CN114331890B - 基于深度学习的探地雷达B-scan图像特征增强方法及系统 - Google Patents

基于深度学习的探地雷达B-scan图像特征增强方法及系统 Download PDF

Info

Publication number
CN114331890B
CN114331890B CN202111616020.8A CN202111616020A CN114331890B CN 114331890 B CN114331890 B CN 114331890B CN 202111616020 A CN202111616020 A CN 202111616020A CN 114331890 B CN114331890 B CN 114331890B
Authority
CN
China
Prior art keywords
gpr
resolution
low
image
scan 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
Application number
CN202111616020.8A
Other languages
English (en)
Other versions
CN114331890A (zh
Inventor
雷文太
毛凌青
隋浩
辛常乐
罗诗光
张硕
王义为
李若楠
王睿卿
罗佳斌
徐龙
宋千
任强
王春和
彭正辉
王君超
王成浩
李少龙
刘闯
张其道
张友源
冯温雅
程丹丹
程星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
China Institute of Radio Wave Propagation CETC 22 Research Institute
Original Assignee
Central South University
China Institute of Radio Wave Propagation CETC 22 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University, China Institute of Radio Wave Propagation CETC 22 Research Institute filed Critical Central South University
Priority to CN202111616020.8A priority Critical patent/CN114331890B/zh
Publication of CN114331890A publication Critical patent/CN114331890A/zh
Application granted granted Critical
Publication of CN114331890B publication Critical patent/CN114331890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

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。

Description

基于深度学习的探地雷达B-scan图像特征增强方法及系统
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
基于此，本发明提供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，以解决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GPRB-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。
基于上述目的，本发明提供一种基于深度学习的探地雷达B-scan图像特征增强方法，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；
获取多张所述GPR B-scan图像，并将所述GPR B-scan图像作为无噪高分辨率GPR标签图像构建无噪高分辨率GPR标签数据集；
对所述无噪高分辨率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，并对所述无噪低分辨率GPR标签数据集加入预设信噪比的高斯白噪声，得到有噪低分辨率GPR图像数据集；
构建双重生成对抗网络；所述双重生成对抗网络包含两个GAN网络，第一个GAN网络为噪声抑制GAN网络，用于抑制低分辨率GPR B-scan图像的噪声，得到去噪低分辨率GPRB-scan图像；第二个GAN网络为超分辨率GAN网络，用于提高低分辨率GPR B-scan图像中目标的分辨率，得到高分辨率GPR B-scan图像；
利用所述有噪低分辨率GPR图像数据集与对应的所述无噪低分辨率GPR标签数据集和所述无噪高分辨率GPR标签数据集，训练所述双重生成对抗网络；
将含噪低分辨率GPR B-scan图像输入至训练好的所述双重生成对抗网络，通过所述噪声抑制GAN网络和所述超分辨率GAN网络处理得到高分辨率GPR B-scan图像。
可选的，所述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，包括：
确定探地雷达的扫描测线，所述扫描测线垂直于地下探测区域中管线的轴向，且所述扫描测线上设有N个扫描点；
在每一个所述扫描点上，通过GPR发射天线向所述地下探测区域发射电磁波，并通过GPR接收天线接收散射回波，得到一道包含M个时间采样点的GPR A-scan回波；
根据获取的N道所述GPR A-scan回波构建一张GPR B-scan图像，所述GPR B-scan图像的大小为M×N，M为图像的行数，N为图像的列数。
可选的，所述对所述无噪高分辨率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，并对所述无噪低分辨率GPR标签数据集加入预设信噪比的高斯白噪声，得到有噪低分辨率GPR图像数据集，包括：
对无噪高分辨率GPR标签数据集中的每张无噪高分辨率GPR标签图像，按照预设采样间隔K进行行与列等间隔下采样，得到多张无噪低分辨率GPR标签图像构成无噪低分辨率GPR标签数据集，所述无噪低分辨率GPR标签图像的大小为M1×N1，M1＝1/K*M，N1＝1/K*N；
对所述无噪低分辨率GPR标签数据集中的所述无噪低分辨率GPR标签图像加入预设信噪比的高斯白噪声，得到多张有噪低分辨率GPR B-scan图像构成有噪低分辨率GPR图像数据集。
可选的，所述利用所述有噪低分辨率GPR图像数据集与对应的所述无噪低分辨率GPR标签数据集和所述无噪高分辨率GPR标签数据集，训练所述双重生成对抗网络，包括：
初始化所述双重生成对抗网络的训练参数；
将所述有噪低分辨率GPR图像数据集、所述无噪低分辨率GPR标签数据集和所述无噪高分辨率GPR标签数据集中的图像数据分为k组，以对所述双重生成对抗网络进行批训练；
在每次批训练中，选取一组有噪低分辨率GPR B-scan图像作为输入，对应的一组无噪低分辨率GPR标签图像作为输出训练所述噪声抑制GAN网络；
将同组所述有噪低分辨率GPR B-scan图像和所述噪声抑制GAN网络输出的一组去噪低分辨率GPR B-scan图像作为输入，对应的一组无噪高分辨率GPR标签图像作为输出训练所述超分辨率GAN网络；
重复批训练所述噪声抑制GAN网络和所述超分辨率GAN网络，直至完成一个周期训练，该周期训练包含k次批训练；
重复对所述双重生成对抗网络进行周期训练，直至所述双重生成对抗网络的损失误差趋于稳定，输出训练好的所述双重生成对抗网络。
可选的，所述噪声抑制GAN网络由第一生成器和第一判别器组成，所述第一生成器用于接收输入的有噪低分辨率GPR B-scan图像，并生成去噪低分辨率GPR B-scan图像，所述第一判别器用于接收所述第一生成器生成的去噪低分辨率GPR B-scan图像和对应的无噪低分辨率GPR标签图像，并输出对应的第一判别值；
所述超分辨率GAN网络由第二生成器和第二判别器组成，所述第二生成器用于接收所述第一生成器输出的去噪低分辨率GPR B-scan图像和输入所述第一生成器的有噪低分辨率GPR B-scan图像，并生成高分辨率GPR B-scan图像；所述第二判别器用于接收第二生成器生成的高分辨率GPR B-scan图像和对应的无噪高分辨率GPR标签图像，并输出对应的第二判别值。
可选的，所述噪声抑制GAN网络中的第一生成器由若干个卷积层、若干个多尺度卷积块、若干个最大池化层、若干个上采样层和若干条跳跃连接组成；
所述第一生成器的损失函数为：
Figure GDA0003790472030000041
Figure GDA0003790472030000042
Figure GDA0003790472030000043
其中，LossG1为所述第一生成器的损失函数，
Figure GDA0003790472030000044
为所述第一生成器的输出与标签的均方误差，
Figure GDA0003790472030000045
为所述第一生成器的输出输入至所述第一判别器得到的判别值与1比较的对抗损失，E()是对一组待训练图像数据产生的损失值求均值，N为一组待训练图像数据的样本数量，H、W分别为低分辨率图像的行数与列数，G1(y)是有噪低分辨率GPR B-scan图像输入至所述第一生成器得到的去噪低分辨率GPR B-scan图像，D1(G1(y))是生成的去噪低分辨率GPR B-scan图像输入至所述第一判别器得到的判别值，G1(y(n))为第n个生成的去噪低分辨率GPR B-scan图像，x(n)是第n个无噪低分辨率GPR标签图像，α1是噪声抑制GAN网络的超参数。
可选的，所述第一生成器中的多尺度卷积块由四个并列的卷积单元、一个特征融合单元和一个卷积残差单元组成，所述卷积残差单元由卷积层、残差层和激活层组成。
可选的，所述噪声抑制GAN网络中的第一判别器由七个卷积层组成；所述第一判别器的损失函数为：
LossD1＝E[(D1(x)-1)2]+E[(D1(G1(y)))2]，
其中，LossD1是所述第一判别器的损失函数，D1(x)是无噪低分辨率GPR标签图像输入至所述第一判别器得到的判别值。
可选的，所述超分辨率GAN网络中的第二生成器由若干个卷积层、若干个残差卷积块、若干个最大池化层、若干个上采样层和若干条跳跃连接组成；且所述第二生成器的损失函数为：
所述第二生成器的损失函数为：
Figure GDA0003790472030000046
Figure GDA0003790472030000051
Figure GDA0003790472030000052
Figure GDA0003790472030000053
其中，LossG2是所述第二生成器的损失函数，
Figure GDA0003790472030000054
是对抗损失，
Figure GDA0003790472030000055
是所述第二生成器的输出与标签的均方误差，Lf是所述第二生成器生成的高分辨率GPR B-scan图像与对应的无噪高分辨率GPR标签图像输入至自编码器得到的空间特征的均方误差，E()是对一组待训练图像数据产生的损失求均值，N为一组待训练图像数据的样本数量，H、W分别为高分辨率图像的行数与列数，G2(y1)是所述第二生成器生成的高分辨率GPR B-scan图像，D2(G2(y1))是生成的高分辨率GPR B-scan图像输入到所述第二判别器得到的判别值，G2(y1(n))为第n个生成的高分辨率GPR B-scan图像，x1(n)是第n个无噪高分辨率GPR标签图像，F(G2(y1(n))、F(x1(n))分别是自编码器对第n个生成的高分辨率GPR B-scan图像与第n个无噪高分辨率GPR标签图像提取的空间特征，α2和β是所述超分辨率GAN网络的超参数。
可选的，所述第二生成器中的残差卷积块由第一卷积层、第二卷积层、残差层和激活层组成。
可选的，所述超分辨率GAN网络中的第二判别器由七个卷积层组成；所述第二判别器的损失函数为：
LossD2＝E[(D2(x1)-1)2]+E[(D2(G2(y1)))2]，
其中，LossD2是所述第二判别器的损失函数，D2(x1)是无噪高分辨率GPR标签图像输入至所述第二判别器得到的判别值。
此外，本发明还提供一种基于深度学习的探地雷达B-scan图像特征增强系统，包括：
图像收集模块，用于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；
数据集构建模块，用于获取多张所述GPR B-scan图像，并将所述GPR B-scan图像作为无噪高分辨率GPR标签图像构建无噪高分辨率GPR标签数据集；
数据集处理模块，用于对所述无噪高分辨率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，并对所述无噪低分辨率GPR标签数据集加入预设信噪比的高斯白噪声，得到有噪低分辨率GPR图像数据集；
网络设计模块，用于构建双重生成对抗网络；所述双重生成对抗网络包含两个GAN网络，第一个GAN网络为噪声抑制GAN网络，用于抑制低分辨率GPR B-scan图像的噪声，得到去噪低分辨率GPR B-scan图像；第二个GAN网络为超分辨率GAN网络，用于提高低分辨率GPRB-scan图像中目标的分辨率，得到高分辨率GPR B-scan图像；
网络训练模块，用于利用所述有噪低分辨率GPR图像数据集与对应的所述无噪低分辨率GPR标签数据集和所述无噪高分辨率GPR标签数据集，训练所述双重生成对抗网络；
图像特征增强模块，用于将含噪低分辨率GPR B-scan图像输入至训练好的所述双重生成对抗网络，通过所述噪声抑制GAN网络和所述超分辨率GAN网络处理得到高分辨率GPR B-scan图像。
由上述可知，本发明提供的基于深度学习的探地雷达B-scan图像特征增强方法及系统，构建的双重生成对抗网络由抑制噪声GAN网络与超分辨率GAN网络组成，抑制噪声GAN网络与超分辨率GAN网络级连在一起。与单独的超分辨率网络相比，在对有噪低分辨率GPRB-scan图像进行高分辨率恢复时，双重生成对抗网络不会丢失双曲线特征，也不会产生虚假的双曲线，能够有效地对低信噪比情况下的有噪低分辨率GPR B-scan图像进行噪声抑制，并且提高低分辨率GPR B-scan图像中目标的分辨率，去除模糊，实现GPR B-scan图像特征增强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例中基于深度学习的探地雷达B-scan图像特征增强方法的流程图；
图2为本发明一实施例中噪声抑制GAN网络中的第一生成器的结构图；
图3为本发明一实施例中第一生成器中的多尺度卷积块的结构图；
图4为本发明一实施例中噪声抑制GAN网络中的第一判别器的结构图；
图5为本发明一实施例中超分辨率GAN网络中的第二生成器的结构图；
图6为本发明一实施例中第二生成器中的残差卷积块的结构图；
图7为本发明一实施例中自编码器的结构图；
图8为本发明一实施例中超分辨率GAN网络中的第二判别器的结构图；
图9为本发明一实施例中DGAN训练过程的流程图；
图10为本发明一实施例中GPR B-scan图像特征增强的流程图；
图11为本发明一实施例中基于深度学习的探地雷达B-scan图像特征增强系统的结构框图。
具体实施方式
为使本发明所要解决的技术问题、技术方案及有益效果更为清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
如图1所示，本发明一实施例提供的一种基于深度学习的探地雷达B-scan图像特征增强方法，具体包括以下步骤：
步骤S10，通过探地雷达(Ground Penetrating Radar，简称GPR)对地下探测区域进行B扫描，获取GPR B-scan图像。
在本实施例中，GPR安装有发射天线和接收天线，GPR B-scan图像的大小为M×N。
作为优选，步骤S10包括以下步骤：
步骤S101，确定GPR的扫描测线，该扫描测线垂直于地下探测区域中管线的轴向，且扫描测线上设有N个扫描点；
步骤S102，在每一个扫描点上，通过GPR的发射天线向地下探测区域发射电磁波，并通过GPR的接收天线接收散射回波，得到一道包含M个时间采样点的GPR A-scan回波；
步骤S103，根据获取的N道GPR A-scan回波构建一张GPR B-scan图像，该GPR B-scan图像的大小为M×N，M为图像的行数，N为图像的列数。
也即，在通过GPR对埋有管线的地下探测区域进行扫描时，将扫描测线垂直于地下管线的轴向进行设置，并在扫描测线上设置N个扫描点。在每个扫描点上，以M个时间采样点作为一个采样周期，通过GPR发射天线向地下探测区域发射电磁波，并通过接收GPR天线接收散射回波，实现一次A扫描，得到一道A-scan回波，即沿着扫描测线进行扫描时，每个扫描点处可获得一道包含M个时间采样点的A-scan回波，从而得到N个A-scan回波。进一步地，由N个A-scan回波构成一张GPR B-scan图像，该GPR B-scan图像的大小为M×N，M为图像的行数，表示每道A-scan回波的时间采样点数，N为图像的列数，表示A-scan回波的道数。优选地，M＝2n，N＝2n，且n≥5，n为正整数。
步骤S20，获取多张GPR B-scan图像，并将GPR B-scan图像作为无噪高分辨率GPR标签图像构建无噪高分辨率GPR标签数据集。
按照上述方法获取X张GPR B-scan图像，并将GPR B-scan图像作为无噪高分辨率GPR标签图像。为满足网络训练的要求，将所有的无噪高分辨率GPR标签图像的维度设置为M×N×1，表示每张无噪高分辨率GPR标签图像的通道数为1，行数为M，列数为N，且每张无噪高分辨率GPR标签图像为灰度图像。进一步地，由多张无噪高分辨率GPR标签图像得到网络训练的无噪高分辨率GPR标签数据集。
步骤S30，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，并对无噪低分辨率GPR标签数据集加入预设信噪比的高斯白噪声，得到有噪低分辨率GPR图像数据集。
在本实施例中，无噪高分辨率GPR标签数据集中包含X张无噪高分辨率GPR标签图像，且无噪高分辨率GPR标签图像的维度为M×N×1；无噪低分辨率GPR标签数据集中包含X张无噪低分辨率GPR标签图像，且无噪低分辨率GPR标签图像的维度为M1×N1×1，其中，M1＝1/K*M，N1＝1/K*N，K为预设采样间隔；有噪低分辨率GPR图像数据集包含X张有噪低分辨率GPR B-scan图像，且有噪低分辨率GPR B-scan图像的维度为M1×N1×1。在本实施例中，预设采样间隔K的取值范围为1～5，优选地，预设采样间隔K设置为4。且优选地，无噪高分辨率GPR标签图像的维度设置为256×256×1，相应地，无噪低分辨率GPR标签图像和有噪低分辨率GPR B-scan图像的维度均为64×64×1。
作为优选，步骤S30包括以下步骤：
步骤S301，对无噪高分辨率GPR标签数据集中的无噪高分辨率GPR标签图像，按照预设采样间隔K进行行与列等间隔下采样，得到X张无噪低分辨率GPR标签图像构成无噪低分辨率GPR标签数据集，该无噪低分辨率GPR标签图像的大小为M1×N1，M1＝1/K*M，N1＝1/K*N。
步骤S302，对无噪低分辨率GPR标签数据集中的无噪低分辨率GPR标签图像加入预设信噪比的噪声，得到X张有噪低分辨率GPR B-scan图像构成有噪低分辨率GPR图像数据集。
以预设采样间隔K设置为4，预设信噪比设置为5dB、0dB、-5dB和-10dB为例，对无噪高分辨率GPR标签数据集中的每张无噪高分辨率GPR标签图像进行行与列等间隔下采样，使每张无噪高分辨率GPR标签图像的行与列变为原来的四分之一，得到维度为M1×N1×1的无噪低分辨率GPR标签图像，构成无噪低分辨率GPR标签数据集。
对无噪低分辨率GPR标签数据集中的每个无噪低分辨率GPR标签图像分别加入信噪比为5dB、0dB、-5dB、-10dB的高斯白噪声，得到不同信噪比的有噪低分辨率GPR B-scan图像，构成不同信噪比的有噪低分辨率GPR图像数据集。
步骤S40，构建双重生成对抗网络(Dual Generative Adversarial Networks，后续简称DGAN)；双重生成对抗网络包含两个GAN网络，第一个GAN网络为噪声抑制GAN网络(后续简称NRGAN)，用于抑制低分辨率GPR B-scan图像的噪声，得到去噪低分辨率GPR B-scan图像；第二个GAN网络为超分辨率GAN网络(后续简称SRGAN)，用于提高去噪低分辨率GPR B-scan图像中目标的分辨率，得到高分辨率GPR B-scan图像。
在本实施例中，步骤S40设计的双重生成对抗网络包含两个不同的GAN网络组成，且两个GAN网络级连在一起，同时进行训练，NRGAN输出的去噪低分辨率GPR B-scan图像与NRGAN输入的有噪低分辨率GPR B-scan图像一起作为SRGAN的输入，SRGAN输出清晰的高分辨率GPR B-scan图像。以下对各个GAN网络进行详细说明。
(1)噪声抑制GAN网络
NRGAN由第一生成器G1和第一判别器D1组成，第一生成器G1用于接收输入的有噪低分辨率GPR B-scan图像，并生成去噪低分辨率GPR B-scan图像，第一判别器D1用于接收第一生成器G1输出的去噪低分辨率GPR B-scan图像和对应的无噪低分辨率GPR标签图像，并输出对应的第一判别值，即第一判别器D1会对图像进行真假判别，无噪低分辨率标签图像会判别为1，生成的去噪低分辨率GPR B-scan图像会判别为0。NRGAN的具体结构如下。
1)第一生成器G1
第一生成器G1由若干个卷积层、若干个多尺度卷积块、若干个最大池化层、若干个上采样层和若干条跳跃连接组成。
该第一生成器G1的具体结构如图2所示，第一生成器G1的第1层为卷积核数量为64、大小为3×3的卷积层，第2层为多尺度卷积块，第3层为最大池化层，第4层为卷积核数量为128、大小为3×3的卷积层，第5层为多尺度卷积块，第6层为最大池化层，第7层为卷积核数量为256、大小为3×3的卷积层，第8层为多尺度卷积块，第9层为最大池化层，第10层为卷积核数量为512、大小为3×3的卷积层，第11层为多尺度卷积块，第12层为上采样层，第13层为卷积核数量为256、大小为3×3的卷积层，第14层为卷积核数量为256、大小为3×3的卷积层，第15层为上采样层，第16层为卷积核数量为128、大小为3×3的卷积层，第17层为卷积核数量为128、大小为3×3的卷积层，第18层为上采样层，第19层为卷积核数量为64、大小为3×3的卷积层，第20层为卷积核数量为64、大小为3×3的卷积层，第21层为卷积核数量为1、大小为1×1的卷积层；所有的卷积层的步长均为1，所有的上采样层的采样核大小均为2×2，所有的最大池化层的池化核大小均为2×2；第一条跳跃连接的两端分别连接第8层与第13层，第二条跳跃连接的两端分别连接第5层与第16层，第三个跳跃连接的两端分别连接第3层与第19层。
第一生成器G1的损失函数LossG1包含两项，第一项是第一生成器G1的输出与标签的均方误差
Figure GDA0003790472030000091
第二项是第一生成器G1的输出输入至第一判别器D1得到的判别值与预设值(预设值为1)比较的对抗损失
Figure GDA0003790472030000092
第一生成器G1的损失函数LossG1为：
Figure GDA0003790472030000093
Figure GDA0003790472030000101
Figure GDA0003790472030000102
上式中，E()是对一组待训练图像数据产生的损失值求均值，N为该组待训练图像数据的样本数量，H、W分别为低分辨率图像的行数与列数，G1(y)是有噪低分辨率GPR B-scan图像输入至第一生成器G1得到的去噪低分辨率GPR B-scan图像，D1(G1(y))是第一生成器G1生成的去噪低分辨率GPR B-scan图像输入至第一判别器D1得到的判别值，G1(y(n))为第n个生成的去噪低分辨率GPR B-scan图像，x(n)是第n个无噪低分辨率GPR标签图像，α1是NRGAN的超参数。
进一步地，第一生成器G1中的多尺度卷积块的具体结构如图3所示，多尺度卷积块由四个并列的卷积单元、一个特征融合单元和一个卷积残差单元组成，卷积残差单元由卷积核数量为输入到多尺度卷积块的特征图通道数、卷积核大小为1×1的卷积层、残差层和激活层组成，第一卷积单元有一个卷积层，卷积核大小为1×1，第二卷积单元有四个卷积层，卷积核大小分别为1×1、3×1、1×3、1×1，第三卷积单元有五个卷积层，卷积核大小分别为1×1、3×3、3×1、1×3、1×1，第四卷积单元的第一层为池化核为3×3，步长为1的平均池化层，第二层为卷积核大小为3×3的卷积层，四个卷积单元的卷积层步长均为1，卷积核数量均是输入到多尺度卷积块的特征图通道数的一半；特征融合层用于将四个卷积单元的输出进行融合，并将融合后的特征图输入到卷积残差单元，卷积残差单元用于对融合后的特征图进行卷积操作后与输入到多尺度卷积块的特征图进行残差连接，得到多尺度卷积块的最终输出。
2)第一判别器D1
该第一判别器D1的具体结构如图4所示，第一判别器D1由七个卷积层组成，七个卷积层的卷积核数量分别为64、64、128、128、256、256、1，卷积核大小均为3×3，步长分别为1、2、1、2、1、2、1，最后一层卷积不含激活函数。
第一判别器D1的损失函数LossD1为：
LossD1＝E[(D1(x)-1)2]+E[(D1(G1(y)))2] (4)
上式中，E[]为对一组待训练图像数据产生的损失求均值，D1(x)是无噪低分辨率标签图像输入至第一判别器D1得到的判别值，D1(G1(y))是生成的去噪低分辨率GPR B-scan图像输入至第一判别器D1得到的判别值。
(2)超分辨率GAN网络
SRGAN由第二生成器G2和第二判别器D2组成，第二生成器G2用于接收NRGAN的第一生成器G1输出的去噪低分辨率GPR B-scan图像和输入第一生成器G1的有噪低分辨率GPRB-scan图像，并生成高分辨率GPR B-scan图像；第二判别器D2用于接收第二生成器G2生成的高分辨率GPR B-scan图像和对应的无噪高分辨率GPR标签图像，并输出对应的第二判别值，即第二判别器D2会对图像进行真假判别，无噪高分辨率GPR标签图像会判别为1，生成的高分辨率GPR B-scan图像会判别为0。SRGAN的具体结构如下。
1)第二生成器G2
第二生成器G2由若干个卷积层、若干个残差卷积块、若干个最大池化层、若干个上采样层和若干条跳跃连接组成。
该第二生成器G2的具体结构如图5所示，第二生成器G2的第1层为并列的两个卷积核数量为64、大小为3×3的卷积层，第2层为特征融合层，用于对这两个并列的卷积层进行特征融合，第3层为卷积核数量为64、大小为3×3的卷积层，第4层为残差卷积块，第5层为最大池化层，第6层为卷积核数量为128、大小为3×3的卷积层，第7层为残差卷积块，第8层为最大池化层，第9层为卷积核数量为256、大小为3×3的卷积层，第10层为残差卷积块，第11层为最大池化层，第12层为卷积核数量为512、大小为3×3的卷积层，第13层为残差卷积块，第14层为上采样层，第15层和第16层均为卷积核数量为256、大小为3×3的卷积层，第17层为上采样层，第18层和第19层均为卷积核数量为128、大小为3×3的卷积层，第20层为上采样层，第21层和第22层均为卷积核数量为64、大小为3×3的卷积层，第23层为上采样层，第24层为卷积核数量为256、大小为3×3的卷积层，第25层为上采样层，第26层为卷积核数量为256、大小为3×3的卷积层，第27层为卷积核数量为64、大小为3×3的卷积层，第28层为卷积核数量为1、大小为9×9的卷积层；所有的卷积层的步长均为1，所有的最大池化层的池化核大小均为2×2，所有的上采样层的采样核大小均为2×2；第一个跳跃连接的两端分别连接第10层和第15层，第二个跳跃连接的两端分别连接第7层和第18层，第三个跳跃连接的两端分别连接第4层和第21层。
第二生成器G2的损失函数LossG2有三项，第一项是对抗损失
Figure GDA0003790472030000111
第二项是第二生成器G2的输出与标签的均方误差
Figure GDA0003790472030000112
第三项是第二生成器G2生成的高分辨率GPR B-scan图像与对应的无噪高分辨率GPR标签图像输入至自编码器得到的空间特征的均方误差Lf，第二生成器G2的损失函数为：
Figure GDA0003790472030000113
Figure GDA0003790472030000114
Figure GDA0003790472030000121
Figure GDA0003790472030000122
上式中，E()是对一组待训练图像数据产生的损失求均值，N为该组待训练图像数据的样本数量，H、W分别为高分辨率图像的行数与列数，G2(y1)是第二生成器G2生成的高分辨率GPR B-scan图像，D2(G2(y1))是生成的高分辨率GPR B-scan图像输入到第二判别器D2得到的判别值，G2(y1(n))为第n个生成的高分辨率GPR B-scan图像，x1(n)是第n个无噪高分辨率GPR标签图像，F(G2(y1(n))、F(x1(n))分别是自编码器对第n个生成的高分辨率GPR B-scan图像与第n个无噪高分辨率GPR标签图像提取的空间特征，α2和β是SRGAN的超参数。
进一步地，第二生成器G2中残差卷积块的具体结构如图6所示，残差卷积块由第一卷积层、第二卷积层、残差层和激活层组成，第一卷积层和第二卷积层的卷积核数量均为输入至残差卷积块的特征图通道数，卷积核大小均为3×3，步长均为1，残差层用于将残差卷积块的输入与第二个卷积层的输出进行残差连接后通过激活层输出。
进一步地，自编码器的具体结构如图7所示，自编码器由若干个卷积层和若干个反卷积层组成，自编码器的前9层为卷积层，卷积核数量分别为64、128、128、256、256、512、512、1024、1024，卷积核大小均为3×3，步长分别为1、2、1、2、1、2、1、2、1，其中第3层、第5层、第7层和第9层卷积层为空洞大小为2×2的空洞卷积；第10层和第11层分别为反卷积层和卷积层，第12层和第13层分别为反卷积层和卷积层，第14层和第15层分别为反卷积层和卷积层，第16层和第17层分别为反卷积层和卷积层，第18层为卷积层，第10层到第18层的卷积核数量分别为512、512、256、256、128、128、64、64、1，步长分别为2、1、2、1、2、1、2、1、1，第10层到第17层的卷积核大小均为3×3，第18层的卷积核大小为1×1。
自编码器以高分辨率GPR标签图像作为输入，以同样的高分辨率GPR B-scan图像作为输出进行训练，并在DGAN之前进行训练。自编码器采用均方误差计算损失值，损失函数为：
Figure GDA0003790472030000123
上式中，N为一组待训练图像数据的样本个数，H、W分别为高分辨率图像的行数和列数，B(y(n))为自编码器输出的高分辨率GPR B-scan图像，y(n)是输入的高分辨率GPR标签图像。
也即，在训练DGAN之前要训练自编码器，利用无噪高分辨率GPR标签数据集中的X张无噪高分辨率GPR标签图像作为输入和输出训练自编码器，自编码器的学习率为0.02，周期训练的次数设置为30，且每个周期训练中的批训练样本设置为20，也即，经过30个周期训练，自编码器达到稳定，完成训练，并保存训练参数。训练好的自编码器用于提取高分辨率图像的空间特征，用于计算SRGAN的第二生成器G2的空间特征损失。
2)第二判别器D2
该第二判别器D2的具体结构如图8所示，第二判别器D2由七个卷积层组成，七个卷积层的卷积核数量分别为64、64、128、128、256、256、1，卷积核大小均为3×3，步长分别为1、2、1、2、1、2、1，最后一层卷积不含激活函数。
第二判别器D2的损失函数LossD2为：
LossD2＝E[(D2(x1)-1)2]+E[(D2(G2(y1)))2] (10)
上式中，E[]为对一组待训练图像数据产生的损失求均值，D2(x1)是无噪高分辨率GPR标签图像输入至第二判别器D2得到的判别值，D2(G2(y1))是生成的高分辨率GPR B-scan图像输入至第二生成器D2得到的判别值。
步骤S50，利用有噪低分辨率GPR图像数据集与对应的无噪低分辨率GPR标签数据集和无噪高分辨率GPR标签数据集，训练DGAN。
在本实施例中，在训练DGAN过程中，有噪低分辨率GPR图像数据集作为输入与对应的无噪低分辨率GPR标签数据集作为输出来训练DGAN中的NRGAN，同时NRGAN输出的去噪低分辨率GPR B-scan图像数据集与对应的有噪低分辨率GPR图像数据集一起作为输入，对应的无噪高分辨率GPR标签数据集作为输出来训练DGAN中的SRGAN。
作为优选，步骤S50包括以下步骤：
步骤S501，初始化DGAN的训练参数；其中，DGAN的网络参数包含NRGAN的网络参数和SRGAN的网络参数；
步骤S502，将有噪低分辨率GPR图像数据集、对应的无噪低分辨率GPR标签数据集和无噪高分辨率GPR标签数据集中的图像数据分为k组，以对DGAN进行批训练；
步骤S503，在每次批训练中，选取一组有噪低分辨率GPR B-scan图像作为输入，对应的一组无噪低分辨率GPR标签图像作为输出训练NRGAN；
步骤S504，将同组有噪低分辨率GPR B-scan图像和NRGAN输出的一组去噪低分辨率GPR B-scan图像作为输入，对应的一组无噪高分辨率GPR标签图像作为输出训练SRGAN；
步骤S504，重复执行步骤S503至步骤S504，即重复批训练NRGAN和SRGAN，直至完成一个周期训练，该周期训练包含k次批训练；
步骤S505，重复执行步骤S502至步骤S504，即重复对DGAN进行周期训练，直至DGAN的损失误差趋于稳定，输出训练好的DGAN。
在本实施例中，DGAN的损失误差趋于稳定可以是连续两个周期训练的损失误差小于等于预设误差值δ，即|Ln-Ln-1|≤δ，其中Ln为第n次周期训练，Ln-1为第n-1次周期训练，或者是第n(n≥4)次周期训练Ln与前3次周期训练Ln-i(i＝1,2,3)的损失误差均小于等于预设误差值δ，即|Ln-Ln-i|≤δ，表明DGAN在经过第n次周期训练后达到了稳定，或者是周期训练次数达到最大训练次数。优选地，预设误差值δ设置为0.15，最大训练次数设置为100。
具体的，本实施例采用批训练的方式对DGAN进行周期训练，将有噪低分辨率GPR图像数据集、无噪低分辨率GPR标签数据集和无噪高分辨率GPR标签数据集中的图像数据分为k组，第1组至第k-1组均有p个待训练的图像数据，第k组有p1个待训练的图像数据，其中，k、X、p、p1均为正整数，
Figure GDA0003790472030000141
p1＝X-(k-1)p。此时一个周期训练会进行k次批训练，前k-1次批训练均会训练p个图像数据，最后一次批训练会训练p1个图像数据，并且每个周期训练的开始都将图像数据集和对应的标签数据集进行打乱，随机排列每张待训练图像数据在训练集中的位置，然后再进行分组，以使网络能够训练出更好的效果。
接下来，参考图9的DGAN训练过程的流程图，在每一次批训练中，将一组待训练的有噪低分辨率GPR B-scan图像输入至NRGAN，通过NRGAN的第一生成器G1得到去噪低分辨率GPR B-scan图像，将NRGAN的第一生成器G1生成的去噪低分辨率GPR B-scan图像和无噪低分辨率GPR标签图像来训练NRGAN的第一判别器D1，第一判别器D1对生成的去噪低分辨率GPR B-scan图像判别为假，对无噪低分辨率GPR标签图像判别为真，并通过下降第一生成器G1与第一判别器D1的损失函数来对NRGAN的网络参数进行更新优化。在本实施例中，NRGAN的网络参数包含超参数α1、第一生成器G1的学习率、第一判别器D1的学习率等，优选地，超参数α1设置为0.1，第一生成器G1的学习率设置为0.002，第一判别器D1的学习率设置为0.00001。
同时，在NRGAN完成一次批训练后，用NRGAN的第一生成器G1生成的一组去噪低分辨率GPR B-scan图像与对应的有噪低分辨率GPR B-scan图像输入至SRGAN，通过SRGAN的第二生成器G2得到清晰的高分辨率GPR B-scan图像，将第二生成器G2生成的高分辨率GPR B-scan图像和无噪高分辨率GPR标签图像来训练第二判别器D2，第二判别器D2对生成的高分辨率GPR B-scan图像判别为假，对无噪高分辨率GPR标签图像判别为真，并通过下降第二生成器G2与第二判别器D2的损失函数来对SRGAN的网络参数进行更新优化。在本实施例中，SRGAN的网络参数包含超参数α2和β、第二生成器G2的学习率、第二判别器D2的学习率等，优选地，超参数α2设置为0.1，超参数β设置为0.1，第二生成器G2的学习率设置为0.0002，第二判别器D2的学习率设置为0.00001。
最后，在检测到k组待训练的图像数据训练完成时，确定完成一次周期训练，并按照上述批训练的方法重复执行周期训练，直至第n次周期训练Ln与前3次周期训练Ln-i的损失误差均满足|Ln-Ln-i|≤δ，确定DGAN在n次训练后达到稳定，输出训练好的DGAN，同时保存DGAN的网络参数。
在另一实施例中，首先，通过GprMax软件进行仿真数据获取，得到Y张GPR B-scan仿真图像，并基于Y张GPR B-scan仿真图像来构建无噪高分辨率GPR标签数据集、对应的无噪低分辨率GPR标签数据集和有噪低分辨率GPR图像数据集后，利用GPR图像数据集和对应的标签数据集对步骤S30构建的DGAN进行初步训练学习，得到初始的DGAN；然后，将通过GPR采集的X张GPR B-scan实测图像按照一定的比例划分为训练图像数据集和测试图像数据集，并利用训练图像数据集和测试图像数据集对初始的DGAN进行训练和测试，得到最终的DGAN。
步骤S60，将实测的含噪低分辨率GPR B-scan图像输入至训练好的双重生成对抗网络，通过噪声抑制GAN网络和超分辨率GAN网络的处理得到高分辨率GPR B-scan图像。
参考图10的GPR B-scan图像特征增量的流程图，在获取到实际测量的含噪低分辨率GPR B-scan图像后，将含噪低分辨率GPR B-scan图像输入至NRGAN的第一生成器G1，第一生成器G1输出去噪低分辨率GPR B-scan图像，并将去噪低分辨率GPR B-scan图像与对应的原始含噪低分辨率GPR B-scan图像输入至SRGAN的第二生成器G2得到清晰的高分辨率GPRB-scan图像。
由上述可知，本实施例提供的基于深度学习的探地雷达B-scan图像特征增强方法，构建的双重生成对抗网络由抑制噪声GAN网络与超分辨率GAN网络组成，抑制噪声GAN网络与超分辨率GAN网络级连在一起。与单独的超分辨率网络相比，在对有噪低分辨率GPR B-scan图像进行高分辨率恢复时，双重生成对抗网络不会丢失双曲线特征，也不会产生虚假的双曲线，能够有效地对低信噪比情况下的有噪低分辨率GPR B-scan图像进行噪声抑制，并且提高低分辨率GPR B-scan图像中目标的分辨率，去除模糊，实现GPR B-scan图像特征增强。
如图11所示，此外，与上述任意实施例方法相对应的，本发明一实施例还提供了一种基于深度学习的探地雷达B-scan图像特征增强系统，包括图像收集模块110、数据集构建模块120、数据集处理模块130、网络设计模块140、网络训练模块150和图像特征增强模块160，各功能模块的详细说明如下：
图像收集模块110，用于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；
数据集构建模块120，用于获取多张GPR B-scan图像，并将GPR B-scan图像作为无噪高分辨率GPR标签图像构建无噪高分辨率GPR标签数据集；
数据集处理模块130，用于对无噪高分辨率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，并对无噪低分辨率GPR标签数据集加入预设信噪比的噪声，得到有噪低分辨率GPR图像数据集；
网络设计模块140，用于构建双重生成对抗网络；该双重生成对抗网络包含两个GAN网络，第一个GAN网络为噪声抑制GAN网络，用于抑制低分辨率GPR B-scan图像的噪声，得到去噪低分辨率GPR B-scan图像；第二个GAN网络为超分辨率GAN网络，用于提高低分辨率GPR B-scan图像中目标的分辨率，得到高分辨率GPR B-scan图像；
网络训练模块150，用于利用有噪低分辨率GPR图像数据集与对应的无噪低分辨率GPR标签数据集和无噪高分辨率GPR标签数据集，训练双重生成对抗网络；
图像特征增强模块160，用于将有噪低分辨率GPR B-scan图像输入至训练好的双重生成对抗网络，通过噪声抑制GAN网络和超分辨率GAN网络的处理得到高分辨率GPR B-scan图像。
在一可选实施方式中，所述图像收集模块110包括以下子模块，各功能子模块的详细说明如下：
测线设置子模块，用于确定探地雷达的扫描测线，该扫描测线垂直于地下探测区域中管线的轴向，且扫描测线上设有N个扫描点；
回波获取模子块，用于在每一个扫描点上，通过GPR发射天线向地下探测区域发射电磁波，并通过GPR接收天线接收散射回波，得到一道包含M个时间采样点的GPR A-scan回波；
图像构建子模块，用于根据获取的N道GPR A-scan回波构建一张GPR B-scan图像，该GPR B-scan图像的大小为M×N，M为图像的行数，N为图像的列数。
在一可选实施方式中，所述数据集处理模块130包括以下子模块，各功能子模块的详细说明如下：
下采样子模块，用于对无噪高分辨率GPR标签数据集中的每张无噪高分辨率GPR标签图像，按照预设采样间隔K进行行与列等间隔下采样，得到多张无噪低分辨率GPR标签图像构成无噪低分辨率GPR标签数据集，该无噪低分辨率GPR标签图像的大小为M1×N1，M1＝1/K*M，N1＝1/K*N；
加噪子模块，用于对无噪低分辨率GPR标签数据集中的无噪低分辨率GPR标签图像加入预设信噪比的高斯白噪声，得到多张有噪低分辨率GPR B-scan图像构成有噪低分辨率GPR图像数据集。
在一可选实施方式中，所述网络训练模块150包括以下子模块，各功能子模块的详细说明如下：
参数设置子模块，用于初始化双重生成对抗网络的训练参数；
分组子模块，用于将有噪低分辨率GPR图像数据集、无噪低分辨率GPR标签数据集和无噪高分辨率GPR标签数据集中的图像数据分为k组，以对双重生成对抗网络进行批训练；
批训练子模块，用于在每次批训练中，选取一组有噪低分辨率GPR B-scan图像作为输入，对应的一组无噪低分辨率GPR标签图像作为输出训练噪声抑制GAN网络；将同组有噪低分辨率GPR B-scan图像和噪声抑制GAN网络输出的一组去噪低分辨率GPR B-scan图像作为输入，对应的一组无噪高分辨率GPR标签图像作为输出训练超分辨率GAN网络；重复批训练噪声抑制GAN网络和超分辨率GAN网络，直至完成一个周期训练，该周期训练包含k次批训练；
周期训练子模块，用于重复对双重生成对抗网络进行周期训练，直至双重生成对抗网络的损失误差趋于稳定，输出训练好的双重生成对抗网络。
上述实施例的系统用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明实施例的，不同方面的许多其它变化，为了简明它们没有在细节中提供。
本发明实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、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 (9)

1.一种基于深度学习的探地雷达B-scan图像特征增强方法，其特征在于，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；
获取多张所述GPR B-scan图像，并将所述GPR B-scan图像作为无噪高分辨率GPR标签图像构建无噪高分辨率GPR标签数据集；
对所述无噪高分辨率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，并对所述无噪低分辨率GPR标签数据集加入预设信噪比的高斯白噪声，得到有噪低分辨率GPR图像数据集；
构建双重生成对抗网络；所述双重生成对抗网络包含两个GAN网络，第一个GAN网络为噪声抑制GAN网络，用于抑制低分辨率GPR B-scan图像的噪声，得到去噪低分辨率GPR B-scan图像；第二个GAN网络为超分辨率GAN网络，用于提高低分辨率GPR B-scan图像中目标的分辨率，得到高分辨率GPR B-scan图像；
利用所述有噪低分辨率GPR图像数据集与对应的所述无噪低分辨率GPR标签数据集和所述无噪高分辨率GPR标签数据集，训练所述双重生成对抗网络；
将含噪低分辨率GPR B-scan图像输入至训练好的所述双重生成对抗网络，通过所述噪声抑制GAN网络和所述超分辨率GAN网络处理得到高分辨率GPR B-scan图像；
其中，所述噪声抑制GAN网络由第一生成器和第一判别器组成，所述第一生成器用于接收输入的有噪低分辨率GPR B-scan图像，并生成去噪低分辨率GPR B-scan图像，所述第一判别器用于接收所述第一生成器生成的去噪低分辨率GPR B-scan图像和对应的无噪低分辨率GPR标签图像，并输出对应的第一判别值；所述第一生成器由若干个卷积层、若干个多尺度卷积块、若干个最大池化层、若干个上采样层和若干条跳跃连接组成；所述第一生成器的损失函数为：
Figure FDA0003790472020000011
Figure FDA0003790472020000012
Figure FDA0003790472020000013
其中，LossG1为所述第一生成器的损失函数，
Figure FDA0003790472020000014
为所述第一生成器的输出与标签的均方误差，
Figure FDA0003790472020000015
为所述第一生成器的输出输入至所述第一判别器得到的判别值与1比较的对抗损失，E()是对一组待训练图像数据产生的损失值求均值，N为一组待训练图像数据的样本数量，H、W分别为低分辨率图像的行数与列数，G1(y)是有噪低分辨率GPR B-scan图像输入至所述第一生成器得到的去噪低分辨率GPR B-scan图像，D1(G1(y))是生成的去噪低分辨率GPR B-scan图像输入至所述第一判别器得到的判别值，G1(y(n))为第n个生成的去噪低分辨率GPR B-scan图像，x(n)是第n个无噪低分辨率GPR标签图像，α1是噪声抑制GAN网络的超参数；
所述超分辨率GAN网络由第二生成器和第二判别器组成，所述第二生成器用于接收所述第一生成器输出的去噪低分辨率GPR B-scan图像和输入所述第一生成器的有噪低分辨率GPR B-scan图像，并生成高分辨率GPR B-scan图像；所述第二判别器用于接收第二生成器生成的高分辨率GPR B-scan图像和对应的无噪高分辨率GPR标签图像，并输出对应的第二判别值；所述第二生成器由若干个卷积层、若干个残差卷积块、若干个最大池化层、若干个上采样层和若干条跳跃连接组成；所述第二生成器的损失函数为：
Figure FDA0003790472020000021
Figure FDA0003790472020000022
Figure FDA0003790472020000023
Figure FDA0003790472020000024
其中，LossG2是所述第二生成器的损失函数，
Figure FDA0003790472020000025
是对抗损失，
Figure FDA0003790472020000026
是所述第二生成器的输出与标签的均方误差，Lf是所述第二生成器生成的高分辨率GPR B-scan图像与对应的无噪高分辨率GPR标签图像输入至自编码器得到的空间特征的均方误差，H、W分别为高分辨率图像的行数与列数，G2(y1)是所述第二生成器生成的高分辨率GPR B-scan图像，D2(G2(y1))是生成的高分辨率GPR B-scan图像输入到所述第二判别器得到的判别值，G2(y1(n))为第n个生成的高分辨率GPR B-scan图像，x1(n)是第n个无噪高分辨率GPR标签图像，F(G2(y1(n))、F(x1(n))分别是自编码器对第n个生成的高分辨率GPR B-scan图像与第n个无噪高分辨率GPR标签图像提取的空间特征，α2和β是所述超分辨率GAN网络的超参数。
2.根据权利要求1所述的基于深度学习的探地雷达B-scan图像特征增强方法，其特征在于，所述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，包括：
确定探地雷达的扫描测线，所述扫描测线垂直于地下探测区域中管线的轴向，且所述扫描测线上设有N个扫描点；
在每一个所述扫描点上，通过GPR发射天线向所述地下探测区域发射电磁波，并通过GPR接收天线接收散射回波，得到一道包含M个时间采样点的GPR A-scan回波；
根据获取的N道所述GPR A-scan回波构建一张GPR B-scan图像，所述GPR B-scan图像的大小为M×N，M为图像的行数，N为图像的列数。
3.根据权利要求2所述的基于深度学习的探地雷达B-scan图像特征增强方法，其特征在于，所述对所述无噪高分辨率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，并对所述无噪低分辨率GPR标签数据集加入预设信噪比的高斯白噪声，得到有噪低分辨率GPR图像数据集，包括：
对无噪高分辨率GPR标签数据集中的每张无噪高分辨率GPR标签图像，按照预设采样间隔K进行行与列等间隔下采样，得到多张无噪低分辨率GPR标签图像构成无噪低分辨率GPR标签数据集，所述无噪低分辨率GPR标签图像的大小为M1×N1，M1＝1/K*M，N1＝1/K*N；
对所述无噪低分辨率GPR标签数据集中的所述无噪低分辨率GPR标签图像加入预设信噪比的高斯白噪声，得到多张有噪低分辨率GPR B-scan图像构成有噪低分辨率GPR图像数据集。
4.根据权利要求1所述的基于深度学习的探地雷达B-scan图像特征增强方法，其特征在于，所述利用所述有噪低分辨率GPR图像数据集与对应的所述无噪低分辨率GPR标签数据集和所述无噪高分辨率GPR标签数据集，训练所述双重生成对抗网络，包括：
初始化所述双重生成对抗网络的训练参数；
将所述有噪低分辨率GPR图像数据集、所述无噪低分辨率GPR标签数据集和所述无噪高分辨率GPR标签数据集中的图像数据分为k组，以对所述双重生成对抗网络进行批训练；
在每次批训练中，选取一组有噪低分辨率GPR B-scan图像作为输入，对应的一组无噪低分辨率GPR标签图像作为输出训练所述噪声抑制GAN网络；
将同组所述有噪低分辨率GPR B-scan图像和所述噪声抑制GAN网络输出的一组去噪低分辨率GPR B-scan图像作为输入，对应的一组无噪高分辨率GPR标签图像作为输出训练所述超分辨率GAN网络；
重复批训练所述噪声抑制GAN网络和所述超分辨率GAN网络，直至完成一个周期训练，该周期训练包含k次批训练；
重复对所述双重生成对抗网络进行周期训练，直至所述双重生成对抗网络的损失误差趋于稳定，输出训练好的所述双重生成对抗网络。
5.根据权利要求1所述的基于深度学习的探地雷达B-scan图像特征增强方法，其特征在于，所述第一生成器中的多尺度卷积块由四个并列的卷积单元、一个特征融合单元和一个卷积残差单元组成，所述卷积残差单元由卷积层、残差层和激活层组成。
6.根据权利要求1所述的基于深度学习的探地雷达B-scan图像特征增强方法，其特征在于，所述第一判别器由七个卷积层组成；
所述第一判别器的损失函数为：
LossD1＝E[(D1(x)-1)2]+E[(D1(G1(y)))2]，
其中，LossD1是所述第一判别器的损失函数，D1(x)是无噪低分辨率GPR标签图像输入至所述第一判别器得到的判别值。
7.根据权利要求1所述的基于深度学习的探地雷达B-scan图像特征增强方法，其特征在于，所述第二生成器中的残差卷积块由第一卷积层、第二卷积层、残差层和激活层组成。
8.根据权利要求1所述的基于深度学习的探地雷达B-scan图像特征增强方法，其特征在于，所述第二判别器由七个卷积层组成；
所述第二判别器的损失函数为：
LossD2＝E[(D2(x1)-1)2]+E[(D2(G2(y1)))2]，
其中，LossD2是所述第二判别器的损失函数，D2(x1)是无噪高分辨率GPR标签图像输入至所述第二判别器得到的判别值。
9.一种基于深度学习的探地雷达B-scan图像特征增强系统，其特征在于，包括：
图像收集模块，用于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；
数据集构建模块，用于获取多张所述GPR B-scan图像，并将所述GPR B-scan图像作为无噪高分辨率GPR标签图像构建无噪高分辨率GPR标签数据集；
数据集处理模块，用于对所述无噪高分辨率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，并对所述无噪低分辨率GPR标签数据集加入预设信噪比的高斯白噪声，得到有噪低分辨率GPR图像数据集；
网络设计模块，用于构建双重生成对抗网络；所述双重生成对抗网络包含两个GAN网络，第一个GAN网络为噪声抑制GAN网络，用于抑制低分辨率GPR B-scan图像的噪声，得到去噪低分辨率GPR B-scan图像；第二个GAN网络为超分辨率GAN网络，用于提高低分辨率GPRB-scan图像中目标的分辨率，得到高分辨率GPR B-scan图像；
网络训练模块，用于利用所述有噪低分辨率GPR图像数据集与对应的所述无噪低分辨率GPR标签数据集和所述无噪高分辨率GPR标签数据集，训练所述双重生成对抗网络；
图像特征增强模块，用于将含噪低分辨率GPR B-scan图像输入至训练好的所述双重生成对抗网络，通过所述噪声抑制GAN网络和所述超分辨率GAN网络处理得到高分辨率GPR B-scan图像；
其中，所述噪声抑制GAN网络由第一生成器和第一判别器组成，所述第一生成器用于接收输入的有噪低分辨率GPR B-scan图像，并生成去噪低分辨率GPR B-scan图像，所述第一判别器用于接收所述第一生成器生成的去噪低分辨率GPR B-scan图像和对应的无噪低分辨率GPR标签图像，并输出对应的第一判别值；所述第一生成器由若干个卷积层、若干个多尺度卷积块、若干个最大池化层、若干个上采样层和若干条跳跃连接组成；所述第一生成器的损失函数为：
Figure FDA0003790472020000051
Figure FDA0003790472020000052
Figure FDA0003790472020000053
其中，LossG1为所述第一生成器的损失函数，
Figure FDA0003790472020000054
为所述第一生成器的输出与标签的均方误差，
Figure FDA0003790472020000055
为所述第一生成器的输出输入至所述第一判别器得到的判别值与1比较的对抗损失，E()是对一组待训练图像数据产生的损失值求均值，N为一组待训练图像数据的样本数量，H、W分别为低分辨率图像的行数与列数，G1(y)是有噪低分辨率GPR B-scan图像输入至所述第一生成器得到的去噪低分辨率GPR B-scan图像，D1(G1(y))是生成的去噪低分辨率GPR B-scan图像输入至所述第一判别器得到的判别值，G1(y(n))为第n个生成的去噪低分辨率GPR B-scan图像，x(n)是第n个无噪低分辨率GPR标签图像，α1是噪声抑制GAN网络的超参数；
所述超分辨率GAN网络由第二生成器和第二判别器组成，所述第二生成器用于接收所述第一生成器输出的去噪低分辨率GPR B-scan图像和输入所述第一生成器的有噪低分辨率GPR B-scan图像，并生成高分辨率GPR B-scan图像；所述第二判别器用于接收第二生成器生成的高分辨率GPR B-scan图像和对应的无噪高分辨率GPR标签图像，并输出对应的第二判别值；所述第二生成器由若干个卷积层、若干个残差卷积块、若干个最大池化层、若干个上采样层和若干条跳跃连接组成；所述第二生成器的损失函数为：
Figure FDA0003790472020000056
Figure FDA0003790472020000057
Figure FDA0003790472020000058
Figure FDA0003790472020000061
其中，LossG2是所述第二生成器的损失函数，
Figure FDA0003790472020000062
是对抗损失，
Figure FDA0003790472020000063
是所述第二生成器的输出与标签的均方误差，Lf是所述第二生成器生成的高分辨率GPR B-scan图像与对应的无噪高分辨率GPR标签图像输入至自编码器得到的空间特征的均方误差，H、W分别为高分辨率图像的行数与列数，G2(y1)是所述第二生成器生成的高分辨率GPR B-scan图像，D2(G2(y1))是生成的高分辨率GPR B-scan图像输入到所述第二判别器得到的判别值，G2(y1(n))为第n个生成的高分辨率GPR B-scan图像，x1(n)是第n个无噪高分辨率GPR标签图像，F(G2(y1(n))、F(x1(n))分别是自编码器对第n个生成的高分辨率GPR B-scan图像与第n个无噪高分辨率GPR标签图像提取的空间特征，α2和β是所述超分辨率GAN网络的超参数。
CN202111616020.8A 2021-12-27 2021-12-27 基于深度学习的探地雷达B-scan图像特征增强方法及系统 Active CN114331890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111616020.8A CN114331890B (zh) 2021-12-27 2021-12-27 基于深度学习的探地雷达B-scan图像特征增强方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111616020.8A CN114331890B (zh) 2021-12-27 2021-12-27 基于深度学习的探地雷达B-scan图像特征增强方法及系统

Publications (2)

Publication Number Publication Date
CN114331890A CN114331890A (zh) 2022-04-12
CN114331890B true CN114331890B (zh) 2022-09-23

Family

ID=81012132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111616020.8A Active CN114331890B (zh) 2021-12-27 2021-12-27 基于深度学习的探地雷达B-scan图像特征增强方法及系统

Country Status (1)

Country Link
CN (1) CN114331890B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114966560B (zh) * 2022-07-29 2022-10-28 中南大学 一种探地雷达后向投影成像方法及系统
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
CN115984106B (zh) * 2022-12-12 2024-04-02 武汉大学 一种基于双边生成对抗网络的线扫描图像超分辨率方法
CN116256722B (zh) * 2023-05-16 2023-08-01 中南大学 探地雷达B-scan图像的多次波干扰抑制方法及装置
CN116256701B (zh) * 2023-05-16 2023-08-01 中南大学 一种基于深度学习的探地雷达互扰波抑制方法及系统
CN116977739B (zh) * 2023-08-03 2024-04-16 西北民族大学 一种基于ConvNeXt-YOLOv5的GPR图像识别方法
CN117079268B (zh) * 2023-10-17 2023-12-26 深圳市城市交通规划设计研究中心股份有限公司 一种道路内部病害三维数据集构建方法及其使用方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3053259A1 (en) * 2017-02-09 2018-08-16 Schlumberger Canada Limited Geophysical deep learning
CN111080522A (zh) * 2019-12-13 2020-04-28 福州大学 一种基于双向对抗网络的图像超分辨率重建方法
CN112529975A (zh) * 2019-09-18 2021-03-19 华为技术有限公司 图像生成的方法、装置以及计算机
CN112819732A (zh) * 2021-04-19 2021-05-18 中南大学 一种探地雷达B-scan图像去噪方法
CN113160056A (zh) * 2021-04-19 2021-07-23 东南大学 一种基于深度学习的带噪图像超分辨率重建方法
CN113222017A (zh) * 2021-05-12 2021-08-06 中国科学院空天信息创新研究院 探地雷达数据生成方法、控制装置、系统及存储介质
CN113256562A (zh) * 2021-04-22 2021-08-13 深圳安德空间技术有限公司 基于雷达图像和人工智能的道路地下隐患检测方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020075345A1 (ja) * 2018-10-10 2020-04-16 キヤノン株式会社 医用画像処理装置、医用画像処理方法及びプログラム
CN110390650B (zh) * 2019-07-23 2022-02-11 中南大学 基于密集连接和生成对抗网络的oct图像去噪方法
AU2020327651A1 (en) * 2019-08-13 2022-03-03 University Of Hertfordshire Higher Education Corporation Predicting visible/infrared band images using radar reflectance/backscatter images of a terrestrial region
CN113359101B (zh) * 2021-08-10 2021-11-05 中南大学 一种地下目标探测方法、系统及计算机存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3053259A1 (en) * 2017-02-09 2018-08-16 Schlumberger Canada Limited Geophysical deep learning
CN112529975A (zh) * 2019-09-18 2021-03-19 华为技术有限公司 图像生成的方法、装置以及计算机
CN111080522A (zh) * 2019-12-13 2020-04-28 福州大学 一种基于双向对抗网络的图像超分辨率重建方法
CN112819732A (zh) * 2021-04-19 2021-05-18 中南大学 一种探地雷达B-scan图像去噪方法
CN113160056A (zh) * 2021-04-19 2021-07-23 东南大学 一种基于深度学习的带噪图像超分辨率重建方法
CN113256562A (zh) * 2021-04-22 2021-08-13 深圳安德空间技术有限公司 基于雷达图像和人工智能的道路地下隐患检测方法和系统
CN113222017A (zh) * 2021-05-12 2021-08-06 中国科学院空天信息创新研究院 探地雷达数据生成方法、控制装置、系统及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GPR B-Scan Image Denoising via Multi-Scale Convolutional Autoencoder with Data Augmentation;Jiabin Luo;《electronics》;20210526;3-15 *
GPRInvNet_Deep_Learning-Based_Ground-Penetrating_Radar_Data_Inversion_for_Tunnel_Linings;Bin Liu;《IEEE Transactions on Geoscience and Remote Sensing》;20211031;8305-8325 *
基于深度学习的GPR_B-SCAN图像双曲线检测方法;王辉;《电子学报》;20210531;953-963 *
面向探地雷达B-scan图像的目标检测算法综述;候斐斐;《电子与信息学报》;20200131;191-200 *

Also Published As

Publication number Publication date
CN114331890A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN114331890B (zh) 基于深度学习的探地雷达B-scan图像特征增强方法及系统
Li et al. Survey of single image super‐resolution reconstruction
CN112132959B (zh) 数字岩心图像处理方法、装置、计算机设备及存储介质
CN113160234B (zh) 基于超分辨率和域自适应的无监督遥感图像语义分割方法
US7042386B2 (en) Sub-aperture sidelobe and alias mitigation techniques
CN114966600B (zh) 一种探地雷达B-scan图像杂波抑制方法及系统
CN112819732B (zh) 一种探地雷达B-scan图像去噪方法
Wei Image super‐resolution reconstruction using the high‐order derivative interpolation associated with fractional filter functions
CN113256536B (zh) 一种基于小波分析的超高维数据重建深度学习方法
CN113361367B (zh) 基于深度学习的地下目标电磁反演方法及系统
CN117422619A (zh) 图像重建模型的训练方法、图像重建方法、装置及设备
Cai et al. Sea‐surface weak target detection scheme using a cultural algorithm aided time‐frequency fusion strategy
CN114998137A (zh) 一种基于生成对抗网络的探地雷达图像杂波抑制方法
Xia et al. Low SNR sonar image restoration based on mixed probability statistical model in wavelet domain
Liu et al. SAR image restoration from spectrum aliasing by deep learning
Zhang et al. Entropy-Based re-sampling method on SAR class imbalance target detection
US20240005481A1 (en) Apparatus, method, and non-transitory computer-readable storage medium for combining real-number-based and complex-number-based images
Qiu et al. Superresolution Reconstruction Algorithm of Ultrasonic Logging Images Based on High-Frequency Enhancement
Shu et al. On-board wavelet based change detection implementation of SAR flood image
CN113435487B (zh) 一种面向深度学习的多尺度样本生成方法
CN116486183B (zh) 基于多种注意力权重融合特征的sar图像建筑区分类方法
Wang et al. An adaptive PolSAR trilateral filter based on the mechanism of scattering consistency
US20240127530A1 (en) Method, electronic device, and computer program product for generating target object
Wang et al. An InSAR Interferogram Filtering Method Based on Multi-Level Feature Fusion CNN
Wang et al. A Multi-Scale Denoising Method for Forward-Looking Sonar Image

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