CN112819732B - 一种探地雷达B-scan图像去噪方法 - Google Patents
一种探地雷达B-scan图像去噪方法 Download PDFInfo
- Publication number
- CN112819732B CN112819732B CN202110415692.6A CN202110415692A CN112819732B CN 112819732 B CN112819732 B CN 112819732B CN 202110415692 A CN202110415692 A CN 202110415692A CN 112819732 B CN112819732 B CN 112819732B
- Authority
- CN
- China
- Prior art keywords
- convolution
- gpr
- scale
- encoder
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000000149 penetrating effect Effects 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000010586 diagram Methods 0.000 claims description 58
- 230000008569 process Effects 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 42
- 230000004927 fusion Effects 0.000 claims description 32
- 238000010606 normalization Methods 0.000 claims description 29
- 238000007499 fusion processing Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000001914 filtration Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
一种探地雷达B‑scan图像去噪方法,其中包括以下步骤:步骤1:探地雷达GPR在地表对预先埋有管线目标的单一背景介质区域进行探测,获取Z幅GPR B‑scan图像构成无噪GPR标签数据集;步骤2:利用每种含噪GPR数据集及其对应的无噪GPR标签数据集训练多尺度卷积自编码器;所述多尺度卷积自编码器包括一个编码器E、一个解码器D;步骤3:将待去噪的GPR图像输入至训练好的多尺度卷积自编码器,通过编码和解码,输出去噪后的GPR图像,并计算去噪后GPR图像的信噪比,验证多尺度卷积自编码器的去噪效果,本发明能够将低信噪比情况下的含噪GPR图像有效去噪。
Description
技术领域
本发明属于探地雷达数据处理领域,具体公开了一种基于多尺度卷积自编码器的探地雷达B-scan图像去噪方法。
背景技术
探地雷达(Ground Penetrating Radar,GPR)作为一种地下无损检测的重要技术手段,被广泛用于研究近地表地球物理结构和探测掩埋目标;它使用发射天线向地下发射宽带电磁波,该电磁波在地下介质中传播时遇到电磁差异的界面时会发生散射,接收天线根据接收到的散射回波的波形及时延,推断出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。但是,接收到的散射回波往往存在杂波现象,这严重影响了GPR的检测性能。造成杂波的原因有很多,发射天线和接收天线之间的耦合效应以及地面反射信号,使得GPR本身自然地产生杂波,这种杂波称为直达波;此外,由于地下介质的不均匀性和背景环境的复杂性,使得GPR信号容易受到随机噪声的破坏,在GPR数据中往往以非平稳信号和尖峰信号的形式出现;因此,接收到的散射回波一般包括直达波、地下目标散射波和随机噪声;直达波和随机噪声会对我们感兴趣的GPR信号造成严重干扰,极大地影响GPR的性能;因此,直达波的去除和随机噪声的抑制是探地雷达界一个活跃的研究领域。
目前,GPR图像去噪算法主要分为四类:基于空域滤波的去噪算法、基于变换域的去噪算法、基于子空间的去噪算法和基于深度学习的去噪算法;均值滤波和中值滤波通过滑动窗口滤波,是两种比较简单的空域滤波算法,在一定程度上能使图像达到平滑的效果,但在噪声污染比较严重的情况下,它往往会导致图像边缘和细节的模糊;Lee等人最早提出了基于模型的去噪滤波器—Lee滤波器;它基于线性的噪声模型和最小均方误差模型, 通过计算一个像素的邻域来得到增强的像素点;Frost 和 Kuan 滤波器由Lee滤波器改进而来,改善后的滤波器不仅可以更好地进行噪声抑制,还可以更好地保存图像纹理信息;但是,这些空域滤波器的性能受滤波器窗口的大小影响很大,较小的窗口不能有效地对噪声进行抑制,而较大的窗口则不可避免地在去噪过程中导致图像纹理细节的丢失;有研究提出使用非局部均值(NLM)去噪算法对GPR图像进行去噪,NLM使用子块相似性对含噪图像进行滤波,并根据当前含噪图像块和相邻块之间的相似性计算权重;尽管NLM算法的输出对于去除低水平的噪声是非常理想的,但是当噪声增加时性能会急剧恶化。
与空域滤波相比,变换域滤波的方法对于信号和噪声的分离更为有效;研究人员提出使用多波变换和小波变换(Wavelet)来去除GPR图像的随机噪声,并提出了连续小波变换对小波变换进行了改进;尽管已经证明基于小波的去噪方法比经典滤波器具有更好的效率,但应用小波变换的局限性在于小波变换的基通常都是固定的,不能充分地表示图像;为了“更优”地表示含线或者面奇异的二维图像,克服小波变换在高维时系数的非稀疏性和缺乏方向选择性,Wang等人运用了剪切波(Shearlet)变换去除GPR图像的杂波; Shearlet 变换通过合成膨胀的仿射系统构造而成,具有Wavelet 的优点而克服了它们缺点;但其平移鲁棒性差,而且边缘伪吉布斯失真现象明显。
在GPR图像中,常用的基于子空间的去噪方法有奇异值分解法(SVD)、主成分分析法(PCA)和独立分量分析法(ICA),这些方法利用成本函数中的各种约束条件对矩阵进行分解;现有研究通过SVD方法对信号进行分解,然后设计合适的主元成分,利用PCA方法对信号进行重构,实现了PCA-SVD 混合的方法降噪,有效地去除了GPR图像的随机噪声;最近,又提出了形态成分分析法(MCA),形态成分分析与传统方法相比具有优越的性能,但它需要先验知识来进行字典学习,并且需要较高的处理时间来去除杂波;因此它不适合实时应用。
近年来,随着深度学习领域的蓬勃发展,出现了大量利用深度学习方法进行图像去噪的研究;该技术通过训练一个深度学习网络模型来建立高质量图像和低质量图像之间的映射关系,从而能够在很短的时间内从低质量图像中获得去噪图像;但是,基于深度学习GPR图像去噪的算法研究并不多,Travassos 采用多目标算法训练的前向神经网络对时域有限差分(FDTD)模型获取的GPR数据进行预处理,经过训练后的神经网络表现为一个自适应滤波器,有效提高了GPR图像的信噪比;相比前向神经网络,卷积神经网络使用卷积操作代替神经网络中的内积操作,具有深度提取图像特征的效果,成为研究图像的理想模型;研究人员将卷积神经网络(CNN )用于雷达图像去噪,并取得了较好的效果;然而,基于深度学习的GPR图像去噪算法,目前发展还并不成熟,对于简单的深度学习网络模型,在图像信噪比很低的情况下,其性能会急剧下降;因此研究一种在低信噪比情况下的GPR图像去噪方法是目前亟待解决的问题。
发明内容
为解决上述技术问题,本发明提供了一种探地雷达B-scan图像去噪方法。
一种探地雷达B-scan图像去噪方法,其中包括以下步骤:
步骤1:探地雷达GPR在地表对预先埋有管线目标的单一背景介质区域进行探测,测线方向垂直于管线目标的轴线,对相应管线目标分别进行Z次探测,根据目标的雷达散射电磁波数据获取Z张具有双曲线特征的无噪GPR B-scan标签图像;Z张无噪GPR 标签图像构成无噪GPR标签数据集;其中每个无噪GPR标签图像为一幅M×N的二维图像,M、N分别是该二维图像的像元行数、列数;对具有双曲线特征的无噪GPR标签数据集依次加入由低到高的高斯白噪声,构成相应信噪比为-15dB、-10dB、-5dB、0dB、5dB五种含噪GPR数据集,每一种含噪GPR数据集包括Z个含噪GPR图像x,每个含噪GPR图像x的大小为M×N;
步骤2:利用每种含噪GPR数据集及其对应的无噪GPR标签数据集训练多尺度卷积自编码器;所述多尺度卷积自编码器包括一个编码器E、一个解码器D;编码器E将输入的含噪GPR B-scan图像x编码压缩为一个低维特征图,编码过程经过了三个多尺度卷积块的处理,其中有168个卷积核的参数用于调节;编码后的低维特征图经过解码器D重建输出去噪GPR图像,解码过程经过了三个多尺度反卷积块和一个卷积层的处理,其中有169个卷积核的参数用于调节;通过经典的反向梯度传播计算方法减小输出去噪GPR图像与无噪GPR标签图像的误差,训练多尺度卷积自编码器,调节编码器和解码器的权值参数,从而完成从含噪GPR图像x到去噪GPR图像的映射;
进一步的,所述的探地雷达B-scan图像去噪方法,其中,所述的步骤2)中,训练多尺度卷积自编码器的过程如下:
2-2)含噪GPR图像x通过多尺度卷积自编码器MCAE的编码器E编码压缩为低维特征图,同时仍保留数据的主要特征信息,即数据的双曲线特征信息,编码后的低维特征图为(M/8)×(N/8)×96大小;编码过程表达式为:
其中代表编码器E输出的低维特征图,代表编码器中需要训练的网络权值参数合集,代表编码器中网络的偏置项合集;然后,低维特征图借助多尺度卷积自编码器的解码器D,输出尺寸大小为M×N×1的去噪GPR图像;解码过程的表达式为:
2-3)计算解码器输出的去噪GPR图像与无噪GPR标签图像之间的均方误差L,并通过反向梯度传播计算方法不断优化多尺度卷积自编码器的权值参数w和b,缩小解码器输出的去噪GPR图像与无噪GPR标签图像之间的误差,来训练多尺度卷积自编码器;计算均方误差L的表达式如下:
其中,表示无噪GPR标签图像中第m行第n列的像素值;表示去噪GPR图像中第m行第n列的像素值;w代表多尺度卷积自编码器中权值参数的总合集,它是编码器中权值参数合集与解码器中权值参数合集的并集;b代表多尺度卷积自编码器中偏置项的总合集,它是编码器中偏置项合集与解码器中偏置项合集的并集;
2-4)对每个训练样本含噪GPR图像x重复上述2-1)到2-3)的步骤,直到误差L下降到一个稳定的值,该稳定值接近于0,在区间(0, 0.0003)之间变动,则认为多尺度卷积自编码器训练完成。
进一步的,所述的探地雷达B-scan图像去噪方法,其中,所述步骤2中,所述多尺度卷积自编码器包括1个编码器和1个解码器,编码器由3个多尺度卷积块组成,每个多尺度卷积块包括3个并列的卷积层和1个特征图融合层;解码器由3个多尺度反卷积块和一个3×3卷积层组成,其中所述每个多尺度反卷积块包括3个并列的反卷积层和1个特征图融合层。
进一步的,所述的探地雷达B-scan图像去噪方法,其中,所述的多尺度卷积自编码器中:
所述编码器中,第1个多尺度卷积块的3个并列卷积层,其卷积核数目都为8,第2个多尺度卷积块的3个并列卷积层,其卷积核数目都为16,第3个多尺度卷积块的3个并列卷积层,其卷积核数目都为32;每个卷积块的3个并列卷积层,其卷积核大小分别为1×1、3×3、5×5,卷积核移动步长为2。
进一步的,所述的探地雷达B-scan图像去噪方法,其中,所述解码器中:第1个多尺度反卷积块的3个并列反卷积层,其卷积核数目都为32;第2个多尺度反卷积块的3个并列反卷积层,其卷积核数目都为16;第3个多尺度反卷积块的3个并列反卷积层,其卷积核数目都为8;每个反卷积块的3个并列反卷积层,其卷积核大小分别为1×1、3×3、5×5,卷积核移动步长为2;解码器最后的卷积层,卷积核个数为1,卷积核大小为3×3,卷积核移动步长为1。
进一步的,所述的探地雷达B-scan图像去噪方法,其中,MCAE的编码和解码过程如下:
在编码过程中,M×N×1大小的含噪图像首先经过第1个多尺度卷积块处理,输出的融合特征图尺寸为(M/2)×(N/2)×24,接着被输入到第2个多尺度卷积块处理,输出的融合特征图尺寸为(M/4)×(N/4)×48,最后经过第3个多尺度卷积块处理,输出编码后的低维特征图尺寸为(M/8)×(N/8)×96;
在解码过程中,低维特征图经过解码器的第1个多尺度反卷积块处理,输出的融合特征图尺寸为(M/4)×(N/4)×96,接着经过第2个多尺度反卷积块处理,输出的融合特征图尺寸为(M/2)×(N/2)×48,然后经过第3个多尺度反卷积块处理,输出的融合特征图尺寸为M×N×24,最后通过解码器的卷积层,输出重建后的去噪图像尺寸为M×N×1。
进一步的,所述的探地雷达B-scan图像去噪方法,其中,多尺度卷积块处理过程如下:
在多尺度卷积块中,三个并列的卷积层分别采用1×1、3×3、5×5这三种卷积核对输入的特征图进行卷积系列操作,再做特征图融合处理;卷积系列操作包括卷积操作,BN归一化和Relu激活函数处理;在卷积操作中,卷积核移动步长为2,同时采取卷积填充操作,卷积提取到的特征图尺寸缩减到原来的一半;输入特征图M×N×C与每个k×k大小的卷积核进行卷积,实际卷积时卷积核的通道数与输入特征图的通道数一致,得到一个输出特征图,k×k大小的卷积核得到的输出特征图的卷积操作计算公式为:
所述的k×k指的是上述的1×1、3×3、5×5卷积核,k为1、3或5; 表示输出特征图在位置(m,n)上的像素值,表示卷积核的第c个通道中位置(i,j)上的值,表示输入特征图的第c个通道中位置(m-i+k,n-j+k)上的值,为每次进行卷积操作时的偏置项,是多尺度卷积自编码器中偏置项合集b的子元素;
卷积操作之后将每个卷积层提取到的特征图进行BN归一化处理;特征图的第c个通道中位置(m,n)上BN归一化的计算表达式如下:
表示特征图的第c个通道中位置(m,n)上的像素值,表示相应的BN归一化结果,L表示批量Batch的大小,即每次输入L张图像至多尺度卷积自编码器中进行训练;表示特征图的第c个通道的均值,表示特征图的第c个通道的标准差,表示批量中第个特征图的第c个通道中位置(m,n)上的像素值;和是网络训练过程中可学习的超参数,、的取值范围均为0~1,训练开始时,的初始值设置为1,的初始值设置为0,然后在网络训练的过程中不断调整;是一个确保数值稳定的常数,设置为0.0001;
特征图BN归一化之后,采用经典的ReLu激活函数处理,其处理表达式如下:
最后再把这些不同卷积核得到的特征图均输入至特征图融合层,做融合处理,特征融合处理表示为:
其中表示该多尺度卷积块经过特征图融合处理后输出的融合特征图,表示1×1卷积系列操作得到的特征图,表示3×3卷积系列操作得到的特征图、表示5×5卷积系列操作得到的特征图;为矩阵通道合并操作符,将不同的矩阵在通道维度上合并。
进一步的,所述的探地雷达B-scan图像去噪方法,其中,多尺度反卷积块处理过程如下:
在多尺度反卷积块中,三个并列的反卷积层分别采用1×1、3×3、5×5的卷积核对输入的特征图进行反卷积系列操作,再做特征图融合处理;反卷积系列操作包括反卷积操作,BN归一化和Relu激活函数处理;在反卷积操作中,卷积核移动步长为2,同时采取反卷积填充操作,反卷积提取到的特征图尺寸会扩大一倍,反卷积也可称为转置卷积,实际运算过程会将输入特征图周围进行填零操作,做扩充处理,然后再进行卷积操作;反卷积操作表达式表示如下:
所述的k×k指的是上述的1×1、3×3、5×5卷积核,k为1、3或5;其中,表示输出特征图在位置(m,n)上的像素值,表示卷积核的第c个通道中位置(i,j)上的值,表示输入特征图的第c个通道中位置(m-i+k,n-j+k)上的像素值,为每次进行卷积操作时的偏置项,是多尺度卷积自编码器中偏置项合集b的子元素;
反卷积操作之后将每个反卷积层提取到的特征图进行BN归一化处理;特征图的第c个通道中位置(m,n)上BN归一化的计算表达式如下:
表示特征图的第c个通道中位置(m,n)上的像素值,表示相应的BN归一化结果,L表示批量Batch的大小,即每次输入L张图像至多尺度卷积自编码器中进行训练;表示特征图的第c个通道的均值,表示特征图的第c个通道的标准差,表示批量中第个特征图的第c个通道中位置(m,n)上的像素值;和是网络训练过程中可学习的超参数,、的取值范围均为0~1,训练开始时,的初始值设置为1,的初始值设置为0,然后在网络训练的过程中不断调整;是一个确保数值稳定的常数,设置为0.0001;
特征图BN归一化之后,采用经典的ReLu激活函数处理,其处理表达式如下:
最后再把这些不同卷积核得到的特征图均输入至特征图融合层,做融合处理,特征融合处理表示为:
其中表示该多尺度反卷积块经过特征图融合处理后输出的融合特征图,表示1×1反卷积系列操作得到的特征图,表示3×3反卷积系列操作得到的特征图、表示5×5反卷积系列操作得到的特征图;为矩阵通道合并操作符,将不同的矩阵在通道维度上合并。
本发明提出了一种探地雷达B-scan图像去噪方法,与传统的GPR图像去噪算法相比,本发明设计的自编码器采用了不同大小的卷积核对含噪图像进行了多尺度卷积操作,将待去噪的GPR图像输入至训练好的多尺度卷积自编码器,通过编码和解码,重建输出去噪GPR图像;本发明能够将低信噪比情况下的含噪GPR图像有效去噪。
附图说明
图1为本发明一种探地雷达B-scan图像去噪方法的原理图;
图2为不同信噪比含噪GPR图像数据集训练MCAE的均方误差下降曲线图;
图3为同一样本在不同信噪比情况下经过MCAE去噪的效果展示图;
图4为不同样本在信噪比为-10dB时经过MCAE去噪的效果展示图。
具体实施方式
本发明提供了一种探地雷达B-scan图像去噪方法,具体包括以下步骤:
步骤1:探地雷达GPR在地表对预先埋有管线目标的单一背景介质区域进行探测,测线方向垂直于管线目标的轴线,对相应管线目标分别进行Z次探测,根据目标的雷达散射电磁波数据获取Z张具有双曲线特征的无噪GPR 标签图像;Z张无噪GPR 标签图像构成无噪GPR标签数据集;其中每个无噪GPR标签图像为一幅M×N的二维图像,M、N分别是该二维图像的像元行数、列数;对具有双曲线特征的无噪GPR标签数据集依次加入由低到高的高斯白噪声,构成相应信噪比为-15dB、-10dB、-5dB、0dB、5dB五种含噪GPR数据集,每一种含噪GPR数据集包括Z个含噪GPR图像x,每个含噪GPR图像x的大小为M×N;
步骤2:利用每种含噪GPR数据集及其对应的无噪GPR标签数据集训练多尺度卷积自编码器;所述多尺度卷积自编码器包括一个编码器E、一个解码器D;编码器E将输入的含噪GPR图像x编码压缩为一个低维特征图,编码过程经过了三个多尺度卷积块的处理,其中有168个卷积核的参数用于调节;编码后的低维特征图经过解码器D重建输出去噪GPR图像,解码过程经过了三个多尺度反卷积块和一个卷积层的处理,其中有169个卷积核的参数用于调节;通过经典的反向梯度传播计算方法减小输出去噪GPR图像与无噪GPR标签图像的误差,训练多尺度卷积自编码器,调节编码器和解码器的权值参数,从而完成从含噪GPR图像x到去噪GPR图像的映射;
进一步的,所述的步骤2)中,训练多尺度卷积自编码器的过程如下:
2-2)含噪GPR图像x通过多尺度卷积自编码器MCAE的编码器E编码压缩为低维特征图,同时仍保留数据的主要特征信息,即数据的双曲线特征信息,编码后的低维特征图为(M/8)×(N/8)×96大小;编码过程表达式为:
其中代表编码器E输出的低维特征图,代表编码器中需要训练的网络权值参数合集,代表编码器中网络的偏置项合集;然后,低维特征图借助多尺度卷积自编码器的解码器D,输出尺寸大小为M×N×1的去噪GPR图像;解码过程的表达式为:
2-3)计算解码器输出的去噪GPR图像与无噪GPR标签图像之间的均方误差L,并通过反向梯度传播计算方法不断优化多尺度卷积自编码器的权值参数w和b,缩小解码器输出的去噪GPR图像与无噪GPR标签图像之间的误差,来训练多尺度卷积自编码器;计算均方误差L的表达式如下:
其中,表示无噪GPR标签图像中第m行第n列的像素值;表示去噪GPR图像中第m行第n列的像素值;w代表多尺度卷积自编码器中权值参数的合集,它是编码器中权值参数合集与解码器中权值参数合集的并集,b代表多尺度卷积自编码器中偏置项的合集,它是编码器中偏置项合集与解码器中偏置项合集的并集;
2-4)对每个训练样本含噪GPR图像x重复上述2-1)到2-3)的步骤,直到误差L下降到一个稳定的值,该稳定值接近于0,在区间(0, 0.0003)之间变动,则认为多尺度卷积自编码器训练完成。
进一步的,所述步骤2中,所述多尺度卷积自编码器包括1个编码器和1个解码器,编码器由3个多尺度卷积块组成,每个多尺度卷积块包括3个并列的卷积层和1个特征融合层;解码器由3个多尺度反卷积块和一个3×3卷积层组成,所述每个多尺度反卷积块包括3个并列的反卷积层和1个特征融合层。
所述编码器中,第1个多尺度卷积块的3个并列卷积层,其卷积核数目都为8,第2个多尺度卷积块的3个并列卷积层,其卷积核数目都为16,第3个多尺度卷积块的3个并列卷积层,其卷积核数目都为32;每个卷积块的3个并列卷积层,其卷积核大小分别为1×1、3×3、5×5,卷积核移动步长为2。
所述解码器中:第1个多尺度反卷积块的3个并列反卷积层,其卷积核数目都为32;第2个多尺度反卷积块的3个并列反卷积层,其卷积核数目都为16;第3个多尺度反卷积块的3个并列反卷积层,其卷积核数目都为8;每个反卷积块的3个并列反卷积层,其卷积核大小分别为1×1、3×3、5×5,卷积核移动步长为2;解码器最后的卷积层,卷积核个数为1,卷积核大小为3×3,卷积核移动步长为1。
所述MCAE的编码过程如下:
在编码过程中,M×N×1大小的含噪图像首先经过第1个多尺度卷积块处理,输出的融合特征图尺寸为(M/2)×(N/2)×24,接着被输入到第2个多尺度卷积块处理,输出的融合特征图尺寸为(M/4)×(N/4)×48,最后经过第3个多尺度卷积块处理,输出编码后的低维特征图尺寸为(M/8)×(N/8)×96;
在解码过程中,低维特征图经过解码器的第1个多尺度反卷积块处理,输出的融合特征图尺寸为(M/4)×(N/4)×96,接着经过第2个多尺度反卷积块处理,输出的融合特征图尺寸为(M/2)×(N/2)×48,然后经过第3个多尺度反卷积块处理,输出的融合特征图尺寸为M×N×24,最后通过解码器的卷积层,输出重建后的图像尺寸为M×N×1。
多尺度卷积块处理过程如下:在多尺度卷积块中,三个并列的卷积层分别采用1×1、3×3、5×5这三种卷积核对输入的特征图进行卷积系列操作,再做特征图融合处理;卷积系列操作包括卷积操作,BN归一化和Relu激活函数处理;在卷积操作中,卷积核移动步长为2,同时采取卷积填充操作,卷积提取到的特征图尺寸缩减到原来的一半;输入特征图M×N ×C与每个k×k大小的卷积核进行卷积,实际卷积时卷积核的通道数与输入特征图的通道数一致,得到一个输出特征图,k×k大小的卷积核得到的输出特征图的卷积操作计算公式为:
所述的k×k指的是上述的1×1、3×3、5×5卷积核,k为1、3或5; 表示输出特征图在位置(m,n)上的像素值,表示卷积核的第c个通道中位置(i,j)上的值,表示输入特征图的第c个通道中位置(m-i+k,n-j+k)上的值,为每次进行卷积操作时的偏置项,是多尺度卷积自编码器中偏置项合集b的子元素;
卷积操作之后将每个卷积层提取到的特征图进行BN归一化处理;特征图的第c个通道中位置(m,n)上BN归一化的计算表达式如下:
表示特征图的第c个通道中位置(m,n)上的像素值,表示相应的BN归一化结果,L表示批量Batch的大小,即每次输入L张图像至多尺度卷积自编码器中进行训练;表示特征图的第c个通道的均值,表示特征图的第c个通道的标准差,表示批量中第个特征图的第c个通道中位置(m,n)上的像素值;和是网络训练过程中可学习的超参数,、的取值范围均为0~1,训练开始时,的初始值设置为1,的初始值设置为0,然后在网络训练的过程中不断调整;是一个确保数值稳定的常数,设置为0.0001;
其中表示该多尺度卷积块经过特征图融合处理后输出的融合特征图,表示1×1卷积系列操作得到的特征图,表示3×3卷积系列操作得到的特征图、表示5×5卷积系列操作得到的特征图;为矩阵通道合并操作符,将不同的矩阵在通道维度上合并。
多尺度反卷积块处理过程如下:在多尺度反卷积块中,三个并列的反卷积层分别采用1×1、3×3、5×5的卷积核对输入的特征图进行反卷积系列操作,再做特征图融合处理;反卷积系列操作包括反卷积操作,BN归一化和Relu激活函数处理;在反卷积操作中,卷积核移动步长为2,同时采取反卷积填充操作,反卷积提取到的特征图尺寸会扩大一倍,反卷积也可称为转置卷积,实际运算过程会将输入特征图周围进行填零操作,做扩充处理,然后再进行卷积操作;反卷积操作表达式表示如下:
所述的k×k指的是上述的1×1、3×3、5×5卷积核,k为1、3或5;其中,表示输出特征图在位置(m,n)上的像素值,表示卷积核的第c个通道中位置(i,j)上的值,表示输入特征图的第c个通道中位置(m-i+k,n-j+k)上的像素值,为每次进行卷积操作时的偏置项,是多尺度卷积自编码器中偏置项合集b的子元素;
反卷积操作之后将每个反卷积层提取到的特征图进行BN归一化处理;特征图的第c个通道中位置(m,n)上BN归一化的计算表达式如下:
表示特征图的第c个通道中位置(m,n)上的像素值,表示相应的BN归一化结果,L表示批量Batch的大小,即每次输入L张图像至多尺度卷积自编码器中进行训练;表示特征图的第c个通道的均值,表示特征图的第c个通道的标准差,表示批量中第个特征图的第c个通道中位置(m,n)上的像素值;和是网络训练过程中可学习的超参数,、的取值范围均为0~1,训练开始时,的初始值设置为1,的初始值设置为0,然后在网络训练的过程中不断调整;是一个确保数值稳定的常数,设置为0.0001;
其中表示该多尺度反卷积块经过特征图融合处理后输出的融合特征图,表示1×1反卷积系列操作得到的特征图,表示3×3反卷积系列操作得到的特征图、表示5×5反卷积系列操作得到的特征图;为矩阵通道合并操作符,将不同的矩阵在通道维度上合并。
在本实施例中,使用gprMax软件进行正演模拟,获取地下不同位置不同数量钢筋目标的GPR B-scan图像;总共获取了1400张无噪GPR标签数据集,将这些无噪数据集加入不同程度的高斯白噪声,分别构成5种信噪比为-15dB、-10dB、-5dB、0dB和5dB的含噪GPR数据集;其中每种含噪数据集中,1000张含噪GPR图像作为训练数据集,用于训练多尺度卷积自编码器MCAE模型,剩下的400张含噪GPR图像作为测试集,用来测试MCAE模型的性能;在实验中,我们利用TensorFlow深度学习框架实现了所设计的MCAE网络,并对其进行了训练和测试;
在MCAE模型的训练过程中,对于每一张含噪GPR图像x首先进行数据格式转换,转换后的图像尺寸大小为256×256×1即M=N=256;含噪GPR图像通过MCAE的编码器编码压缩为低维特征图s,同时仍保留数据的主要成分信息,在编码过程中,256×256×1大小的含噪图像首先经过第1个多尺度卷积块处理,输出的融合特征图尺寸为128×128×24,接着被输入到第2个多尺度卷积块处理,输出的融合特征图尺寸为64×64×48,最后经过第3个多尺度卷积块处理,输出编码后的低维特征图s尺寸为32×32×96;之后,低维特征图s借助MCAE的解码器解码,在解码过程中,低维特征图s经过解码器的第1个多尺度反卷积块处理,输出的融合特征图尺寸为64×64×96,接着经过第2个多尺度反卷积块处理,输出的特征融合特征图尺寸为128×128×48,然后经过第3个多尺度反卷积块处理,输出的融合特征图尺寸为256×256×24,最后通过编码器的卷积层,输出重建后的图像尺寸为256×256×1;
之后,计算解码器输出的图像与无噪声GPR图像之间的均方误差,并通过反向梯度传播计算方法不断优化MCAE的权值参数来缩小解码器输出的图像与无噪声GPR图像之间的误差;在实验中,每次训练时的批量大小设置为100,学习率设置为0.000005;为了提高模型的泛化能力,加入了正则化的优化方法;经过400个epcho之后,均方误差L趋于稳定,模型训练完毕,并保存好模型的权重参数w和b;
在测试过程中,我们将不同含噪数据集的测试集输入至已经训练好的MCAE模型中,通过MCAE编码和解码,重建输出去噪后的GPR图像,并计算去噪后图像的信噪比;实验结果显示,信噪比为-15dB的含噪GPR图像经过MCAE去噪后,其信噪比可提高到11.2dB,信噪比为-10dB的含噪图像去噪后可提高到13.0dB,信噪比为-5dB的含噪图像去噪后可提高到14.6dB,信噪比为0dB的含噪图像去噪后可提高到15.8dB,信噪比为5dB的含噪图像去噪后可提高到17.3dB。图2为不同信噪比含噪GPR图像数据集训练MCAE的均方误差下降曲线图。图3为同一样本在不同信噪比情况下经过MCAE去噪的效果展示图,其中(a)为无噪声GPR图像标签;(b)为不同信噪比含噪的GPR图像;(c)为对应的含噪GPR图像通过MCAE去噪后的GPR图像。图4为不同样本在信噪比为-10dB时经过MCAE去噪的效果展示图,其中,(a)为无噪声GPR图像标签;(b)为含噪GPR图像样本(SNR=-10dB);(c)为对应的含噪GPR图像通过MCAE去噪后的GPR图像(SNR=13.0dB)。
综上可见,本发明提出的一种基于多尺度卷积自编码器的探地雷达B-scan图像去噪方法,与传统的GPR图像去噪计算方法相比,本发明设计的自编码器采用了不同大小的卷积核对含噪图像进行了多尺度卷积操作,将待去噪的GPR图像输入至训练好的多尺度卷积自编码器,通过编码和解码,重建输出去噪后的GPR图像;本发明能够将低信噪比情况下的含噪GPR图像有效去噪;在实验中,信噪比为-15dB的含噪GPR图像经过多尺度卷积自编码器处理后,其信噪比可提高到11.2dB。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化;凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种探地雷达B-scan图像去噪方法,其特征在于包括以下步骤:
步骤1:探地雷达GPR在地表对预先埋有管线目标的单一背景介质区域进行探测,测线方向垂直于管线目标的轴线,对相应管线目标分别进行Z次探测,根据目标的雷达散射电磁波数据获取Z张具有双曲线特征的无噪GPR 标签图像;Z张无噪GPR 标签图像构成无噪GPR标签数据集;其中每个无噪GPR标签图像为一幅M×N的二维图像,M、N分别是该二维图像的像元行数、列数;对具有双曲线特征的无噪GPR标签数据集依次加入由低到高的高斯白噪声,构成相应信噪比为-15dB、-10dB、-5dB、0dB、5dB五种含噪GPR数据集,每一种含噪GPR数据集包括Z个含噪GPR图像x,每个含噪GPR图像x的大小为M×N;
步骤2:利用每种含噪GPR数据集及其对应的无噪GPR标签数据集训练多尺度卷积自编码器;所述多尺度卷积自编码器包括一个编码器E、一个解码器D;编码器E将输入的含噪GPR图像x编码压缩为一个低维特征图,编码过程经过了三个多尺度卷积块的处理,其中有168个卷积核的参数用于调节;编码后的低维特征图经过解码器D重建输出去噪GPR图像,解码过程经过了三个多尺度反卷积块和一个卷积层的处理,其中有169个卷积核的参数用于调节;通过经典的反向梯度传播计算方法减小输出去噪GPR图像与无噪GPR标签图像的误差,训练多尺度卷积自编码器,调节编码器和解码器的权值参数,从而完成从含噪GPR图像x到去噪GPR图像的映射;
所述的步骤2)中,训练多尺度卷积自编码器的过程如下:
2-2)含噪GPR图像x通过多尺度卷积自编码器MCAE的编码器E编码压缩为低维特征图,同时仍保留数据的主要特征信息,即数据的双曲线特征信息,编码后的低维特征图为(M/8)×(N/8)×96大小;编码过程表达式为:
其中代表编码器E输出的低维特征图,代表编码器中需要训练的网络权值参数合集,代表编码器中网络的偏置项合集;然后,低维特征图借助多尺度卷积自编码器的解码器D,输出尺寸大小为M×N×1的去噪GPR图像;解码过程的表达式为:
2-3)计算解码器输出的去噪GPR图像与无噪GPR标签图像之间的均方误差L,并通过反向梯度传播计算方法不断优化多尺度卷积自编码器的权值参数w和b,缩小解码器输出的去噪GPR图像与无噪GPR标签图像之间的误差,来训练多尺度卷积自编码器;计算均方误差L的表达式如下:
其中,表示无噪GPR标签图像中第m行第n列的像素值;表示去噪GPR图像中第m行第n列的像素值;w代表多尺度卷积自编码器中权值参数的总合集,它是编码器中权值参数合集与解码器中权值参数合集的并集;b代表多尺度卷积自编码器中偏置项的总合集,它是编码器中偏置项合集与解码器中偏置项合集的并集;
2-4)对每个训练样本含噪GPR图像x重复上述2-1)到2-3)的步骤,直到误差L下降到一个稳定的值,该稳定值接近于0,在区间(0, 0.0003)之间变动,则认为多尺度卷积自编码器训练完成。
2.如权利要求1所述的探地雷达B-scan图像去噪方法,其特征在于,所述步骤2中,所述多尺度卷积自编码器包括1个编码器和1个解码器,编码器由3个多尺度卷积块组成,每个多尺度卷积块包括3个并列的卷积层和1个特征图融合层;解码器由3个多尺度反卷积块和一个3×3卷积层组成,其中所述每个多尺度反卷积块包括3个并列的反卷积层和1个特征图融合层。
3.如权利要求2所述的探地雷达B-scan图像去噪方法,其特征在于,所述的多尺度卷积自编码器中:
所述编码器中,第1个多尺度卷积块的3个并列卷积层,其卷积核数目都为8,第2个多尺度卷积块的3个并列卷积层,其卷积核数目都为16,第3个多尺度卷积块的3个并列卷积层,其卷积核数目都为32;每个卷积块的3个并列卷积层,其卷积核大小分别为1×1、3×3、5×5,卷积核移动步长为2。
4.如权利要求3所述的探地雷达B-scan图像去噪方法,其特征在于,所述解码器中:第1个多尺度反卷积块的3个并列反卷积层,其卷积核数目都为32;第2个多尺度反卷积块的3个并列反卷积层,其卷积核数目都为16;第3个多尺度反卷积块的3个并列反卷积层,其卷积核数目都为8;每个反卷积块的3个并列反卷积层,其卷积核大小分别为1×1、3×3、5×5,卷积核移动步长为2;解码器最后的卷积层,卷积核个数为1,卷积核大小为3×3,卷积核移动步长为1。
5.如权利要求1所述的探地雷达B-scan图像去噪方法,其特征在于,MCAE的编码过程如下:
在编码过程中,M×N×1大小的含噪图像首先经过第1个多尺度卷积块处理,输出的融合特征图尺寸为(M/2)×(N/2)×24,接着被输入到第2个多尺度卷积块处理,输出的融合特征图尺寸为(M/4)×(N/4)×48,最后经过第3个多尺度卷积块处理,输出编码后的低维特征图尺寸为(M/8)×(N/8)×96;
在解码过程中,低维特征图经过解码器的第1个多尺度反卷积块处理,输出的融合特征图尺寸为(M/4)×(N/4)×96,接着经过第2个多尺度反卷积块处理,输出的融合特征图尺寸为(M/2)×(N/2)×48,然后经过第3个多尺度反卷积块处理,输出的融合特征图尺寸为M×N×24,最后通过解码器的卷积层,输出重建后的去噪图像尺寸为M×N×1。
6.如权利要求5所述的探地雷达B-scan图像去噪方法,其特征在于,多尺度卷积块处理过程如下:
在多尺度卷积块中,三个并列的卷积层分别采用1×1、3×3、5×5这三种卷积核对输入的特征图进行卷积系列操作,再做特征图融合处理;卷积系列操作包括卷积操作,BN归一化和Relu激活函数处理;在卷积操作中,卷积核移动步长为2,同时采取卷积填充操作,卷积提取到的特征图尺寸缩减到原来的一半;输入特征图M×N×C与每个k×k大小的卷积核进行卷积,实际卷积时卷积核的通道数与输入特征图的通道数一致,得到一个输出特征图,k×k大小的卷积核得到的输出特征图的卷积操作计算公式为:
所述的k×k指的是上述的1×1、3×3、5×5卷积核,k为1、3或5; 表示输出特征图在位置(m,n)上的像素值,表示卷积核的第c个通道中位置(i,j)上的值,示输入特征图的第c个通道中位置(m-i+k,n-j+k)上的值,为每次进行卷积操作时的偏置项,是多尺度卷积自编码器中偏置项合集b的子元素;
卷积操作之后将每个卷积层提取到的特征图进行BN归一化处理;特征图的第c个通道中位置(m,n)上BN归一化的计算表达式如下:
表示特征图的第c个通道中位置(m,n)上的像素值,表示相应的BN归一化结果,L表示批量Batch的大小,即每次输入L张图像至多尺度卷积自编码器中进行训练;表示特征图的第c个通道的均值,表示特征图的第c个通道的标准差,表示批量中第个特征图的第c个通道中位置(m,n)上的像素值;和是网络训练过程中可学习的超参数,、的取值范围均为0~1,训练开始时,的初始值设置为1,的初始值设置为0,然后在网络训练的过程中不断调整;是一个确保数值稳定的常数,设置为0.0001;
特征图BN归一化之后,采用经典的ReLu激活函数处理,其处理表达式如下:
最后再把这些不同卷积核得到的特征图均输入至特征图融合层,做融合处理,特征融合处理表示为:
7.如权利要求5所述的探地雷达B-scan图像去噪方法,其特征在于,多尺度反卷积块处理过程如下:在多尺度反卷积块中,三个并列的反卷积层分别采用1×1、3×3、5×5的卷积核对输入的特征图进行反卷积系列操作,再做特征图融合处理;反卷积系列操作包括反卷积操作,BN归一化和Relu激活函数处理;在反卷积操作中,卷积核移动步长为2,同时采取反卷积填充操作,反卷积提取到的特征图尺寸会扩大一倍,反卷积也可称为转置卷积,实际运算过程会将输入特征图周围进行填零操作,做扩充处理,然后再进行卷积操作;反卷积操作表达式表示如下:
所述的k×k指的是上述的1×1、3×3、5×5卷积核,k为1、3或5;其中,表示输出特征图在位置(m,n)上的像素值,表示卷积核的第c个通道中位置(i,j)上的值,表示输入特征图的第c个通道中位置(m-i+k,n-j+k)上的像素值,为每次进行卷积操作时的偏置项,是多尺度卷积自编码器中偏置项合集b的子元素;
反卷积操作之后将每个反卷积层提取到的特征图进行BN归一化处理;特征图的第c个通道中位置(m,n)上BN归一化的计算表达式如下:
表示特征图的第c个通道中位置(m,n)上的像素值,表示相应的BN归一化结果,L表示批量Batch的大小,即每次输入L张图像至多尺度卷积自编码器中进行训练;表示特征图的第c个通道的均值,表示特征图的第c个通道的标准差,表示批量中第个特征图的第c个通道中位置(m,n)上的像素值;和是网络训练过程中可学习的超参数,、的取值范围均为0~1,训练开始时,的初始值设置为1,的初始值设置为0,然后在网络训练的过程中不断调整;是一个确保数值稳定的常数,设置为0.0001;
特征图BN归一化之后,采用经典的ReLu激活函数处理,其处理表达式如下:
最后再把这些不同卷积核得到的特征图均输入至特征图融合层,做融合处理,特征融合处理表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110415692.6A CN112819732B (zh) | 2021-04-19 | 2021-04-19 | 一种探地雷达B-scan图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110415692.6A CN112819732B (zh) | 2021-04-19 | 2021-04-19 | 一种探地雷达B-scan图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819732A CN112819732A (zh) | 2021-05-18 |
CN112819732B true CN112819732B (zh) | 2021-07-09 |
Family
ID=75863642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110415692.6A Active CN112819732B (zh) | 2021-04-19 | 2021-04-19 | 一种探地雷达B-scan图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819732B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020225252A1 (en) * | 2019-05-06 | 2020-11-12 | Sony Corporation | Electronic device, method and computer program |
US11540798B2 (en) | 2019-08-30 | 2023-01-03 | The Research Foundation For The State University Of New York | Dilated convolutional neural network system and method for positron emission tomography (PET) image denoising |
CN114331890B (zh) * | 2021-12-27 | 2022-09-23 | 中南大学 | 基于深度学习的探地雷达B-scan图像特征增强方法及系统 |
CN114966600B (zh) * | 2022-07-29 | 2022-10-28 | 中南大学 | 一种探地雷达B-scan图像杂波抑制方法及系统 |
CN114972130B (zh) * | 2022-08-02 | 2022-11-18 | 深圳精智达技术股份有限公司 | 一种去噪神经网络的训练方法、装置及训练设备 |
CN115953790B (zh) * | 2022-09-29 | 2024-04-02 | 江苏智联天地科技有限公司 | 一种标签检测识别方法与系统 |
CN117576483A (zh) * | 2023-12-14 | 2024-02-20 | 中国石油大学(华东) | 基于多尺度卷积自编码器的多源数据融合地物分类方法 |
CN117830340A (zh) * | 2024-01-04 | 2024-04-05 | 中南大学 | 一种探地雷达目标特征分割方法、系统、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111324110A (zh) * | 2020-03-20 | 2020-06-23 | 北京工业大学 | 一种基于多块收缩自动编码器的发酵过程故障监测方法 |
CN111402174A (zh) * | 2020-04-03 | 2020-07-10 | 北京图湃影像科技有限公司 | 一种单张OCT B-scan图像去噪方法及装置 |
CN112070159A (zh) * | 2020-09-07 | 2020-12-11 | 焦点科技股份有限公司 | 一种多尺度滑窗相似图片检测方法 |
CN112634137A (zh) * | 2020-12-28 | 2021-04-09 | 西安电子科技大学 | 基于ae提取多尺度空谱特征的高光谱和全色图像融合方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016100814A1 (en) * | 2014-12-19 | 2016-06-23 | United Technologies Corporation | Multi-modal sensor data fusion for perception systems |
US11348364B2 (en) * | 2018-12-18 | 2022-05-31 | Booz Allen Hamilton Inc. | Method and system for neural fingerprint enhancement for fingerprint recognition |
CN111489306A (zh) * | 2020-03-31 | 2020-08-04 | 天津大学 | 基于强化学习的图像去噪方法 |
CN112215267B (zh) * | 2020-09-25 | 2022-11-01 | 天津大学 | 一种面向高光谱图像的深度空谱子空间聚类方法 |
-
2021
- 2021-04-19 CN CN202110415692.6A patent/CN112819732B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111324110A (zh) * | 2020-03-20 | 2020-06-23 | 北京工业大学 | 一种基于多块收缩自动编码器的发酵过程故障监测方法 |
CN111402174A (zh) * | 2020-04-03 | 2020-07-10 | 北京图湃影像科技有限公司 | 一种单张OCT B-scan图像去噪方法及装置 |
CN112070159A (zh) * | 2020-09-07 | 2020-12-11 | 焦点科技股份有限公司 | 一种多尺度滑窗相似图片检测方法 |
CN112634137A (zh) * | 2020-12-28 | 2021-04-09 | 西安电子科技大学 | 基于ae提取多尺度空谱特征的高光谱和全色图像融合方法 |
Non-Patent Citations (3)
Title |
---|
"A multi-scale convolutional auto-encoder and its application fault diagnosis of rolling bearings";Ding Yunhao等;《Journal of Southeast University (English Edition)》;20191231;第35卷(第4期);期刊第2节 * |
"Deep Learning-Based Subsurface Target Detection From GPR Scans";侯斐斐等;《IEEE》;20210108;全文 * |
"编码-解码多尺度卷积神经网络人群计数方法";孟月波等;《西安交通大学学报》;20200531;第54卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112819732A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112819732B (zh) | 一种探地雷达B-scan图像去噪方法 | |
Liu et al. | Random noise suppression in seismic data: What can deep learning do? | |
CN102324021B (zh) | 一种基于剪切波变换的红外弱小目标检测方法 | |
CN111242862A (zh) | 多尺度融合并行稠密残差卷积神经网络图像去噪方法 | |
CN111368710A (zh) | 一种联合深度学习的地震数据随机噪声压制方法 | |
CN112578471B (zh) | 一种探地雷达杂波噪声去除方法 | |
Raj et al. | Medical image denoising using multi-resolution transforms | |
CN103077507B (zh) | 基于Beta算法的多尺度SAR图像降噪方法 | |
CN102722879A (zh) | 基于目标提取和三维块匹配去噪的sar图像去斑方法 | |
He et al. | GPR image denoising with NSST-UNET and an improved BM3D | |
CN114966560A (zh) | 一种探地雷达后向投影成像方法及系统 | |
CN102184530B (zh) | 基于灰关联阈值的图像去噪方法 | |
CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
CN113205564B (zh) | 一种sar智能目标边缘重构方法 | |
CN112927169B (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 | |
CN115223033A (zh) | 一种合成孔径声呐图像目标分类方法及系统 | |
CN114240990A (zh) | Sar图像点目标分割方法 | |
Xia et al. | Low SNR sonar image restoration based on mixed probability statistical model in wavelet domain | |
Khami et al. | Automatic feature highlighting in noisy RES data with CycleGAN | |
CN117115015B (zh) | 一种sar海洋图像中海浪抑制方法、系统、设备及介质 | |
CN110515075B (zh) | 一种扫描雷达目标检测方法 | |
CN113781340A (zh) | 一种针对合成孔径雷达图像散斑抑制的深度网络模型 | |
Wang et al. | A Multi-Scale Denoising Method for Forward-Looking Sonar Image | |
Xiao-wei et al. | Sidescan sonar image de-noising algorithm in multi-wavelet domain | |
Wang et al. | Denoising images using Wiener filter in directionalet domain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |