取边缘点曲线,利用边缘点曲线与理论双曲线的均值与方差进行筛选,然后利用二者的相关系数作为匹配准则估计目标顶点和媒质相对介电常数,从而确定目标位置。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供了一种探地雷达双曲线目标快速检测方法。
本发明的目的通过以下技术方案实现:一种探地雷达双曲线目标快速检测方法,包括以下步骤:
步骤1、采集数据根据直达波通过边缘检测得到边缘点确定canny边缘检测的阈值,根据所述阈值对数据进行预处理,对预处理后的数据进行边缘检测;
步骤2、对边缘检测后的数据通过图像处理进行连续曲线的提取并将符合一定长度的曲线存在一个两行的矩阵中;
步骤3、划分相对介电常数范围,遍历所有的相对介电常数并结合系统参数求取理论双曲线坐标,将坐标存在一个两行的矩阵中;
步骤4、求取提取曲线与理论双曲线的差值的均值与方差,设定阈值,将均值和方差与阈值进行比较再次筛选双曲线;
步骤5、利用提取曲线与理论双曲线的相关系数进行相对介电常数以及顶点位置的确定,因边缘检测可得到相似的多条双曲线,通过幅值比较确定其中幅值最大值为目标所在坐标,从而确定目标位置。
进一步的,所述步骤1具体为:对探地雷达采集到的数据进行canny边缘检测,不断扫描阈值,直至直达波区域刚开始出现一条边缘点线,将此时的阈值设为高阈值;然后再扫描低阈值,直至直达波区域刚开始出现三条边缘点线,将此时的值设为低阈值;之后对探地雷达原数据进行预处理,即地形修正、去零漂、直达波去除、噪声抑制和射频干扰抑制;然后利用所述高阈值和低阈值对预处理后的数据进行canny边缘检测。
进一步的,所述步骤2具体为:提取保存所有的边缘点,从第一个边缘点开始,保存距离所述第一个边缘点2个像素内的第二个边缘点,继续扫描,保存距离第二个边缘点2个像素内的第三个边缘点,依此类推,直至无符合条件的点,将所有的点坐标保存在一个两行的矩阵中,其中位置单元坐标存在第一行,时间单元坐标存在第二行,然后将所保存的边缘点的位置置为0,继续循环扫描下一条边缘点线,直至所有的点都为0;预筛选所有提取的曲线矩阵,将点数大于80个像素点的矩阵保留下来,然后将每个矩阵中第一行的最大值与最小值和第二行的最大值与最小值求出来;通过第一行的最大值与最小值确定双曲线的长度,对第一行的最小值到最大值进行扫描,让中间的每个值都有且只有一个对应的第二行的值,若有两个及以上的对应值,则选择第一个值,若没有值,则用前一个点对应的值作为此点对应的值;由此便获得每个位置单元只对应一个时间单元位置的曲线;求第二行最小值及其对应第一行值,若对应多个值则选择中间值,将此时第一行和第二行对应的坐标记为顶点位置坐标(N*,M*),其中N*表示时间单元坐标,M*表示位置单元坐标。
进一步的,所述步骤3具体为:划分相对介电常数值5~30,每隔0.5值取一个相对介电常数值,利用相对介电常数值去求媒质中的波速,
式中c表示光在真空中的传播速度,εr表示此时的相对介电常数;
根据顶点位置和相对介电常数求对应的理论双曲线坐标,并将所述理论双曲线坐标存为两行的矩阵。
进一步的,所述根据顶点位置和相对介电常数求对应的理论双曲线坐标具体为:
1)首先求取时间单元Δτ=1/Fs和位置单元Δx对应的实际大小,其中Fs表示等效采样频率;
2)根据相对介电常数求出时间单元对应的深度单元Δd=v·Δτ/2;
3)确定理论双曲线坐标,理论双曲线坐标包括位置坐标和深度坐标,位置坐标根据实际情况已经确定,
其中Mi表示位置坐标,Ni表示理论双曲线对应的深度坐标,理论双曲线对应的深度坐标Ni对应的范围为步骤2中第一行最小值到最大值之间的坐标,并将所得理论双曲线坐标存为一个两行的矩阵,两行的矩阵是指将位置坐标存在矩阵的第一行中,深度坐标存在第二行中。
进一步的,所述步骤4具体为:因提取曲线与理论双曲线的第一行坐标相同,故只将提取曲线的第二行坐标减去对应的理论双曲线的第二行坐标,所得即为两条双曲线的差值,求此差值对应的均值和方差,通过设定阈值,二次筛选符合条件的双曲线和相对介电常数值。
进一步的,所述步骤5具体为:步骤4之后,再利用提取曲线与理论双曲线之间的相关系数ρ,记录最大相关系数对应的双曲线顶点和相对介电常数值,扫描所有的相对介电常数值和双曲线;将所有筛选出来的顶点位置根据目标的分辨率确定一个范围,若出现顶点位置在分辨率不能分辨的范围内,则选择幅值大的那个顶点位置,即第三次筛选。
附图说明
图1本发明的方法流程图;
图2探地雷达原数据B-scan图;
图3探地雷达预处理后数据B-scan图;
图4探地雷达canny边缘检测数据图;
图5探地雷达理论双曲线与提取曲线匹配图;
图6探地雷达幅值筛选前目标位置标示图;
图7探地雷达幅值筛选后目标位置标示图;
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
结合图1,本发明提供一种探地雷达双曲线目标快速检测方法,包括以下步骤:
步骤1、采集数据根据直达波通过边缘检测得到边缘点确定canny边缘检测的阈值,根据所述阈值对数据进行预处理,对预处理后的数据进行边缘检测;
步骤2、对边缘检测后的数据通过图像处理进行连续曲线的提取并将符合一定长度的曲线存在一个两行的矩阵中;
步骤3、划分相对介电常数范围,遍历所有的相对介电常数并结合系统参数求取理论双曲线坐标,将坐标存在一个两行的矩阵中;
步骤4、求取提取曲线与理论双曲线的差值的均值与方差,设定阈值,将均值和方差与阈值进行比较再次筛选双曲线;
步骤5、利用提取曲线与理论双曲线的相关系数进行相对介电常数以及顶点位置的确定,因边缘检测可得到相似的多条双曲线,通过幅值比较确定其中幅值最大值为目标所在坐标,从而确定目标位置。
所述步骤1具体为:对探地雷达采集到的数据(采集到的数据如图2所示)进行canny边缘检测,不断扫描阈值,直至直达波区域刚开始出现一条边缘点线,将此时的阈值设为高阈值;然后再扫描低阈值,直至直达波区域刚开始出现三条边缘点线,将此时的值设为低阈值;之后对探地雷达原数据进行预处理,即地形修正、去零漂、直达波去除、噪声抑制和射频干扰抑制;预处理后结果如图3所示;然后利用所述高阈值和低阈值对预处理后的数据进行canny边缘检测,检测结果如图4所示。
所述步骤2具体为:提取保存所有的边缘点,从第一个边缘点开始,保存距离所述第一个边缘点2个像素内的第二个边缘点,继续扫描,保存距离第二个边缘点2个像素内的第三个边缘点,依此类推,直至无符合条件的点,将所有的点坐标保存在一个两行的矩阵中,其中位置单元坐标存在第一行,时间单元坐标存在第二行,然后将所保存的边缘点的位置置为0,继续循环扫描下一条边缘点线,直至所有的点都为0;预筛选所有提取的曲线矩阵,将点数大于80个像素点的矩阵保留下来,然后将每个矩阵中第一行的最大值与最小值和第二行的最大值与最小值求出来;通过第一行的最大值与最小值确定双曲线的长度,对第一行的最小值到最大值进行扫描,让中间的每个值都有且只有一个对应的第二行的值,若有两个及以上的对应值,则选择第一个值,若没有值,则用前一个点对应的值作为此点对应的值;由此便获得每个位置单元只对应一个时间单元位置的曲线;求第二行最小值及其对应第一行值,若对应多个值则选择中间值,将此时第一行和第二行对应的坐标记为顶点位置坐标(N*,M*),其中N*表示时间单元坐标,M*表示位置单元坐标。
所述步骤3具体为:划分相对介电常数值5~30,每隔0.5值取一个相对介电常数值,利用相对介电常数值去求媒质中的波速,
式中c表示光在真空中的传播速度,εr表示此时的相对介电常数;
根据顶点位置和相对介电常数求对应的理论双曲线坐标,并将所述理论双曲线坐标存为两行的矩阵。
所述根据顶点位置和相对介电常数求对应的理论双曲线坐标具体为:
1)首先求取时间单元Δτ=1/Fs和位置单元Δx对应的实际大小,其中Fs表示等效采样频率;
2)根据相对介电常数求出时间单元对应的深度单元Δd=v·Δτ/2;
3)确定理论双曲线坐标,理论双曲线坐标包括位置坐标和深度坐标,位置坐标根据实际情况已经确定,
其中Mi表示位置坐标,Ni表示理论双曲线对应的深度坐标,理论双曲线对应的深度坐标Ni对应的范围为步骤2中第一行最小值到最大值之间的坐标,并将所得理论双曲线坐标存为一个两行的矩阵,两行的矩阵是指将位置坐标存在矩阵的第一行中,深度坐标存在第二行中。
所述步骤4具体为:因提取曲线与理论双曲线的第一行坐标相同,故只将提取曲线的第二行坐标减去对应的理论双曲线的第二行坐标,所得即为两条双曲线的差值,求此差值对应的均值和方差,通过设定阈值,二次筛选符合条件的双曲线和相对介电常数值,图5显示了提取曲线与理论双曲线的匹配结果。
所述步骤5具体为:步骤4之后,再利用提取曲线与理论双曲线之间的相关系数ρ,记录最大相关系数对应的双曲线顶点和相对介电常数值,扫描所有的相对介电常数值和双曲线;将所有筛选出来的顶点位置根据目标的分辨率确定一个范围,若出现顶点位置在分辨率不能分辨的范围内,则选择幅值大的那个顶点位置,即第三次筛选,筛选前目标位置如图6所示,筛选后目标位置如图7所示。
以上对本发明所提供的一种探地雷达双曲线目标快速检测方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种探地雷达双曲线目标快速检测方法,其特征在于,包括以下步骤:
步骤1、采集数据根据直达波通过边缘检测得到边缘点确定canny边缘检测的阈值,根据所述阈值对数据进行预处理,对预处理后的数据进行边缘检测;
步骤2、对边缘检测后的数据通过图像处理进行连续曲线的提取并将符合一定长度的曲线的位置坐标数据存储在一个行数为2的矩阵中,其中第一行表示位置单元坐标数据,第二行表示时间单元坐标数据;
步骤3、划分相对介电常数范围,遍历所有的相对介电常数并结合系统参数求理论双曲线位置坐标数据,将位置坐标数据存储在一个行数为2的矩阵中,其中第一行表示位置单元坐标数据,第二行表示时间单元坐标数据;
步骤4、求取提取曲线与理论双曲线的差值的均值与方差,设定阈值,将均值和方差与阈值进行比较再次筛选双曲线;
步骤5、利用步骤2中的提取曲线与理论双曲线的相关系数进行相对介电常数以及顶点位置的确定,因边缘检测可得到相似的多条双曲线,通过幅值比较确定其中幅值最大值为目标所在坐标,从而确定目标位置。
2.根据权利要求1所述的方法,其特征在于,所述步骤1具体为:对探地雷达采集到的数据进行canny边缘检测,不断扫描阈值,直至直达波区域刚开始出现一条边缘点线,将此时的阈值设为高阈值;然后再扫描低阈值,直至直达波区域刚开始出现三条边缘点线,将此时的值设为低阈值;之后对探地雷达原数据进行预处理,即地形修正、去零漂、直达波去除、噪声抑制和射频干扰抑制;然后利用所述高阈值和低阈值对预处理后的数据进行canny边缘检测。
3.根据权利要求1所述的方法,其特征在于,所述步骤2具体为:提取保存所有的边缘点,从第一个边缘点开始,保存距离所述第一个边缘点2个像素内的第二个边缘点,继续扫描,保存距离第二个边缘点2个像素内的第三个边缘点,依此类推,直至无符合条件的点,将所有的点坐标保存在一个两行的矩阵中,其中位置单元坐标存在第一行,时间单元坐标存在第二行,然后将所保存的边缘点的位置置为0,继续循环扫描下一条边缘点线,直至所有的点都为0;预筛选所有提取的曲线矩阵,将点数大于80个像素点的矩阵保留下来,然后将每个矩阵中第一行的最大值与最小值和第二行的最大值与最小值求出来;通过第一行的最大值与最小值确定双曲线的长度,对第一行的最小值到最大值进行扫描,让中间的每个值都有且只有一个对应的第二行的值,若有两个及以上的对应值,则选择第一个值,若没有值,则用前一个点对应的值作为此点对应的值;由此便获得每个位置单元只对应一个时间单元位置的曲线;求第二行最小值及其对应第一行值,若对应多个值则选择中间值,将此时第一行和第二行对应的坐标记为顶点位置坐标(N*,M*),其中N*表示时间单元坐标,M*表示位置单元坐标。
4.根据权利要求3所述的方法,其特征在于,所述步骤3具体为:划分相对介电常数值5~30,每隔0.5值取一个相对介电常数值,利用相对介电常数值去求媒质中的波速,
式中c表示光在真空中的传播速度,εr表示此时的相对介电常数;
根据顶点位置和相对介电常数求对应的理论双曲线坐标,并将所述理论双曲线坐标存为两行的矩阵。
5.根据权利要求4所述方法,其特征在于,所述根据顶点位置和相对介电常数求对应的理论双曲线坐标具体为:
1)首先求取时间单元Δτ=1/Fs和位置单元Δx对应的实际大小,其中Fs表示等效采样频率;
2)根据相对介电常数求出时间单元对应的深度单元Δd=v·Δτ/2;
3)确定理论双曲线坐标,理论双曲线坐标包括位置坐标和深度坐标,位置坐标根据实际情况已经确定,
其中Mi表示位置坐标,Ni表示理论双曲线对应的深度坐标,理论双曲线对应的深度坐标Ni对应的范围为步骤2中第一行最小值到最大值之间的坐标,并将所得理论双曲线坐标存为一个两行的矩阵,两行的矩阵是指将位置坐标存在矩阵的第一行中,深度坐标存在第二行中。
6.根据权利要求1所述的方法,其特征在于,所述步骤4具体为:因提取曲线与理论双曲线的第一行坐标相同,故只将提取曲线的第二行坐标减去对应的理论双曲线的第二行坐标,所得即为两条双曲线的差值,求此差值对应的均值和方差,通过设定阈值,二次筛选符合条件的双曲线和相对介电常数值。
7.根据权利要求1所述的方法,其特征在于,所述步骤5具体为:步骤4之后,再利用提取曲线与理论双曲线之间的相关系数ρ,记录最大相关系数对应的双曲线顶点和相对介电常数值,扫描所有的相对介电常数值和双曲线;将所有筛选出来的顶点位置根据目标的分辨率确定一个范围,若出现顶点位置在分辨率不能分辨的范围内,则选择幅值大的那个顶点位置,即第三次筛选。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610963610.0A CN106446919B (zh) | 2016-11-04 | 2016-11-04 | 一种探地雷达双曲线目标快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610963610.0A CN106446919B (zh) | 2016-11-04 | 2016-11-04 | 一种探地雷达双曲线目标快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106446919A CN106446919A (zh) | 2017-02-22 |
CN106446919B true CN106446919B (zh) | 2019-08-30 |
Family
ID=58180418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610963610.0A Active CN106446919B (zh) | 2016-11-04 | 2016-11-04 | 一种探地雷达双曲线目标快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106446919B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346023A (zh) * | 2017-07-04 | 2017-11-14 | 山东工商学院 | 一种基于矩特征的探地雷达双曲波显著性映射方法 |
CN107358617B (zh) * | 2017-08-07 | 2020-03-20 | 中南大学 | 一种探地雷达记录剖面中目标顶点的检测方法 |
CN108415094B (zh) * | 2018-01-24 | 2020-09-18 | 武汉智博创享科技股份有限公司 | 通过探地雷达结果拟合对比提取埋地管线属性的方法 |
US20190339362A1 (en) * | 2018-05-03 | 2019-11-07 | Mediatek Inc. | Signature-based object detection method and associated apparatus |
CN108957430A (zh) * | 2018-05-08 | 2018-12-07 | 重庆邮电大学 | 基于距离-多普勒图的高频雷达射频干扰区域提取方法 |
CN110458129B (zh) * | 2019-08-16 | 2020-06-23 | 电子科技大学 | 基于深度卷积神经网络的非金属地雷识别方法 |
CN112859006B (zh) * | 2021-01-11 | 2023-08-29 | 成都圭目机器人有限公司 | 一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法 |
CN112859005B (zh) * | 2021-01-11 | 2023-08-29 | 成都圭目机器人有限公司 | 一种检测多通道探地雷达数据中金属类直圆柱结构的方法 |
CN114926509B (zh) * | 2022-07-20 | 2022-10-25 | 中南大学 | 一种基于卫星微波亮温的地应力闭锁显现区遥感跟踪方法 |
CN115496917B (zh) * | 2022-11-01 | 2023-09-26 | 中南大学 | 一种GPR B-Scan图像中的多目标检测方法及装置 |
CN115977496A (zh) * | 2023-02-24 | 2023-04-18 | 重庆长安汽车股份有限公司 | 一种车门控制方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663744A (zh) * | 2012-03-22 | 2012-09-12 | 杭州电子科技大学 | 梯度点对约束下的复杂道路检测方法 |
CN105137498A (zh) * | 2015-09-17 | 2015-12-09 | 鲁东大学 | 一种基于特征融合的地下目标探测识别系统及方法 |
CN105242267A (zh) * | 2015-09-29 | 2016-01-13 | 合肥工业大学 | 一种使用探地雷达实现非金属管道内堵塞点的定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7113124B2 (en) * | 2003-11-25 | 2006-09-26 | Metrotech Corporation, Inc. | Centerline and depth locating method for non-metallic buried utility lines |
-
2016
- 2016-11-04 CN CN201610963610.0A patent/CN106446919B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663744A (zh) * | 2012-03-22 | 2012-09-12 | 杭州电子科技大学 | 梯度点对约束下的复杂道路检测方法 |
CN105137498A (zh) * | 2015-09-17 | 2015-12-09 | 鲁东大学 | 一种基于特征融合的地下目标探测识别系统及方法 |
CN105242267A (zh) * | 2015-09-29 | 2016-01-13 | 合肥工业大学 | 一种使用探地雷达实现非金属管道内堵塞点的定位方法 |
Non-Patent Citations (2)
Title |
---|
《合成孔径探地雷达探测浅埋小目标的信号处理算法研究》;胡进峰;《中国优秀博硕士学位论文全文数据库 (博士)信息科技辑》;20070115(第2007年第01期);全文 |
《浅埋地层探地雷达信号处理与目标识别研究》;高翔;《中国优秀博硕士学位论文全文数据库 (博士)信息科技辑》;20120215(第2012年第02期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106446919A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106446919B (zh) | 一种探地雷达双曲线目标快速检测方法 | |
Brunzell | Detection of shallowly buried objects using impulse radar | |
Gamba et al. | Neural detection of pipe signatures in ground penetrating radar images | |
Al-Nuaimy et al. | Automatic detection of buried utilities and solid objects with GPR using neural networks and pattern recognition | |
US8193967B2 (en) | Method and system for forming very low noise imagery using pixel classification | |
Buono et al. | A multipolarization analysis of coastline extraction using X-band COSMO-SkyMed SAR data | |
Xu et al. | Development of high-speed ultrawideband ground-penetrating radar for rebar detection | |
Assous et al. | Automated detection of planar geologic features in borehole images | |
Ishitsuka et al. | Object detection in ground-penetrating radar images using a deep convolutional neural network and image set preparation by migration | |
Gonzalez-Huici et al. | A combined strategy for landmine detection and identification using synthetic GPR responses | |
Pasolli et al. | Automatic detection and classification of buried objects in GPR images using genetic algorithms and support vector machines | |
Ristić et al. | Point coordinates extraction from localized hyperbolic reflections in GPR data | |
Zhang et al. | Ground-penetrating radar railroad ballast inspection with an unsupervised algorithm to boost the region of interest detection efficiency | |
Domínguez et al. | A multisquint framework for change detection in high-resolution multitemporal SAR images | |
Hayakawa et al. | Radar imaging of underground pipes by automated estimation of velocity distribution versus depth | |
Liu et al. | The target detection for GPR images based on curve fitting | |
Qin et al. | Bidimensional empirical mode decomposition method for image processing in sensing system | |
CN114509758A (zh) | 一种基于分形维数和极化分解的月表平坦区域选取方法 | |
Gonzalez-Huici | A strategy for landmine detection and recognition using simulated GPR responses | |
KR102309343B1 (ko) | 딥러닝 기반의 초고해상도 지표투과 레이더 이미지 생성을 통한 주파수-파수 분석 방법 및 장치 | |
CN112989940A (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
Agrawal et al. | GPR data analysis of weak signals using modified S-transform | |
CN117075210A (zh) | 基于加权互相关的后向投影探地雷达成像方法及系统 | |
Gharamohammadi et al. | A robust whitening algorithm to identify buried objects with similar attributes in correlation-based detection | |
Robinson | Application of satellite radar data suggest that the Kharga Depression in south-western Egypt is a fracture rock aquifer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |