CN113780362B - 一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法 - Google Patents
一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法 Download PDFInfo
- Publication number
- CN113780362B CN113780362B CN202110945451.2A CN202110945451A CN113780362B CN 113780362 B CN113780362 B CN 113780362B CN 202110945451 A CN202110945451 A CN 202110945451A CN 113780362 B CN113780362 B CN 113780362B
- Authority
- CN
- China
- Prior art keywords
- image
- ground penetrating
- penetrating radar
- training
- model
- 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
- 230000000149 penetrating effect Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000003416 augmentation Effects 0.000 claims abstract description 7
- 230000003190 augmentative effect Effects 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 239000000203 mixture Substances 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 abstract 1
- 241000940966 Dexia Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提出一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法，所述方法共6个步骤：对已获取的地下空洞目标的探地雷达回波图像进行预处理得到处理后的横向波纹得到抑制的图像；对生成的图像进行预筛选标注明确空洞目标像素位置；利用已标注的数据进行图像增广处理得到处理后的具有相似分布的图像；利用增广图像数据集，使用三种方法进行特征提取得到特征向量数据集；将获得的特征向量分为训练集和验证集，对隐马尔可夫模型进行训练得到权重模型；将获得的验证集输入得到的权重模型，对地下空洞目标探地雷达回波图像进行目标识别分类。本发明解决现有方法难以检测识别地下空洞目标的问题。
Description
技术领域
本发明属于探地雷达回波图像后处理的目标检测技术领域，特别是涉及一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法。
背景技术
探地雷达是一种用于探测浅层地下环境的非损伤性探测仪器。探地雷达利用地下介质的电磁介电常数的不同，这些参数的不同在雷达回波数据中有所体现，通过对回波数据的处理即可迅速探测并直观地理解地下环境的分布。为了直观呈现回波数据以便进行人工分析，横向列出多通道回波数据是常用的方法，在探地雷达分析中常用的B-Scan图像由此得来。
探地雷达作为一种快速、高分辨率、无损探测的重要地球物理方法，在地下塌陷空洞探测研究与工程实践中具有重要的意义与价值。探地雷达技术不会对路面产生结构性破坏，并适用于各种路况，其检测结果具有实时性和高精度性，满足公路病害检测对于高效无损、准确以及应用范围广的要求，适用于道路地下空洞的探测。探地雷达系统可由一对或多对发射和接收天线组成，每对发射机、接收机可以通过扫描感兴趣区域来采集单个B-Scan图像，通过对B-Scan图像的分析与验证即可获知地下环境分布情况。目前实际工程中采集到的B-Scan图像需要进行人工判读和解译，这种方法效率低下且常常导致漏检或虚检的问题。利用现在主流的一些深度学习方法进行地下空洞目标的检测与识别也存在问题，经过确认、验证、定位并获得相关模式信息的地下空洞获取困难，且地下空洞在B-Scan图像中没有固定的模式与形状，获取大量地下空洞样本也是很难实现的工程任务。
发明内容
本发明是为了解决现有方法难以检测识别地下空洞目标的问题，从而提供了一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法。
本发明是通过以下技术方案实现的，本发明提出一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法，所述自动识别方法包括以下步骤：
步骤1：对已获取的地下空洞目标的探地雷达回波图像进行预处理，得到横向波纹被抑制的探地雷达回波图像；
步骤2：对步骤1得到的探地雷达回波图像进行预筛选，标记明确空洞目标像素位置；
步骤3：利用步骤2中已标记的数据进行图像增广处理，得到处理后的具有相似分布的探地雷达回波图像；
步骤4：利用步骤3的增广图像数据，使用边缘直方图描述符、方向梯度直方图和Log-Gabor滤波器方法进行特征提取，得到特征向量数据集；
步骤5：将步骤4获得的数据集分为训练集和验证集，对隐马尔可夫模型进行训练，得到权重模型；
步骤6：将步骤5获得的验证集输入得到的权重模型，对地下空洞目标探地雷达回波图像进行目标识别分类。
进一步地，所述步骤1对已获取的地下空洞目标的探地雷达回波图像进行预处理具体为：对已获取的地下空洞目标的探地雷达回波图像进行地表反射波的去除和图像的滤波，其中通过直接截取的方式进行地表反射波的去除，滤波采用横向均值滤波方法，得到横向波纹受到抑制的探地雷达回波图像。
进一步地，所述步骤2对预处理后的图像进行预筛选，并标记明确空洞目标像素位置具体为：对CFAR进行简化和修改，不再设置参考窗，而是在整个图片上对地下空洞图像进行能量检测处理，从而利用简化和修改后的CFAR对地下空洞图像进行能量检测，并滤除孤立的异常能量区域，将得到的图像进行模糊化处理，最后对空洞的相关像素进行位置标记，明确每个子像素是否属于空洞。
进一步地，所述滤除孤立的异常能量区域具体为：首先，在图像上移动窗口，对每一个窗口内的像素点求均值，若均值小于某一阈值，则将该窗口内的所有像素值设定为0；其次，对每个分离的能量异常区域进行判断，若其占据的像素点数量小于阈值，将该区域内所有像素值设为0。
进一步地，所述步骤3标记的数据进行图像增广处理，得到处理后的具有相似分布的探地雷达回波图像具体为：对预处理和预筛选后的空洞图像进行翻转与加噪处理，增广得到水平镜像变换图像、高斯加噪图像和水平镜像变换并进行高斯加噪的图像。
进一步地，所述步骤4对增广图像数据，使用边缘直方图描述符、方向梯度直方图和Log-Gabor滤波器方法进行特征提取，得到特征向量数据集具体为：所述边缘直方图描述符利用5种不同角度的滤波器对图像中的图像块的方向进行确定；所述方向梯度直方图将图像分为一定大小的单元，在单元上对梯度值进行分类；所述Log-Gabor滤波器使用2种不同的中心频率和5个角度方向对图像的角度特征进行提取。
进一步地，所述步骤5对隐马尔可夫模型进行训练，得到权重模型具体为：所述的隐马尔可夫模型包含5个隐状态，使用混合高斯模型对观测值概率进行建模；训练参数为混合高斯模型迭代次数为100次，训练参数为隐马尔可夫模型迭代次数，共计两次迭代，次数分别为10次和100次；
先对混合高斯模型进行训练：首先构建一组高斯混合模型，使用K-means方法进行初始化，然后使用EM算法对模型参数进行估计，并使用训练集进行训练，对参数进行迭代与更新；
混合高斯模型的训练完成后，需要进行隐马尔可夫模型λ＝(N,M,π,A,B)的训练，使用Baum-Welch算法求解模型参数，其中N为隐藏状态的数量，M为可以观测的序列的状态数量，π为观测矩阵B初始状态概率向量，A为转移矩阵，B为观测矩阵；定义观测序列为V，对参数π、A、B进行估计：πi为参数π中元素，表示初始时刻隐藏状态为Si的概率，i为正整数；bj(k)为参数B中元素，表示t时刻隐藏状态为Sj的条件下观测状态为Vk的概率，k＝1,2,3，……M；j为正整数；aij为参数A中元素，表示t时刻隐藏状态为Si下一时刻隐藏状态为Sj的概率；
将训练混合高斯模型的训练集进行整合，对混合高斯模型-隐马尔可夫模型进行训练，从而得到权重模型。
进一步地，所述步骤6对地下空洞目标探地雷达回波图像进行目标识别分类具体为：将未使用过的地下空洞目标探地雷达回波图像进行特征提取并输入训练过的权重模型中，自动对地下空洞目标探地雷达回波图像进行目标识别。
本发明有益效果为：
本发明对已有的地下空洞目标探地雷达回波图像进行预处理和预筛选，将得到的图像进行加噪与翻转进行探地雷达回波图像增广工作，再根据输出结果使用三种不同的特征提取方式进行特征提取，根据提取的特征进行隐马尔可夫模型的训练及识别，将输出结果用于实现探地雷达回波图像地下空洞目标识别，采用本发明的方法对探地雷达回波图的地下空洞目标进行检测可以有效的提高识别概率。本发明可以将地下空洞目标识别概率提高到90％以上。
附图说明
图1是本发明基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法的流程图。
图2是混合高斯模型-隐马尔可夫模型结构图。
图3是已获取的单张地下空洞目标的探地雷达回波图像。
图4是单张地下空洞目标的探地雷达回波图像预处理后的图像。
图5是单张地下空洞目标的探地雷达回波图像预筛选后的图像。
图6是生成的具有与已知单张地下空洞探地雷达图像相似分布的探地雷达回波图。
图7是使用三种方式对单张地下空洞目标的探地雷达回波图像进行特征提取的结果示意图；其中(a)为边缘直方图描述符提取特征，(b)为方向梯度直方图提取特征，(c)为Log-Gabor滤波器提取特征。
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。
实际中探地雷达采集地下空洞相关数据时，由于地下空洞的形状是随机且难以预测的，同时其深度、尺寸、位置都是未知的，这就对其本身的数据采集和后续的基于深度学习的分类和探测产生了较大的阻碍。本发明的目的利用边缘直方图描述符、方向梯度直方图和Log-Gabor滤波器提取探地雷达回波图中的地下空洞目标特征，根据提取到的特征对隐马尔可夫模型进行训练工作，利用所得模型实现探地雷达回波图像地下空洞目标识别。
结合图1-7，本发明提出一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法，所述自动识别方法包括以下步骤：
步骤1：对已获取的地下空洞目标的探地雷达回波图像进行预处理，得到横向波纹被抑制的探地雷达回波图像；以减少整个数据集的冗余数据量。
所述步骤1对已获取的地下空洞目标的探地雷达回波图像进行预处理具体为：对已获取的地下空洞目标的探地雷达回波图像进行地表反射波的去除和图像的滤波，其中通过直接截取的方式进行地表反射波的去除，滤波采用横向均值滤波方法，得到横向波纹受到抑制的探地雷达回波图像。
步骤2：对步骤1得到的探地雷达回波图像进行预筛选，标记明确空洞目标像素位置；
所述步骤2对预处理后的图像进行预筛选，并标记明确空洞目标像素位置具体为：对恒虚警检测CFAR进行简化和修改，不再设置参考窗，而是在整个图片上对地下空洞图像进行能量检测处理，从而利用简化和修改后的CFAR对地下空洞图像进行能量检测，并滤除孤立的异常能量区域，将得到的图像进行模糊化处理，最后对空洞的相关像素进行位置标记，明确每个子像素是否属于空洞。
所述滤除孤立的异常能量区域具体为：首先，在图像上移动窗口，对每一个窗口内的像素点求均值，若均值小于某一阈值，则将该窗口内的所有像素值设定为0；其次，对每个分离的能量异常区域进行判断，若其占据的像素点数量小于阈值，将该区域内所有像素值设为0。
步骤3：利用步骤2中已标记的数据进行图像增广处理，得到处理后的具有相似分布的探地雷达回波图像；
所述步骤3标记的数据进行图像增广处理，得到处理后的具有相似分布的探地雷达回波图像具体为：对预处理和预筛选后的空洞图像进行翻转与加噪处理，增广得到水平镜像变换图像、高斯加噪图像和水平镜像变换并进行高斯加噪的图像。
步骤4：利用步骤3的增广图像数据，使用边缘直方图描述符、方向梯度直方图和Log-Gabor滤波器方法进行特征提取，得到特征向量数据集；
所述步骤4对增广图像数据，使用边缘直方图描述符、方向梯度直方图和Log-Gabor滤波器方法进行特征提取，得到特征向量数据集具体为：所述边缘直方图描述符利用5种不同角度的滤波器对图像中的图像块的方向进行确定；所述方向梯度直方图将图像分为一定大小的单元，在单元上对梯度值进行分类；所述Log-Gabor滤波器使用2种不同的中心频率和5个角度方向对图像的角度特征进行提取。预先对图像进行分割，使得三种特征提取方式得到的特征向量长度相同。具体如表1所示：
表1不同参数下特征提取方式的地下空洞目标探地雷达回波图像目标识别效果(a)隐马尔可夫模型二维图像识别率
(b)不同高斯算子下方向梯度直方图提取特征的隐马尔可夫模型识别率
(c)不同中心频率和方向下Log-Gabor滤波器提取特征的隐马尔可夫模型识别率
步骤5：将步骤4获得的数据集分为训练集和验证集，对隐马尔可夫模型进行训练，得到权重模型；
所述步骤5对隐马尔可夫模型进行训练，得到权重模型具体为：所述的隐马尔可夫模型包含5个隐状态，使用混合高斯模型对观测值概率进行建模；训练参数为混合高斯模型迭代次数为100次，训练参数为隐马尔可夫模型迭代次数，共计两次迭代，次数分别为10次和100次；
先对混合高斯模型进行训练：混合高斯模型的训练分为两个部分：初始化和参数的更新；首先构建一组高斯混合模型，使用K-means方法进行初始化，然后使用EM算法对模型参数进行估计，并使用训练集进行训练，对参数进行迭代与更新；
混合高斯模型的训练完成后，需要进行隐马尔可夫模型λ＝(N,M,π,A,B)的训练，使用Baum-Welch算法求解模型参数，其中N为隐藏状态的数量，M为可以观测的序列的状态数量，π为观测矩阵B初始状态概率向量，A为转移矩阵，B为观测矩阵；定义观测序列为V，对参数π、A、B进行估计：πi为参数π中元素，表示初始时刻隐藏状态为Si的概率，i为正整数；bj(k)为参数B中元素，表示t时刻隐藏状态为Sj的条件下观测状态为Vk的概率，k＝1,2,3，……M；j为正整数；aij为参数A中元素，表示t时刻隐藏状态为Si下一时刻隐藏状态为Sj的概率；
将训练混合高斯模型的训练集进行整合，对混合高斯模型-隐马尔可夫模型进行训练，从而得到权重模型。
步骤6：将步骤5获得的验证集输入得到的权重模型，对地下空洞目标探地雷达回波图像进行目标识别分类。
所述步骤6对地下空洞目标探地雷达回波图像进行目标识别分类具体为：将未使用过的地下空洞目标探地雷达回波图像进行特征提取并输入训练过的权重模型中，自动对地下空洞目标探地雷达回波图像进行目标识别。
以上对本发明所提出的一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别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)
1.一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法，其特征在于，所述自动识别方法包括以下步骤：
步骤1：对已获取的地下空洞目标的探地雷达回波图像进行预处理，得到横向波纹被抑制的探地雷达回波图像；
步骤2：对步骤1得到的探地雷达回波图像进行预筛选，标记明确空洞目标像素位置；
步骤3：利用步骤2中已标记的数据进行图像增广处理，得到处理后的具有相似分布的探地雷达回波图像；
步骤4：利用步骤3的增广图像数据，使用边缘直方图描述符、方向梯度直方图和Log-Gabor滤波器方法进行特征提取，得到特征向量数据集；
步骤5：将步骤4获得的数据集分为训练集和验证集，对隐马尔可夫模型进行训练，得到权重模型；
所述步骤5对隐马尔可夫模型进行训练，得到权重模型具体为：所述的隐马尔可夫模型包含5个隐状态，使用混合高斯模型对观测值概率进行建模；训练参数为混合高斯模型迭代次数为100次，训练参数为隐马尔可夫模型迭代次数，共计两次迭代，次数分别为10次和100次；
先对混合高斯模型进行训练：首先构建一组高斯混合模型，使用K-means方法进行初始化，然后使用EM算法对模型参数进行估计，并使用训练集进行训练，对参数进行迭代与更新；
混合高斯模型的训练完成后，需要进行隐马尔可夫模型λ＝(N,M,π,A,B)的训练，使用Baum-Welch算法求解模型参数，其中N为隐藏状态的数量，M为可以观测的序列的状态数量，π为观测矩阵B初始状态概率向量，A为转移矩阵，B为观测矩阵；定义观测序列为V，对参数π、A、B进行估计：πi为参数π中元素，表示初始时刻隐藏状态为Si的概率，i为正整数；bj(k)为参数B中元素，表示t时刻隐藏状态为Sj的条件下观测状态为Vk的概率，k＝1,2,3，……M；j为正整数；aij为参数A中元素，表示t时刻隐藏状态为Si下一时刻隐藏状态为Sj的概率；
将训练混合高斯模型的训练集进行整合，对混合高斯模型-隐马尔可夫模型进行训练，从而得到权重模型；
步骤6：将步骤5获得的验证集输入得到的权重模型，对地下空洞目标探地雷达回波图像进行目标识别分类。
2.根据权利要求1所述的自动识别方法，其特征在于，所述步骤1对已获取的地下空洞目标的探地雷达回波图像进行预处理具体为：对已获取的地下空洞目标的探地雷达回波图像进行地表反射波的去除和图像的滤波，其中通过直接截取的方式进行地表反射波的去除，滤波采用横向均值滤波方法，得到横向波纹受到抑制的探地雷达回波图像。
3.根据权利要求1所述的自动识别方法，其特征在于，所述步骤2对预处理后的图像进行预筛选，并标记明确空洞目标像素位置具体为：对CFAR进行简化和修改，不再设置参考窗，而是在整个图片上对地下空洞图像进行能量检测处理，从而利用简化和修改后的CFAR对地下空洞图像进行能量检测，并滤除孤立的异常能量区域，将得到的图像进行模糊化处理，最后对空洞的相关像素进行位置标记，明确每个子像素是否属于空洞。
4.根据权利要求3所述的自动识别方法，其特征在于，所述滤除孤立的异常能量区域具体为：首先，在图像上移动窗口，对每一个窗口内的像素点求均值，若均值小于某一阈值，则将该窗口内的所有像素值设定为0；其次，对每个分离的能量异常区域进行判断，若其占据的像素点数量小于阈值，将该区域内所有像素值设为0。
5.根据权利要求1所述的自动识别方法，其特征在于，所述步骤3标记的数据进行图像增广处理，得到处理后的具有相似分布的探地雷达回波图像具体为：对预处理和预筛选后的空洞图像进行翻转与加噪处理，增广得到水平镜像变换图像、高斯加噪图像和水平镜像变换并进行高斯加噪的图像。
6.根据权利要求1所述的自动识别方法，其特征在于，所述步骤4对增广图像数据，使用边缘直方图描述符、方向梯度直方图和Log-Gabor滤波器方法进行特征提取，得到特征向量数据集具体为：所述边缘直方图描述符利用5种不同角度的滤波器对图像中的图像块的方向进行确定；所述方向梯度直方图将图像分为一定大小的单元，在单元上对梯度值进行分类；所述Log-Gabor滤波器使用2种不同的中心频率和5个角度方向对图像的角度特征进行提取。
7.根据权利要求1所述的自动识别方法，其特征在于，所述步骤6对地下空洞目标探地雷达回波图像进行目标识别分类具体为：将未使用过的地下空洞目标探地雷达回波图像进行特征提取并输入训练过的权重模型中，自动对地下空洞目标探地雷达回波图像进行目标识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110945451.2A CN113780362B (zh) | 2021-08-17 | 2021-08-17 | 一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110945451.2A CN113780362B (zh) | 2021-08-17 | 2021-08-17 | 一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113780362A CN113780362A (zh) | 2021-12-10 |
| CN113780362B true CN113780362B (zh) | 2024-04-02 |
Family
ID=78837991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110945451.2A Active CN113780362B (zh) | 2021-08-17 | 2021-08-17 | 一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780362B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102169177A (zh) * | 2011-01-21 | 2011-08-31 | 西安电子科技大学 | 基于时域特征的雷达目标高分辨距离像识别方法 |
| CN102175999A (zh) * | 2011-01-21 | 2011-09-07 | 西安电子科技大学 | 基于谱图特征的雷达目标高分辨距离像识别方法 |
| CN109190510A (zh) * | 2018-08-13 | 2019-01-11 | 中国矿业大学(北京) | 基于探地雷达的地下空洞量化识别方法 |
-
2021
- 2021-08-17 CN CN202110945451.2A patent/CN113780362B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102169177A (zh) * | 2011-01-21 | 2011-08-31 | 西安电子科技大学 | 基于时域特征的雷达目标高分辨距离像识别方法 |
| CN102175999A (zh) * | 2011-01-21 | 2011-09-07 | 西安电子科技大学 | 基于谱图特征的雷达目标高分辨距离像识别方法 |
| CN109190510A (zh) * | 2018-08-13 | 2019-01-11 | 中国矿业大学(北京) | 基于探地雷达的地下空洞量化识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113780362A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
| CN112132042B (zh) | 基于对抗域适应的sar图像目标检测方法 | |
| CN104376330B (zh) | 基于超像素散射机制的极化sar图像舰船目标检测方法 | |
| CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
| CN103455797A (zh) | 航拍视频中运动小目标的检测与跟踪方法 | |
| CN107329137B (zh) | 基于box样条小波框架的探地雷达地下目标定位方法及系统 | |
| CN102298698A (zh) | 基于角点与边缘信息融合的遥感图像飞机检测方法 | |
| CN113536963B (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
| CN101533466B (zh) | 一种眼睛定位图像处理方法 | |
| CN103886606B (zh) | 基于联合广义伽玛分布参数的sar图像分割方法 | |
| CN110110618B (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
| CN105354824B (zh) | 基于区域提取的双参数恒虚警检测方法 | |
| CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
| CN103824302A (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
| CN105389799A (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
| CN108647658A (zh) | 一种高空卷云的红外成像检测方法 | |
| Guo et al. | KD-tree-based euclidean clustering for tomographic SAR point cloud extraction and segmentation | |
| Dou et al. | Aircraft recognition in high resolution SAR images using saliency map and scattering structure features | |
| CN116758049A (zh) | 一种基于主被动卫星遥感的城市洪涝立体监测方法 | |
| CN107358162B (zh) | 基于深度堆栈网络的极化sar影像变化检测方法 | |
| CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
| CN113780362B (zh) | 一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法 | |
| CN116930904A (zh) | 一种探地雷达图像对齐及差异检测方法 | |
| CN104732190B (zh) | 一种基于正交纹理相关分析的合成孔径声纳目标检测方法 | |
| CN114169402B (zh) | 一种基于门控循环单元的探地雷达地下空洞目标自动识别方法 |
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 |