CN114966600B - 一种探地雷达B-scan图像杂波抑制方法及系统 - Google Patents

一种探地雷达B-scan图像杂波抑制方法及系统 Download PDF

Info

Publication number
CN114966600B
CN114966600B CN202210905240.0A CN202210905240A CN114966600B CN 114966600 B CN114966600 B CN 114966600B CN 202210905240 A CN202210905240 A CN 202210905240A CN 114966600 B CN114966600 B CN 114966600B
Authority
CN
China
Prior art keywords
clutter
gpr
image
target
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
CN202210905240.0A
Other languages
English (en)
Other versions
CN114966600A (zh
Inventor
雷文太
毛凌青
隋浩
辛常乐
王睿卿
罗诗光
张硕
王义为
宋千
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
Original Assignee
Central South University
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 filed Critical Central South University
Priority to CN202210905240.0A priority Critical patent/CN114966600B/zh
Publication of CN114966600A publication Critical patent/CN114966600A/zh
Application granted granted Critical
Publication of CN114966600B publication Critical patent/CN114966600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/414—Discriminating targets with respect to background clutter
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/04—Display arrangements
    • G01S7/06—Cathode-ray tube displays or other two dimensional or three-dimensional displays
    • G01S7/10—Providing two-dimensional and co-ordinated display of distance and direction
    • G01S7/16—Signals displayed as intensity modulation with rectangular co-ordinates representing distance and bearing, e.g. type B
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/292—Extracting wanted echo-signals
    • G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • G01S7/354—Extracting wanted echo-signals
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种探地雷达B‑scan图像杂波抑制方法及系统，该方法包括：获取地下目标区域的含杂波GPR B‑scan图像、无杂波GPR B‑scan图像和仅含杂波背景GPR B‑scan图像，构建训练数据集；构建解纠缠表示生成对抗网络；通过训练数据集对解纠缠表示生成对抗网络进行训练，并根据解纠缠表示生成对抗网络中训练好的目标特征编码器和杂波抑制生成器构建杂波抑制网络；通过杂波抑制网络对实测GPR B‑scan图像进行杂波抑制，获得杂波抑制GPR B‑scan图像。本发明通过不匹配的图像数据对解纠缠表示生成对抗网络进行无监督学习，可以有效抑制实测GPR B‑scan图像的不均匀杂波。

Description

一种探地雷达B-scan图像杂波抑制方法及系统
技术领域
本发明涉及探地雷达技术领域，尤其涉及一种探地雷达B-scan图像杂波抑制方法及系统。
背景技术
探地雷达（Ground Penetrating Radar，GPR）是一种地下无损探测技术，已广泛应用于地质勘探、考古、地下目标探测和桥梁检测等领域。GPR通过发射天线向地下发射电磁波，电磁波向下传播的过程中，在遇到与背景媒质电磁参数不同的物体时，部分能量发生散射后被接收天线接收，然后通过对接收到的电磁波进行分析，可以得到探测目标的尺寸形状、介电特性、空间位置等参数。然而，由于发射天线和接收天线之间的耦合、起伏地面的散射以及地下真实随机媒质的复杂性，GPR采集得到的B-scan回波通常存在杂波，杂波和真实目标的散射回波相叠加，对目标信号造成严重的干扰，增大了地下目标检测和特征提取的难度。因此，为了提高地下目标探测能力，需要设计一种适用的探地雷达B-scan图像杂波抑制方法。
目前，探地雷达B-scan图像杂波抑制方法主要分为五类：
1）基于时域（或频域）滤波的杂波抑制方法；
平均减法是最常用的时域滤波算法，使GPR B-scan图像的每一行减去这一行的均值，这种方法简便，但是平均减法会弱化真实目标的散射回波，而且该方法对不均匀杂波的抑制效果较差。
2）基于子空间技术的杂波抑制方法
基于子空间技术的杂波抑制方法主要有奇异值分解、主成分分析、独立成分分析和非负矩阵分解，子空间技术将GPR B-scan图像分解为多个分量，其中最主要分量对应于杂波，第二主要分量对应于目标，其余分量对应于噪声。然而在实际处理过程中，目标信息可能会包含在几个分量中，这导致子空间技术无法很好地分离杂波和目标，而且可能会导致部分目标信息丢失。
3）基于形态成分分析的杂波抑制方法
基于形态成分分析的杂波抑制方法将GPR B-scan图像分解为目标分量和杂波分量，每个分量使用固定的字典进行稀疏表示，该方法复杂度很高，它的性能在很大程度上取决于人工设置的非自适应字典，大大限制了方法的适用性。
4）基于低秩稀疏表示法的杂波抑制方法
基于低秩稀疏表示法的杂波抑制方法主要有鲁棒非负矩阵分解和鲁棒主成分分析，低秩稀疏表示法将GPR B-scan图像分解为低秩矩阵和稀疏矩阵，目标部分可以用稀疏矩阵表示，杂波部分可以用低秩矩阵表示，但是该方法对不均匀杂波处理效果有限。
5）基于深度学习的杂波抑制方法
近年来，深度学习广泛应用于图像去噪、图像修复、图像超分辨率等领域，但基于深度学习的杂波抑制方法很少。Temlioglu Eyyup等人在《A Novel ConvolutionalAutoencoder-Based Clutter Removal Method for Buried Threat Detection inGround-Penetrating Radar》一文中提出了一种基于卷积自编码器的探地雷达B-scan图像杂波抑制方法，含杂波GPR B-scan图像作为网络的输入，对应的无杂波GPR B-scan图像作为网络的输出来训练卷积自编码器，但是卷积自编码器的训练是端到端的有监督训练，必须要有成对的匹配数据，实际中采集成对的含杂波GPR B-scan图像和对应的无杂波GPR B-scan图像十分困难，因此难以保证卷积自编码器对实测GPR B-scan图像中的不均匀杂波进行抑制效果。
因此，如何对实测GPR B-scan图像中的不均匀杂波进行有效抑制，依然是当前需要解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种探地雷达B-scan图像杂波抑制方法及系统。
基于上述目的，本发明提供一种探地雷达B-scan图像杂波抑制方法，包括：
获取地下目标区域的含杂波GPR B-scan图像、无杂波GPR B-scan图像和仅含杂波背景GPR B-scan图像，构建训练数据集；
构建解纠缠表示生成对抗网络；所述解纠缠表示生成对抗网络包含目标特征编码器、杂波特征编码器、杂波抑制生成器、杂波重建生成器、干净域判别器、杂波域判别器和杂波背景判别器；其中，所述目标特征编码器用于提取输入图像的目标特征；所述杂波特征编码器用于提取输入图像的杂波特征；所述杂波抑制生成器用于根据目标特征生成杂波抑制图像，该杂波抑制图像包含所述含杂波GPR B-scan图像对应的杂波抑制GPR B-scan图像；所述杂波重建生成器用于根据目标特征和杂波特征生成带杂波图像，该带杂波图像包含所述无杂波GPR B-scan图像对应的带杂波GPR B-scan图像；所述干净域判别器用于判别所述无杂波GPR B-scan图像和所述杂波抑制GPR B-scan图像；所述杂波域判别器用于判别所述含杂波GPR B-scan图像和所述带杂波GPR B-scan图像；所述杂波背景判别器用于判别所述仅含杂波背景GPR B-scan图像和生成的杂波背景图像；
通过所述训练数据集对所述解纠缠表示生成对抗网络进行训练，并根据所述解纠缠表示生成对抗网络中训练好的所述目标特征编码器和所述杂波抑制生成器构建杂波抑制网络；
通过所述杂波抑制网络对实测GPR B-scan图像进行杂波抑制，获得杂波抑制GPRB-scan图像。
此外，本发明还提供一种探地雷达B-scan图像杂波抑制系统，包括：
图像数据获取模块，用于获取地下目标区域的含杂波GPR B-scan图像、无杂波GPRB-scan图像和仅含杂波背景GPR B-scan图像，构建训练数据集；
网络构建模块，用于构建解纠缠表示生成对抗网络；所述解纠缠表示生成对抗网络包含目标特征编码器、杂波特征编码器、杂波抑制生成器、杂波重建生成器、干净域判别器、杂波域判别器和杂波背景判别器；其中，所述目标特征编码器用于提取输入图像的目标特征；所述杂波特征编码器用于提取输入图像的杂波特征；所述杂波抑制生成器用于根据目标特征生成杂波抑制图像，该杂波抑制图像包含所述含杂波GPR B-scan图像对应的杂波抑制GPR B-scan图像；所述杂波重建生成器用于根据目标特征和杂波特征生成带杂波图像，该带杂波图像包含所述无杂波GPR B-scan图像对应的带杂波GPR B-scan图像；所述干净域判别器用于判别所述无杂波GPR B-scan图像和所述杂波抑制GPR B-scan图像；所述杂波域判别器用于判别所述含杂波GPR B-scan图像和所述带杂波GPR B-scan图像；所述杂波背景判别器用于判别所述仅含杂波背景GPR B-scan图像和生成的杂波背景图像；
网络训练模块，用于通过所述训练数据集对所述解纠缠表示生成对抗网络进行训练，并根据所述解纠缠表示生成对抗网络中训练好的所述目标特征编码器和所述杂波抑制生成器构建杂波抑制网络；
杂波抑制模块，用于通过所述杂波抑制网络对实测GPR B-scan图像进行杂波抑制，获得杂波抑制GPR B-scan图像。
由上述可知，本发明提供的探地雷达B-scan图像杂波抑制方法，在利用构建的训练数据集对构建的解纠缠表示生成对抗网络进行训练时，先通过目标特征编码器和杂波特征编码器分别得到输入图像的目标特征和杂波特征，以及通过杂波抑制生成器和杂波重建生成器分别生成杂波抑制GPR B-scan图像和带杂波GPR B-scan图像，实现含杂波GPR B-scan图像和无杂波GPR B-scan图像的解纠缠表示学习，再通过干净域判别器、杂波域判别器和杂波背景判别器进行对抗学习，实现无杂波GPR B-scan图像与杂波抑制GPR B-scan图像、含杂波GPR B-scan图像与带杂波GPR B-scan图像、仅含杂波背景GPR B-scan图像与杂波背景图像之间的判别分类，最后循环交替地优化生成器和判别器的损失误差完成训练，训练好的解纠缠表示生成对抗网络用于构建杂波抑制网络，以通过杂波抑制网络对GPR B-scan图像进行杂波抑制。相较于现有的杂波抑制方法，本发明的探地雷达B-scan图像杂波抑制方法无需成对的含杂波GPR B-scan图像和对应的无杂波GPR B-scan图像便可对解纠缠表示生成对抗网络进行训练，可以降低图像数据收集成本，并为解纠缠表示生成对抗网络的无监督学习提供数据支撑，同时能够更好地抑制实测GPR B-scan图像的不均匀杂波，为后续的目标检测和识别处理提供高质量的回波数据。
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探地雷达B-scan图像杂波抑制方法的流程图；
图2为本发明一实施例中解纠缠表示生成对抗网络的结构示意图；
图3为本发明一实施例中目标特征编码器的结构示意图；
图4为本发明一实施例中杂波特征编码器的结构示意图；
图5为本发明一实施例中杂波抑制生成器的结构示意图；
图6为本发明一实施例中杂波重建生成器的结构示意图；
图7为本发明一实施例中特征注意力模块的结构示意图；
图8为本发明一实施例中特征融合模块的结构示意图；
图9为本发明一实施例中判别器的结构示意图；
图10为本发明一实施例中杂波抑制网络的杂波抑制流程图；
图11为本发明一实施例中探地雷达B-scan图像杂波抑制系统的结构示意图。
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以解释本发明，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探地雷达B-scan图像杂波抑制方法，具体包括以下步骤：
步骤S10，获取地下目标区域的含杂波GPR B-scan图像、无杂波GPR B-scan图像和仅含杂波背景GPR B-scan图像，构建训练数据集。
在步骤S10中，可以使用预设仿真软件，例如GPRMAX仿真软件进行仿真计算，获取地下目标区域的含杂波GPR B-scan图像
Figure 322440DEST_PATH_IMAGE001
、无杂波GPR B-scan图像
Figure 84860DEST_PATH_IMAGE002
和仅含杂波背景GPRB-scan图像
Figure 594339DEST_PATH_IMAGE003
，并根据这三类GPR B-scan图像构建用于解纠缠表示生成对抗网络训练的数据集。对于训练数据集中的每一张GPR B-scan图像，其大小均为M×N，其中，M为GPR B-scan图像的行数，表示每个A-scan数据有M个时间采样点；N为GPR B-scan图像的列数，表示有N道A-scan数据。需要说明的是，GPRMAX仿真软件进行仿真计算为通用的GPR B-scan图像收集方法。
作为优选，步骤S10包括以下步骤：
步骤S101，构建有目标仿真场景和无目标仿真场景；
步骤S102，在有目标仿真场景中，通过预设仿真软件获取K张有目标GPR B-scan图像，以构成K张含杂波GPR B-scan图像；
步骤S103，在匹配的有目标仿真场景和无目标仿真场景中，通过预设仿真软件获取K组匹配的有目标GPR B-scan图像和无目标GPR B-scan图像，并对每组匹配的图像进行相减操作后，获得K张无杂波GPR B-scan图像；
步骤S104，在无目标仿真场景中，通过预设仿真软件获取K张无目标GPR B-scan图像，以构成K张仅含杂波背景GPR B-scan图像；
步骤S105，根据K张含杂波GPR B-scan图像、K张无杂波GPR B-scan图像和K张仅含杂波背景GPR B-scan图像分别构成含杂波图像数据集、无杂波图像数据集和杂波背景图像数据集；
步骤S106，根据含杂波图像数据集、无杂波图像数据集和杂波背景图像数据集构成训练数据集。
在本实施例中，通过预设仿真软件进行仿真计算时，可以将仿真场景设置为混合土壤，混合土壤的沙子重量百分比和粘土重量百分比均设置为50%，混合土壤的容重设置为2.0克每立方厘米，混合土壤中沙粒的密度设置为2.66克每立方厘米，土壤体积含水率的范围设置为0.001到0.025，混合土壤设置有50种不同含水率的土壤材料，并且设置为起伏地面。此时，有目标仿真场景为具有地下目标的混合土壤，无目标仿真场景为无地下目标的混合土壤。
通过GPRMAX软件仿真得到400张含杂波GPR B-scan图像，400张无杂波GPR B-scan图像和400张仅含杂波背景GPR B-scan图像构建训练数据集，用于解纠缠表示生成对抗网络的训练。其中，含杂波GPR B-scan图像、无杂波GPR B-scan图像和仅含杂波背景GPR B-scan图像的尺寸大小为256×256×1。
可理解的，本实施例基于有目标和无目标的仿真场景，通过仿真软件得到含杂波GPR B-scan图像、无杂波GPR B-scan图像和仅含杂波背景GPR B-scan图像，进而根据这三类GPR B-scan图像构建训练数据集，可以为解纠缠表示生成对抗网络的训练过程提供丰富的数据。
步骤S20，构建解纠缠表示生成对抗网络；该解纠缠表示生成对抗网络包含目标特征编码器、杂波特征编码器、杂波抑制生成器、杂波重建生成器、干净域判别器、杂波域判别器和杂波背景判别器。
在本实施例中，目标特征编码器用于提取输入图像的目标特征。具体的，参考图2所示的解纠缠表示生成对抗网络的结构示意图，目标特征编码器
Figure 393799DEST_PATH_IMAGE004
可以获取输入解纠缠表示生成对抗网络的含杂波GPR B-scan图像
Figure 496884DEST_PATH_IMAGE001
、无杂波GPR B-scan图像
Figure 656470DEST_PATH_IMAGE002
、杂波抑制生成器
Figure 771187DEST_PATH_IMAGE005
输出的杂波抑制GPR B-scan图像
Figure 194079DEST_PATH_IMAGE006
以及杂波重建生成器
Figure 4034DEST_PATH_IMAGE007
输出的带杂波GPR B-scan图像
Figure 701731DEST_PATH_IMAGE008
，并提取这四类图像对应的目标特征
Figure 326748DEST_PATH_IMAGE009
，并将目标特征
Figure 202431DEST_PATH_IMAGE009
输出至杂波抑制生成器
Figure 545688DEST_PATH_IMAGE010
和杂波重建生成器
Figure 250339DEST_PATH_IMAGE011
。也即，目标特征编码器
Figure 333789DEST_PATH_IMAGE004
的输入为含杂波GPR B-scan图像
Figure 895220DEST_PATH_IMAGE001
、无杂波GPR B-scan图像
Figure 460194DEST_PATH_IMAGE002
、杂波抑制GPR B-scan图像
Figure 516006DEST_PATH_IMAGE006
和带杂波GPR B-scan图像
Figure 115614DEST_PATH_IMAGE008
，输出为这四类图像对应的目标特征
Figure 847947DEST_PATH_IMAGE009
。
杂波特征编码器用于提取输入图像的杂波特征。具体的，参考图2所示的解纠缠表示生成对抗网络的结构示意图，杂波特征编码器
Figure 900217DEST_PATH_IMAGE012
可以获取输入解纠缠表示生成对抗网络的含杂波GPR B-scan图像
Figure 884353DEST_PATH_IMAGE001
和杂波重建生成器
Figure 479414DEST_PATH_IMAGE013
输出的带杂波GPR B-scan图像
Figure 992435DEST_PATH_IMAGE008
，提取这两类图像的杂波特征
Figure 391055DEST_PATH_IMAGE014
，并将杂波特征
Figure 523090DEST_PATH_IMAGE014
输出至杂波重建生成器
Figure 566132DEST_PATH_IMAGE015
。也即，杂波特征编码器
Figure 905847DEST_PATH_IMAGE012
的输入为含杂波GPR B-scan图像
Figure 932709DEST_PATH_IMAGE001
和带杂波GPR B-scan图像
Figure 868435DEST_PATH_IMAGE008
，输出为这两类图像对应的杂波特征
Figure 297142DEST_PATH_IMAGE014
。
杂波抑制生成器用于根据目标特征生成杂波抑制图像，该杂波抑制图像包含含杂波GPR B-scan图像对应的杂波抑制GPR B-scan图像。具体的，参考图2所示的解纠缠表示生成对抗网络的结构示意图，杂波抑制生成器
Figure 276600DEST_PATH_IMAGE010
可以获取含杂波GPR B-scan图像
Figure 525178DEST_PATH_IMAGE001
的目标特征
Figure 264595DEST_PATH_IMAGE016
，根据目标特征
Figure 547809DEST_PATH_IMAGE016
生成含杂波GPR B-scan图像
Figure 963747DEST_PATH_IMAGE001
对应的杂波抑制GPR B-scan图像
Figure 699622DEST_PATH_IMAGE006
，并将杂波抑制GPR B-scan图像
Figure 242730DEST_PATH_IMAGE006
输出至干净域判别器
Figure 380450DEST_PATH_IMAGE017
和目标特征编码器
Figure 232868DEST_PATH_IMAGE004
。
其次，杂波抑制图像还包含无杂波GPR B-scan图像对应的无杂波重建图像以及带杂波GPR B-scan图像对应的无杂波图像。具体的，杂波抑制生成器
Figure 456039DEST_PATH_IMAGE018
还可以获取无杂波GPR B-scan图像
Figure 364957DEST_PATH_IMAGE002
的目标特征
Figure 343801DEST_PATH_IMAGE019
，并根据目标特征
Figure 643153DEST_PATH_IMAGE019
生成无杂波GPR B-scan图像
Figure 963407DEST_PATH_IMAGE002
对应的无杂波重建图像
Figure 97585DEST_PATH_IMAGE020
，以用于重建损失计算；以及杂波抑制生成器
Figure 678739DEST_PATH_IMAGE010
还可以获取带杂波GPRB-scan图像
Figure 623692DEST_PATH_IMAGE021
的目标特征
Figure 414931DEST_PATH_IMAGE022
，并根据目标特征
Figure 962587DEST_PATH_IMAGE022
生成带杂波GPR B-scan图像
Figure 24346DEST_PATH_IMAGE021
对应的无杂波图像
Figure 936938DEST_PATH_IMAGE023
，以用于循环一致损失计算。也即，杂波抑制生成器
Figure 559681DEST_PATH_IMAGE010
的输入为含杂波GPR B-scan图像
Figure 514955DEST_PATH_IMAGE001
、无杂波GPR B-scan图像
Figure 336281DEST_PATH_IMAGE002
和带杂波GPR B-scan图像
Figure 872304DEST_PATH_IMAGE021
的目标特征，输出为这三类图像对应的杂波抑制图像。
杂波重建生成器用于根据目标特征和杂波特征生成带杂波图像，带杂波图像包含无杂波GPR B-scan图像对应的带杂波GPR B-scan图像。具体的，参考图2所示的解纠缠表示生成对抗网络的结构示意图，杂波重建生成器
Figure 388867DEST_PATH_IMAGE007
可以获取无杂波GPR B-scan图像
Figure 809484DEST_PATH_IMAGE002
的目标特征
Figure 485316DEST_PATH_IMAGE024
和含杂波GPR B-scan图像
Figure 146236DEST_PATH_IMAGE001
的杂波特征
Figure 274729DEST_PATH_IMAGE025
，根据目标特征
Figure 92512DEST_PATH_IMAGE026
和杂波特征
Figure 498217DEST_PATH_IMAGE025
生成无杂波GPR B-scan图像
Figure 720251DEST_PATH_IMAGE002
对应的带杂波GPR B-scan图像
Figure 460674DEST_PATH_IMAGE008
，并将带杂波GPR B-scan图像
Figure 223093DEST_PATH_IMAGE008
输出至杂波域判别器
Figure 748884DEST_PATH_IMAGE027
、目标特征编码器
Figure 266453DEST_PATH_IMAGE004
和杂波特征编码器
Figure 369538DEST_PATH_IMAGE012
。
其次，带杂波图像还可以包含杂波GPR B-scan图像对应的含杂波重建图像以及杂波抑制GPR B-scan图像对应的含杂波图像。具体的，杂波重建生成器
Figure 279856DEST_PATH_IMAGE011
还可以获取含杂波GPR B-scan图像
Figure 50366DEST_PATH_IMAGE001
的目标特征
Figure 269995DEST_PATH_IMAGE028
和杂波特征
Figure 470163DEST_PATH_IMAGE029
，根据目标特征
Figure 308806DEST_PATH_IMAGE028
和杂波特征
Figure 58456DEST_PATH_IMAGE029
生成含杂波GPR B-scan图像
Figure 324353DEST_PATH_IMAGE001
对应的含杂波重建图像
Figure 294974DEST_PATH_IMAGE030
，以用于重建损失计算；以及杂波重建生成器
Figure 671729DEST_PATH_IMAGE007
还可以获取杂波抑制GPR B-scan图像
Figure 416831DEST_PATH_IMAGE006
的目标特征
Figure 978263DEST_PATH_IMAGE031
和带杂波GPR B-scan图像
Figure 808815DEST_PATH_IMAGE008
的杂波特征
Figure 864627DEST_PATH_IMAGE032
，并根据目标特征
Figure 933077DEST_PATH_IMAGE031
和杂波特征
Figure 930989DEST_PATH_IMAGE033
生成杂波抑制GPR B-scan图像
Figure 983259DEST_PATH_IMAGE006
对应的含杂波图像
Figure 842762DEST_PATH_IMAGE034
，以用于循环一致损失计算；通过杂波重建生成器
Figure 296877DEST_PATH_IMAGE007
生成的带杂波GPRB-scan图像
Figure 75477DEST_PATH_IMAGE008
、含杂波重建图像
Figure 5256DEST_PATH_IMAGE035
和含杂波图像
Figure 261925DEST_PATH_IMAGE036
均是带杂波图像。也即，杂波重建生成器
Figure 711492DEST_PATH_IMAGE007
的输入为含杂波GPR B-scan图像
Figure 660993DEST_PATH_IMAGE001
、无杂波GPR B-scan图像
Figure 953434DEST_PATH_IMAGE002
、杂波抑制GPR B-scan图像
Figure 138428DEST_PATH_IMAGE006
的目标特征和含杂波GPR B-scan图像
Figure 301556DEST_PATH_IMAGE001
、带杂波GPR B-scan图像
Figure 828483DEST_PATH_IMAGE008
的杂波特征，输出为带杂波图像。
进一步地，目标特征编码器由四个卷积层和三个最大池化层组成；卷积层用于对输入图像进行卷积操作，得到输入图像的目标特征；最大池化层用于对目标特征进行池化操作，得到压缩后的目标特征。具体的，参考图3所示的目标特征编码器的结构示意图，目标特征编码器
Figure 811483DEST_PATH_IMAGE004
的第1层为卷积核数量为64、卷积核大小为3×3的卷积层，第1层的输出为目标特征
Figure 534588DEST_PATH_IMAGE037
，第2层为最大池化层，第3层为卷积核数量为128、卷积核大小为3×3的卷积层，第3层的输出为目标特征
Figure 693168DEST_PATH_IMAGE038
，第4层为最大池化层，第5层为卷积核数量为256、卷积核大小为3×3的卷积层，第5层的输出为目标特征
Figure 577947DEST_PATH_IMAGE039
，第6层为最大池化层，第7层为卷积核数量为512、卷积核大小为3×3的卷积层，第7层的输出为目标特征
Figure 579402DEST_PATH_IMAGE040
，所有卷积层的步长均为1，所有最大池化层的池化核大小均为2×2。也即，在目标特征编码器
Figure 247143DEST_PATH_IMAGE004
中，将输入图像进行卷积操作和池化操作，输出目标特征
Figure 525809DEST_PATH_IMAGE041
、
Figure 988014DEST_PATH_IMAGE038
、
Figure 476765DEST_PATH_IMAGE039
和
Figure 807252DEST_PATH_IMAGE040
。
进一步地，杂波特征编码器由四个卷积层和三个最大池化层组成；卷积层用于对输入的含杂波GPR B-scan图像进行卷积操作，得到含杂波GPR B-scan图像的杂波特征；最大池化层用于对杂波特征进行池化操作，得到压缩后的杂波特征。具体的，参考图4所示的杂波特征编码器的结构示意图，杂波特征编码器
Figure 799478DEST_PATH_IMAGE012
的第1层为卷积核数量为64、卷积核大小为3×3的卷积层，第1层的输出为杂波特征
Figure 573531DEST_PATH_IMAGE042
，第2层为最大池化层，第3层为卷积核数量为128、卷积核大小为3×3的卷积层，第3层的输出为杂波特征
Figure 549577DEST_PATH_IMAGE043
，第4层为最大池化层，第5层为卷积核数量为256、卷积核大小为3×3的卷积层，第5层的输出为杂波特征
Figure 418176DEST_PATH_IMAGE044
，第6层为最大池化层，第7层为卷积核数量为512、卷积核大小为3×3的卷积层，第7层的输出为杂波特征
Figure 603257DEST_PATH_IMAGE045
；所有卷积层的步长均为1，所有最大池化层的池化核大小均为2×2。也即，在杂波特征编码器
Figure 672845DEST_PATH_IMAGE046
中，将输入图像进行卷积操作和池化操作，输出杂波特征
Figure 995241DEST_PATH_IMAGE042
、
Figure 542897DEST_PATH_IMAGE047
、
Figure 775296DEST_PATH_IMAGE048
和
Figure 891150DEST_PATH_IMAGE049
。
进一步地，杂波抑制生成器由三个上采样层、七个卷积层、三个特征融合层和三个特征注意力模块组成；上采样层用于对输入的特征进行上采样操作，得到解码后的特征；卷积层用于对输入的特征进行卷积操作；特征注意力模块用于根据卷积层输出的特征和目标特征编码器输出的目标特征进行目标回波区域特征学习，以更加注意目标回波区域；特征融合层用于对卷积层输出的特征和特征注意力模块输出的特征进行融合。具体的，参考图5所示的杂波抑制生成器的结构示意图，杂波抑制生成器
Figure 310630DEST_PATH_IMAGE005
的第1层为上采样层，第1层的输入为目标特征
Figure 786611DEST_PATH_IMAGE050
，第2层为卷积核数量为256的卷积层，第2层的输出与目标特征
Figure 873516DEST_PATH_IMAGE051
输入至特征注意力模块，特征注意力模块的输出与第2层的输出输入至第3层的特征融合层进行融合，第4层为卷积核数量为256的卷积层，第5层为上采样层，第6层为卷积核数量为128、卷积核大小为3×3的卷积层，第6层的输出与目标特征
Figure 160272DEST_PATH_IMAGE052
输入至特征注意力模块，特征注意力模块的输出与第6层的输出输入至第7层特征融合层进行融合，第8层为卷积核数量为128的卷积层，第9层为上采样层，第10层为卷积核数量为64的卷积层，第10层的输出与目标特征
Figure 67048DEST_PATH_IMAGE037
输入至特征注意力模块，特征注意力模块的输出与第10层的输出输入至第11层特征融合层进行融合，第12层为卷积核数量为64的卷积层，第13层为卷积核数量为1，卷积核大小为1×1的卷积层；第2、4、6、8、10和12层的卷积核大小均为3×3，所有卷积层的步长均为1，所有上采样层的采样核大小均为2×2。
进一步地，杂波重建生成器由三个上采样层、七个卷积层、三个特征融合层、四个特征融合模块和三个特征注意力模块组成；上采样层用于对输入的特征进行上采样操作，得到解码后的特征；卷积层用于对输入的特征进行卷积操作；特征融合模块用于对目标特征编码器输出的目标特征和杂波特征编码器输出的杂波特征进行融合，得到融合特征；特征注意力模块用于根据卷积层输出的特征和特征融合模块输出的融合特征进行目标回波区域特征和杂波区域特征学习，以更加注意目标回波区域和杂波区域；特征融合层用于对卷积层输出的特征和特征注意力模块输出的特征进行融合。具体的，参考图6所示的杂波重建生成器的结构示意图，杂波重建生成器
Figure 81140DEST_PATH_IMAGE053
的第1层为上采样层，第1层的输入为特征融合模块输出的融合特征
Figure 288131DEST_PATH_IMAGE054
，第2层为卷积核数量为256的卷积层，第2层的输出与特征融合模块输出的融合特征
Figure 870422DEST_PATH_IMAGE055
输入至特征注意力模块，特征注意力模块的输出与第2层的输出输入至第3层特征融合层进行融合，第4层为卷积核数量为256的卷积层，第5层为上采样层，第6层为卷积核数量为128的卷积层，第6层的输出与特征融合模块输出的融合特征
Figure 139860DEST_PATH_IMAGE056
输入至特征注意力模块，特征注意力模块的输出与第6层的输出输入至第7层特征融合层进行融合，第8层为卷积核数量为128的卷积层，第9层为上采样层，第10层为卷积核数量为64的卷积层，第10层的输出与特征融合模块输出的融合特征
Figure 98589DEST_PATH_IMAGE057
输入至特征注意力模块，特征注意力模块的输出与第10层的输出输入至第11层特征融合层进行融合，第12层为卷积核数量为64的卷积层，第13层为卷积核数量为1，卷积核大小为1×1的卷积层；第2、4、6、8、10、12层的卷积层的卷积核大小均为3×3，所有卷积层的步长均为1，所有上采样层的采样核大小均为2×2。
进一步地，杂波抑制生成器和杂波重建生成器的特征注意力模块均由三个卷积层、一个特征相加层和一个点乘层组成；特征相加层用于对输入的两路特征进行相加操作；点乘层用于对输入的第一路特征和卷积后的特征进行点乘操作。具体的，参考图7所示的特征注意力模块的结构示意图，特征注意力模块（Attention Module）的输入层为两个并行的卷积层，卷积层的卷积核大小均为1×1，卷积核数量均为输入特征的通道数，两个并行的卷积层的输出输入至特征相加层，特征相加层的输出输入至卷积核数量为1，卷积核大小为1×1的卷积层，卷积层的输出与第一路特征（
Figure 753561DEST_PATH_IMAGE058
）输入至点乘层，点乘后的特征为特征注意力模块的最终输出，所有卷积层的步长均为1×1。可理解的，对于杂波抑制生成器的特征注意力模块，输入的第一路特征（
Figure 772333DEST_PATH_IMAGE058
）为目标特征，第二路特征（
Figure 653701DEST_PATH_IMAGE059
）为卷积后的特征；对于杂波重建生成器的特征注意力模块，输入的第一路特征（
Figure 25908DEST_PATH_IMAGE058
）为特征融合模块输出的融合特征，第二路特征（
Figure 676332DEST_PATH_IMAGE059
）为卷积后的特征。
进一步地，杂波重建生成器的特征融合模块由通道空间注意力模块、特征相加层和卷积层组成；通道空间注意力模块用于根据杂波特征编码器输出的杂波特征，对杂波区域特征进行学习，以更加注意杂波区域；特征相加层用于对通道空间注意力模块输出的杂波区域特征和目标特征编码器输出的目标特征进行相加操作；卷积层用于对相加后的特征进行卷积操作。具体的，参考图8所示的特征融合模块的结构示意图，在特征融合模块中，通道空间注意力模块的输出与目标特征输入至特征相加层，特征相加层的输出输入至卷积核数量为杂波特征的通道数以及卷积核大小为3×3的卷积层，卷积层的输出为目标杂波特征融合模块的最终输出，通道空间注意力模块为经典的CBAM注意力模块。
进一步地，干净域判别器、杂波域判别器和杂波背景判别器均由五个卷积层和一个全局平均池化层组成。参考图8所示的判别器的结构示意图，在判别器（包括干净域判别器
Figure 725059DEST_PATH_IMAGE060
、杂波域判别器
Figure 93724DEST_PATH_IMAGE027
和杂波背景判别器
Figure 4042DEST_PATH_IMAGE061
）中，卷积核数量分别为64、128、256、512和1，前四层卷积层的卷积核大小为4×4、步长为2×2，最后一层卷积层的卷积核大小为3×3、步长为1×1。
进一步地，干净域判别器的损失函数为：
Figure 40131DEST_PATH_IMAGE062
，
其中，
Figure 869547DEST_PATH_IMAGE063
为干净域判别器的损失函数；
Figure 115721DEST_PATH_IMAGE060
为干净域判别器；
Figure 954364DEST_PATH_IMAGE004
为目标特征编码器；
Figure 189167DEST_PATH_IMAGE010
为杂波抑制生成器；
Figure 720642DEST_PATH_IMAGE001
为含杂波GPR B-scan图像；
Figure 798320DEST_PATH_IMAGE002
为无杂波GPR B-scan图像；
Figure 830867DEST_PATH_IMAGE064
为目标特征编码器从含杂波GPR B-scan图像中提取的目标特征；
Figure 310390DEST_PATH_IMAGE065
为杂波抑制生成器根据目标特征生成的杂波抑制GPR B-scan图像；
Figure 12766DEST_PATH_IMAGE066
为干净域判别器对杂波抑制GPR B-scan图像的判别值；
Figure 453106DEST_PATH_IMAGE067
为干净域判别器对无杂波GPR B-scan图像的判别值；
Figure 899131DEST_PATH_IMAGE068
为期望运算。
杂波域判别器的损失函数为：
Figure 498740DEST_PATH_IMAGE069
，
其中，
Figure 231072DEST_PATH_IMAGE070
为杂波域判别器的损失函数；
Figure 548921DEST_PATH_IMAGE027
为杂波域判别器；
Figure 136985DEST_PATH_IMAGE012
为杂波特征编码器；
Figure 591100DEST_PATH_IMAGE013
为杂波重建生成器；
Figure 635280DEST_PATH_IMAGE071
为杂波特征编码器从含杂波GPR B-scan图像中提取的杂波特征；
Figure 565059DEST_PATH_IMAGE072
为目标特征编码器从无杂波GPR B-scan图像中提取的目标特征；
Figure 87307DEST_PATH_IMAGE073
为杂波重建生成器根据目标特征和杂波特征生成的带杂波GPR B-scan图像；
Figure 661508DEST_PATH_IMAGE074
为杂波域判别器对带杂波GPR B-scan图像的判别值；
Figure 486375DEST_PATH_IMAGE075
为杂波域判别器对含杂波GPR B-scan图像的判别值。
杂波背景判别器的损失函数为：
Figure 513237DEST_PATH_IMAGE076
，
其中，
Figure 963810DEST_PATH_IMAGE077
是杂波背景判别器的损失函数；
Figure 392517DEST_PATH_IMAGE078
为杂波背景判别器；
Figure 512920DEST_PATH_IMAGE003
为仅含杂波背景GPR B-scan图像；
Figure 168023DEST_PATH_IMAGE079
为带杂波GPR B-scan图像与无杂波GPR B-scan图像进行减法操作后得到的杂波背景图像；
Figure 32074DEST_PATH_IMAGE080
为杂波背景判别器对杂波背景图像的判别值；
Figure 315288DEST_PATH_IMAGE081
为杂波背景判别器对仅含杂波背景GPR B-scan图像的判别值。
进一步地，所述杂波抑制生成器和所述杂波重建生成器的联合损失函数为：
Figure 996805DEST_PATH_IMAGE082
，
Figure 998259DEST_PATH_IMAGE083
，
Figure 541367DEST_PATH_IMAGE084
，
Figure 679087DEST_PATH_IMAGE085
，
Figure 406872DEST_PATH_IMAGE086
，
其中，
Figure 20256DEST_PATH_IMAGE087
为杂波抑制生成器和杂波重建生成器的联合损失函数；
Figure 491688DEST_PATH_IMAGE088
、
Figure 483915DEST_PATH_IMAGE089
、
Figure 523547DEST_PATH_IMAGE090
和
Figure 968434DEST_PATH_IMAGE091
为解纠缠表示生成对抗网络的超参数；
Figure 243558DEST_PATH_IMAGE092
、
Figure 480504DEST_PATH_IMAGE093
、
Figure 550091DEST_PATH_IMAGE094
和
Figure 623221DEST_PATH_IMAGE095
分别为对抗损失、重建损失、循环一致损失和杂波背景损失；
Figure 436456DEST_PATH_IMAGE096
为L1范数；
Figure 403275DEST_PATH_IMAGE006
为杂波抑制生成器根据含杂波GPR B-scan图像的目标特征生成的杂波抑制GPR B-scan图像，即为
Figure 502818DEST_PATH_IMAGE097
；
Figure 453456DEST_PATH_IMAGE008
为杂波重建生成器根据无杂波GPR B-scan图像的目标特征和含杂波GPR B-scan图像的杂波特征生成的带杂波GPR B-scan图像，即为
Figure 70383DEST_PATH_IMAGE098
；
Figure 767074DEST_PATH_IMAGE035
为杂波重建生成器根据含杂波GPR B-scan图像的目标特征和杂波特征生成的含杂波重建图像，即为
Figure 444043DEST_PATH_IMAGE099
；
Figure 475453DEST_PATH_IMAGE034
为杂波抑制生成器根据无杂波GPR B-scan图像的目标特征生成的无杂波重建图像，即为
Figure 630491DEST_PATH_IMAGE100
；
Figure 571902DEST_PATH_IMAGE036
为杂波重建生成器根据杂波抑制GPR B-scan图像的目标特征和带杂波GPR B-scan图像的杂波特征生成的含杂波图像，即为
Figure 29559DEST_PATH_IMAGE101
；
Figure 423632DEST_PATH_IMAGE023
为杂波抑制生成器根据带杂波GPR B-scan图像的目标特征生成的无杂波图像，即为
Figure 382360DEST_PATH_IMAGE102
；
Figure 302912DEST_PATH_IMAGE103
为含杂波GPR B-scan图像与杂波抑制GPR B-scan图像进行减法操作后得到的杂波背景图像；
Figure 321684DEST_PATH_IMAGE104
为带杂波GPR B-scan图像与无杂波GPR B-scan图像进行减法操作后得到的杂波背景图像。
步骤S30，通过训练数据集对解纠缠表示生成对抗网络进行训练，并根据解纠缠表示生成对抗网络中训练好的目标特征编码器和杂波抑制生成器构建杂波抑制网络。
在步骤S30中，先初始化解纠缠表示生成对抗网络的权重参数，再通过训练数据集对解纠缠表示生成对抗网络进行无监督训练，并在训练完成后，保留更新后的权重参数，并从训练好的解纠缠表示生成对抗网络中提取出目标特征编码器和杂波抑制生成器，构成杂波抑制网络。
作为优选，步骤S30中通过训练数据集对解纠缠表示生成对抗网络进行训练，具体包括以下步骤：
步骤S301，初始化解纠缠表示生成对抗网络训练的权重参数；
步骤S302，在每一个周期训练开始时，随机打乱训练数据集；
步骤S303，从训练数据集中获取p张含杂波GPR B-scan图像、p张无杂波GPR B-scan图像和p张仅含杂波背景GPR B-scan图像输入至解纠缠表示生成对抗网络，通过优化器逐步降低杂波抑制生成器、杂波重建生成器、干净域判别器、杂波域判别器和杂波背景判别器的损失误差，来批训练解纠缠表示生成对抗网络；其中，每类GPR B-scan图像的选取数量小于该类GPR B-scan图像的总数量，即
Figure 468631DEST_PATH_IMAGE105
；
步骤S304，重复批训练，直至训练数据集中所有图像均输入解纠缠表示生成对抗网络进行训练，确定一个周期训练完成；
步骤S305，重复周期训练，直至解纠缠表示生成对抗网络的损失误差趋于稳定，确定解纠缠表示生成对抗网络训练完成。
在本实施例中，解纠缠表示生成对抗网络的权重参数，包括杂波抑制生成器和杂波重建生成器的联合损失函数、网络的学习率、网络的优化器及优化器的超参数。可选的，网络的优化器使用Adam优化器，Adam优化器的第一超参数
Figure DEST_PATH_IMAGE106
设置为0.5，第二超参数
Figure 303820DEST_PATH_IMAGE107
设置为0.999，网络学习率设置为0.0002，每个周期训练之后网络学习率降低至原来的90%，网络的联合损失函数为
Figure DEST_PATH_IMAGE108
，
Figure 813299DEST_PATH_IMAGE092
、
Figure 2972DEST_PATH_IMAGE093
、
Figure 247002DEST_PATH_IMAGE094
和
Figure 547534DEST_PATH_IMAGE095
为对抗损失、重建损失、循环一致损失和杂波背景损失，
Figure 52464DEST_PATH_IMAGE088
设置为3，
Figure 537672DEST_PATH_IMAGE089
设置为1，
Figure 393633DEST_PATH_IMAGE090
设置为1，
Figure 232276DEST_PATH_IMAGE091
设置为3。
将400张含杂波GPR B-scan图像，400张无杂波GPR B-scan图像和400张仅有杂波背景的GPR B-scan图像输入至解纠缠表示生成对抗网络对网络进行训练，网络每次批训练只训练一组数据，一个周期训练会经历400次批训练，经过20个周期训练之后，解纠缠表示生成对抗网络趋于稳定，解纠缠表示生成对抗网络训练完成，保存网络的权重参数。其中，解纠缠表示生成对抗网络趋于稳定的判断条件为倒数N（
Figure 732658DEST_PATH_IMAGE109
）次周期训练过程中，联合损失函数输出的损失误差均小于预设损失阈值。
进一步地，为了验证杂波抑制网络的杂波抑制效果，本实施例还可以通过GPRMAX软件仿真得到100张含杂波GPR B-scan图像与对应的100张无杂波GPR B-scan图像构建测试数据集，用于解纠缠表示生成对抗网络的测试。具体的，将测试数据集中100张含杂波GPRB-scan图像输入至基于训练好的解纠缠表示生成对抗网络构建的杂波抑制网络，获得杂波抑制网络输出的杂波抑制GPR B-scan图像，并将杂波抑制GPR B-scan图像与测试数据集中对应的无杂波GPR B-scan图像进行对比，确定杂波抑制网络的杂波抑制效果。结果表明，相较于含杂波GPR B-scan图像，经过杂波抑制网络处理得到的杂波抑制GPR B-scan图像，其峰值信噪比大大提升，杂波抑制效果较好。可理解的，解纠缠表示生成对抗网络只需要少量图像数据便可训练，而且在训练的过程中，不需要成对的含杂波GPR B-scan图像和对应的无杂波GPR B-scan图像，有利于降低图像数据收集成本。
步骤S40，通过杂波抑制网络对实测GPR B-scan图像进行杂波抑制，获得杂波抑制GPR B-scan图像。
在步骤S40中，实测GPR B-scan图像为实测的含杂波GPR B-scan图像。具体的，参考图10所示的实测GPR B-scan图像杂波抑制的流程图，将实测GPR B-scan图像输入至杂波抑制网络，通过目标特征编码器提取实测GPR B-scan图像的目标特征，并将目标特征输入至杂波抑制生成器得到杂波抑制GPR B-scan图像。
由上述可知，本实施例提供的探地雷达B-scan图像杂波抑制方法，在利用构建的训练数据集对构建的解纠缠表示生成对抗网络进行训练时，先通过目标特征编码器和杂波特征编码器分别得到输入图像的目标特征和杂波特征，以及通过杂波抑制生成器和杂波重建生成器分别生成杂波抑制GPR B-scan图像和带杂波GPR B-scan图像，实现含杂波GPR B-scan图像和无杂波GPR B-scan图像的解纠缠表示学习，再通过干净域判别器、杂波域判别器和杂波背景判别器进行对抗学习，实现无杂波GPR B-scan图像与杂波抑制GPR B-scan图像、含杂波GPR B-scan图像与带杂波GPR B-scan图像、仅含杂波背景GPR B-scan图像与杂波背景图像之间的判别分类，最后循环交替地优化生成器和判别器的损失误差完成训练，训练好的解纠缠表示生成对抗网络用于构建杂波抑制网络，以通过杂波抑制网络对GPR B-scan图像进行杂波抑制。相较于现有的杂波抑制方法，本实施例的探地雷达B-scan图像杂波抑制方法无需成对的含杂波GPR B-scan图像和对应的无杂波GPR B-scan图像便可对解纠缠表示生成对抗网络进行训练，可以降低图像数据收集成本，并为解纠缠表示生成对抗网络的无监督学习提供数据支撑，同时能够更好地抑制实测GPR B-scan图像的不均匀杂波，为后续的目标检测和识别处理提供高质量的回波数据。
此外，如图11所示，本发明一实施例还提供了一种探地雷达B-scan图像杂波抑制系统，包括图像数据获取模块110、网络构建模块120、网络训练模块130和杂波抑制模块140，各功能模块的详细说明如下：
图像数据获取模块110，用于获取地下目标区域的含杂波GPR B-scan图像、无杂波GPR B-scan图像和仅含杂波背景GPR B-scan图像，构建训练数据集；
网络构建模块120，用于构建解纠缠表示生成对抗网络；解纠缠表示生成对抗网络包含目标特征编码器、杂波特征编码器、杂波抑制生成器、杂波重建生成器、干净域判别器、杂波域判别器和杂波背景判别器；其中，目标特征编码器用于提取输入图像的目标特征；杂波特征编码器用于提取输入图像的杂波特征；杂波抑制生成器用于根据目标特征生成杂波抑制图像，该杂波抑制图像包含含杂波GPR B-scan图像对应的杂波抑制GPR B-scan图像；杂波重建生成器用于根据目标特征和杂波特征生成带杂波图像，该带杂波图像包含无杂波GPR B-scan图像对应的带杂波GPR B-scan图像；干净域判别器用于判别无杂波GPR B-scan图像和杂波抑制GPR B-scan图像；杂波域判别器用于判别含杂波GPR B-scan图像和带杂波GPR B-scan图像；杂波背景判别器用于判别仅含杂波背景GPR B-scan图像和生成的杂波背景图像；
网络训练模块130，用于通过训练数据集对解纠缠表示生成对抗网络进行训练，并根据解纠缠表示生成对抗网络中训练好的目标特征编码器和杂波抑制生成器构建杂波抑制网络；
杂波抑制模块140，用于通过杂波抑制网络对实测GPR B-scan图像进行杂波抑制，获得杂波抑制GPR B-scan图像。
在一可选实施方式中，所述图像数据获取模块110包括以下子模块，各功能子模块的详细说明如下：
仿真场景构建子模块，用于构建有目标仿真场景和无目标仿真场景；
含杂波图像获取子模块，用于在有目标仿真场景中，通过预设仿真软件获取K张有目标GPR B-scan图像，以构成K张含杂波GPR B-scan图像；
无杂波图像获取子模块，用于在匹配的有目标仿真场景和无目标仿真场景中，通过预设仿真软件获取K组匹配的有目标GPR B-scan图像和无目标GPR B-scan图像，并对每组匹配的图像进行相减操作后，获得K张无杂波GPR B-scan图像；
背景图像获取子模块，用于在无目标仿真场景中，通过预设仿真软件获取K张无目标GPR B-scan图像，以构成K张仅含杂波背景GPR B-scan图像；
图像处理子模块，用于根据K张含杂波GPR B-scan图像、K张无杂波GPR B-scan图像和K张仅含杂波背景GPR B-scan图像分别构成含杂波图像数据集、无杂波图像数据集和杂波背景图像数据集；
数据集构建子模块，用于根据含杂波图像数据集、无杂波图像数据集和杂波背景图像数据集构成训练数据集。
在一可选实施方式中，所述网络训练模块130包括以下子模块，各功能子模块的详细说明如下：
网络初始化子模块，用于初始化解纠缠表示生成对抗网络训练的权重参数；
周期训练子模块，用于在每一个周期训练开始时，随机打乱训练数据集；从训练数据集中获取p张含杂波GPR B-scan图像、p张无杂波GPR B-scan图像和p张仅含杂波背景GPRB-scan图像输入至解纠缠表示生成对抗网络，通过优化器逐步降低杂波抑制生成器、杂波重建生成器、干净域判别器、杂波域判别器和杂波背景判别器的损失误差，来批训练解纠缠表示生成对抗网络；重复批训练，直至训练数据集中所有图像均输入解纠缠表示生成对抗网络进行训练，确定一个周期训练完成；
网络输出子模块，用于重复周期训练，直至解纠缠表示生成对抗网络的损失误差趋于稳定，确定解纠缠表示生成对抗网络训练完成。
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本发明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 (8)

1.一种探地雷达B-scan图像杂波抑制方法，其特征在于，包括：
获取地下目标区域的含杂波GPR B-scan图像、无杂波GPR B-scan图像和仅含杂波背景GPR B-scan图像，构建训练数据集；
构建解纠缠表示生成对抗网络；所述解纠缠表示生成对抗网络包含目标特征编码器、杂波特征编码器、杂波抑制生成器、杂波重建生成器、干净域判别器、杂波域判别器和杂波背景判别器；
通过所述训练数据集对所述解纠缠表示生成对抗网络进行训练，并根据所述解纠缠表示生成对抗网络中训练好的所述目标特征编码器和所述杂波抑制生成器构建杂波抑制网络；
通过所述杂波抑制网络对实测GPR B-scan图像进行杂波抑制，获得杂波抑制GPR B-scan图像；
其中，所述目标特征编码器由四个卷积层和三个最大池化层组成，用于提取输入图像的目标特征；
所述杂波特征编码器由四个卷积层和三个最大池化层组成，用于提取输入图像的杂波特征；
所述杂波抑制生成器由三个上采样层、七个卷积层、三个特征融合层和三个特征注意力模块组成，用于根据目标特征生成杂波抑制图像，该杂波抑制图像包含杂波抑制GPR B-scan图像、无杂波重建图像和无杂波图像；
所述杂波重建生成器由三个上采样层、七个卷积层、三个特征融合层、四个特征融合模块和三个特征注意力模块组成，用于根据目标特征和杂波特征生成带杂波图像，该带杂波图像包含带杂波GPR B-scan图像、含杂波重建图像和含杂波图像；所述杂波抑制生成器和所述杂波重建生成器的联合损失函数为：
Figure 855872DEST_PATH_IMAGE001
，
Figure 525887DEST_PATH_IMAGE002
，
Figure 640474DEST_PATH_IMAGE003
，
Figure 421348DEST_PATH_IMAGE004
，
Figure 141042DEST_PATH_IMAGE005
，
其中，
Figure 981959DEST_PATH_IMAGE006
为所述杂波抑制生成器和所述杂波重建生成器的联合损失函数；
Figure 583842DEST_PATH_IMAGE007
、
Figure 233654DEST_PATH_IMAGE008
、
Figure 870171DEST_PATH_IMAGE009
和
Figure 881990DEST_PATH_IMAGE010
为所述解纠缠表示生成对抗网络的超参数；
Figure 440010DEST_PATH_IMAGE011
、
Figure 828266DEST_PATH_IMAGE012
、
Figure 53711DEST_PATH_IMAGE013
和
Figure 236431DEST_PATH_IMAGE014
分别为对抗损失、重建损失、循环一致损失和杂波背景损失；
Figure 812906DEST_PATH_IMAGE015
为L1范数；
Figure 739273DEST_PATH_IMAGE016
为所述杂波抑制生成器根据所述含杂波GPR B-scan图像的目标特征生成的杂波抑制GPR B-scan图像；
Figure 819225DEST_PATH_IMAGE017
为所述杂波重建生成器根据所述无杂波GPR B-scan图像的目标特征和所述含杂波GPR B-scan图像的杂波特征生成的带杂波GPR B-scan图像；
Figure 438425DEST_PATH_IMAGE018
为所述杂波重建生成器根据所述含杂波GPR B-scan图像的目标特征和杂波特征生成的含杂波重建图像；
Figure 236617DEST_PATH_IMAGE019
为所述杂波抑制生成器根据所述无杂波GPRB-scan图像的目标特征生成的无杂波重建图像；
Figure 966675DEST_PATH_IMAGE020
为所述杂波重建生成器根据所述杂波抑制GPR B-scan图像的目标特征和所述带杂波GPR B-scan图像的杂波特征生成的含杂波图像；
Figure 901133DEST_PATH_IMAGE021
为所述杂波抑制生成器根据所述带杂波GPR B-scan图像的目标特征生成的无杂波图像；
Figure 956814DEST_PATH_IMAGE022
为所述含杂波GPR B-scan图像与所述杂波抑制GPR B-scan图像进行减法操作后得到的杂波背景图像；
Figure 976723DEST_PATH_IMAGE023
为所述带杂波GPR B-scan图像与所述无杂波GPR B-scan图像进行减法操作后得到的杂波背景图像；
所述干净域判别器用于判别所述无杂波GPR B-scan图像和所述杂波抑制GPR B-scan图像；所述干净域判别器的损失函数为：
Figure 44560DEST_PATH_IMAGE024
，
其中，
Figure 302366DEST_PATH_IMAGE025
为所述干净域判别器的损失函数；
Figure 263369DEST_PATH_IMAGE026
为所述干净域判别器；
Figure 301732DEST_PATH_IMAGE027
为所述目标特征编码器；
Figure 170331DEST_PATH_IMAGE028
为所述杂波抑制生成器；
Figure 344960DEST_PATH_IMAGE029
为所述含杂波GPR B-scan图像；
Figure 211285DEST_PATH_IMAGE030
为所述无杂波GPR B-scan图像；
Figure 471365DEST_PATH_IMAGE031
为所述目标特征编码器从所述含杂波GPR B-scan图像中提取的目标特征；
Figure 81338DEST_PATH_IMAGE032
为所述杂波抑制生成器根据所述目标特征生成的杂波抑制GPR B-scan图像；
Figure 110474DEST_PATH_IMAGE033
为所述干净域判别器对所述杂波抑制GPR B-scan图像的判别值；
Figure 147700DEST_PATH_IMAGE034
为所述干净域判别器对所述无杂波GPR B-scan图像的判别值；
Figure 98339DEST_PATH_IMAGE035
为期望运算；
所述杂波域判别器用于判别所述含杂波GPR B-scan图像和所述带杂波GPR B-scan图像；所述杂波域判别器的损失函数为：
Figure 512002DEST_PATH_IMAGE036
，
其中，
Figure 395645DEST_PATH_IMAGE037
为所述杂波域判别器的损失函数；
Figure 134931DEST_PATH_IMAGE038
为所述杂波域判别器；
Figure 841374DEST_PATH_IMAGE039
为所述杂波特征编码器；
Figure 793150DEST_PATH_IMAGE040
为所述杂波重建生成器；
Figure 796878DEST_PATH_IMAGE041
为所述杂波特征编码器从所述含杂波GPRB-scan图像中提取的杂波特征；
Figure 441486DEST_PATH_IMAGE042
为所述目标特征编码器从所述无杂波GPR B-scan图像中提取的目标特征；
Figure 897875DEST_PATH_IMAGE043
为所述杂波重建生成器根据所述目标特征和所述杂波特征生成的带杂波GPR B-scan图像；
Figure 653341DEST_PATH_IMAGE044
为所述杂波域判别器对所述带杂波GPR B-scan图像的判别值；
Figure 511576DEST_PATH_IMAGE045
为所述杂波域判别器对所述含杂波GPR B-scan图像的判别值；
所述杂波背景判别器用于判别所述仅含杂波背景GPR B-scan图像和生成的杂波背景图像；所述杂波背景判别器的损失函数为：
Figure 530347DEST_PATH_IMAGE046
，
其中，
Figure 474033DEST_PATH_IMAGE047
是所述杂波背景判别器的损失函数；
Figure 767611DEST_PATH_IMAGE048
为所述杂波背景判别器；
Figure 480352DEST_PATH_IMAGE049
为所述仅含杂波背景GPR B-scan图像；
Figure 263500DEST_PATH_IMAGE050
为所述带杂波GPR B-scan图像与所述无杂波GPR B-scan图像进行减法操作后得到的杂波背景图像；
Figure 694481DEST_PATH_IMAGE051
为所述杂波背景判别器对所述杂波背景图像的判别值；
Figure 995013DEST_PATH_IMAGE052
为所述杂波背景判别器对所述仅含杂波背景GPR B-scan图像的判别值。
2.根据权利要求1所述的探地雷达B-scan图像杂波抑制方法，其特征在于，所述获取地下目标区域的含杂波GPR B-scan图像、无杂波GPR B-scan图像和仅含杂波背景GPR B-scan图像，构建训练数据集，包括：
构建有目标仿真场景和无目标仿真场景；
在所述有目标仿真场景中，通过预设仿真软件获取K张有目标GPR B-scan图像，以构成K张含杂波GPR B-scan图像；
在匹配的所述有目标仿真场景和所述无目标仿真场景中，通过预设仿真软件获取K组匹配的有目标GPR B-scan图像和无目标GPR B-scan图像，并对每组匹配的图像进行相减操作后，获得K张无杂波GPR B-scan图像；
在所述无目标仿真场景中，通过预设仿真软件获取K张无目标GPR B-scan图像，以构成K张仅含杂波背景GPR B-scan图像；
根据K张所述含杂波GPR B-scan图像、K张所述无杂波GPR B-scan图像和K张所述仅含杂波背景GPR B-scan图像分别构成含杂波图像数据集、无杂波图像数据集和杂波背景图像数据集；
根据所述含杂波图像数据集、所述无杂波图像数据集和所述杂波背景图像数据集构成训练数据集。
3.根据权利要求1所述的探地雷达B-scan图像杂波抑制方法，其特征在于，所述通过所述训练数据集对所述解纠缠表示生成对抗网络进行训练，包括：
初始化所述解纠缠表示生成对抗网络训练的权重参数；
在每一个周期训练开始时，随机打乱所述训练数据集；
从所述训练数据集中获取p张所述含杂波GPR B-scan图像、p张所述无杂波GPR B-scan图像和p张所述仅含杂波背景GPR B-scan图像输入至所述解纠缠表示生成对抗网络，通过优化器逐步降低所述杂波抑制生成器、所述杂波重建生成器、所述干净域判别器、所述杂波域判别器和所述杂波背景判别器的损失误差，来批训练所述解纠缠表示生成对抗网络；
重复批训练，直至所述训练数据集中所有图像均输入所述解纠缠表示生成对抗网络进行训练，确定一个周期训练完成；
重复周期训练，直至所述解纠缠表示生成对抗网络的损失误差趋于稳定，确定所述解纠缠表示生成对抗网络训练完成。
4.根据权利要求1所述的探地雷达B-scan图像杂波抑制方法，其特征在于，所述目标特征编码器的所述卷积层用于对输入图像进行卷积操作，得到所述输入图像的目标特征；所述最大池化层用于对所述目标特征进行池化操作，得到压缩后的目标特征；
所述杂波特征编码器的所述卷积层用于对输入的所述含杂波GPR B-scan图像进行卷积操作，得到所述含杂波GPR B-scan图像的杂波特征；所述最大池化层用于对所述杂波特征进行池化操作，得到压缩后的杂波特征；
所述杂波抑制生成器的所述上采样层用于对输入的特征进行上采样操作，得到解码后的特征；所述特征注意力模块用于根据所述卷积层输出的特征和所述目标特征编码器输出的目标特征进行目标回波区域特征学习，以更加注意目标回波区域；所述特征融合层用于对所述卷积层输出的特征和所述特征注意力模块输出的特征进行融合；
所述杂波重建生成器的所述特征融合模块用于对所述目标特征编码器输出的目标特征和所述杂波特征编码器输出的杂波特征进行融合，得到融合特征；所述特征注意力模块用于根据所述卷积层输出的特征和所述特征融合模块输出的融合特征进行目标回波区域特征和杂波区域特征学习，以更加注意目标回波区域和杂波区域；所述特征融合层用于对所述卷积层输出的特征和所述特征注意力模块输出的特征进行融合；
所述干净域判别器、所述杂波域判别器和所述杂波背景判别器均由五个卷积层和一个全局平均池化层组成。
5.根据权利要求4所述的探地雷达B-scan图像杂波抑制方法，其特征在于，所述杂波抑制生成器和所述杂波重建生成器的特征注意力模块均由三个卷积层、一个特征相加层和一个点乘层组成；所述特征相加层用于对输入的两路特征进行相加操作；所述点乘层用于对输入的第一路特征和卷积后的特征进行点乘操作；
所述杂波重建生成器的特征融合模块由通道空间注意力模块、特征相加层和卷积层组成；所述通道空间注意力模块用于根据所述杂波特征编码器输出的杂波特征，对杂波区域特征进行学习，以更加注意杂波区域；所述特征相加层用于对所述通道空间注意力模块输出的杂波区域特征和所述目标特征编码器输出的目标特征进行相加操作；所述卷积层用于对相加后的特征进行卷积操作。
6.一种探地雷达B-scan图像杂波抑制系统，其特征在于，包括：
图像数据获取模块，用于获取地下目标区域的含杂波GPR B-scan图像、无杂波GPR B-scan图像和仅含杂波背景GPR B-scan图像，构建训练数据集；
网络构建模块，用于构建解纠缠表示生成对抗网络；所述解纠缠表示生成对抗网络包含目标特征编码器、杂波特征编码器、杂波抑制生成器、杂波重建生成器、干净域判别器、杂波域判别器和杂波背景判别器；
网络训练模块，用于通过所述训练数据集对所述解纠缠表示生成对抗网络进行训练，并根据所述解纠缠表示生成对抗网络中训练好的所述目标特征编码器和所述杂波抑制生成器构建杂波抑制网络；
杂波抑制模块，用于通过所述杂波抑制网络对实测GPR B-scan图像进行杂波抑制，获得杂波抑制GPR B-scan图像；
其中，所述目标特征编码器由四个卷积层和三个最大池化层组成，用于提取输入图像的目标特征；
所述杂波特征编码器由四个卷积层和三个最大池化层组成，用于提取输入图像的杂波特征；
所述杂波抑制生成器由三个上采样层、七个卷积层、三个特征融合层和三个特征注意力模块组成，用于根据目标特征生成杂波抑制图像，该杂波抑制图像包含杂波抑制GPR B-scan图像、无杂波重建图像和无杂波图像；
所述杂波重建生成器由三个上采样层、七个卷积层、三个特征融合层、四个特征融合模块和三个特征注意力模块组成，用于根据目标特征和杂波特征生成带杂波图像，该带杂波图像包含带杂波GPR B-scan图像、含杂波重建图像和含杂波图像；所述杂波抑制生成器和所述杂波重建生成器的联合损失函数为：
Figure 562260DEST_PATH_IMAGE001
，
Figure 719572DEST_PATH_IMAGE002
，
Figure 637850DEST_PATH_IMAGE003
，
Figure 264441DEST_PATH_IMAGE004
，
Figure 951775DEST_PATH_IMAGE005
，
其中，
Figure 545567DEST_PATH_IMAGE006
为所述杂波抑制生成器和所述杂波重建生成器的联合损失函数；
Figure 341353DEST_PATH_IMAGE007
、
Figure 46004DEST_PATH_IMAGE008
、
Figure 587844DEST_PATH_IMAGE009
和
Figure 86959DEST_PATH_IMAGE010
为所述解纠缠表示生成对抗网络的超参数；
Figure 714249DEST_PATH_IMAGE011
、
Figure 691432DEST_PATH_IMAGE012
、
Figure 353358DEST_PATH_IMAGE013
和
Figure 23373DEST_PATH_IMAGE014
分别为对抗损失、重建损失、循环一致损失和杂波背景损失；
Figure 140890DEST_PATH_IMAGE015
为L1范数；
Figure 452922DEST_PATH_IMAGE016
为所述杂波抑制生成器根据所述含杂波GPR B-scan图像的目标特征生成的杂波抑制GPR B-scan图像；
Figure 172617DEST_PATH_IMAGE017
为所述杂波重建生成器根据所述无杂波GPR B-scan图像的目标特征和所述含杂波GPR B-scan图像的杂波特征生成的带杂波GPR B-scan图像；
Figure 13534DEST_PATH_IMAGE018
为所述杂波重建生成器根据所述含杂波GPR B-scan图像的目标特征和杂波特征生成的含杂波重建图像；
Figure 615416DEST_PATH_IMAGE019
为所述杂波抑制生成器根据所述无杂波GPRB-scan图像的目标特征生成的无杂波重建图像；
Figure 199981DEST_PATH_IMAGE020
为所述杂波重建生成器根据所述杂波抑制GPR B-scan图像的目标特征和所述带杂波GPR B-scan图像的杂波特征生成的含杂波图像；
Figure 570920DEST_PATH_IMAGE021
为所述杂波抑制生成器根据所述带杂波GPR B-scan图像的目标特征生成的无杂波图像；
Figure 582738DEST_PATH_IMAGE022
为所述含杂波GPR B-scan图像与所述杂波抑制GPR B-scan图像进行减法操作后得到的杂波背景图像；
Figure 671917DEST_PATH_IMAGE023
为所述带杂波GPR B-scan图像与所述无杂波GPR B-scan图像进行减法操作后得到的杂波背景图像；
所述干净域判别器用于判别所述无杂波GPR B-scan图像和所述杂波抑制GPR B-scan图像；所述干净域判别器的损失函数为：
Figure 60173DEST_PATH_IMAGE024
，
其中，
Figure 285618DEST_PATH_IMAGE025
为所述干净域判别器的损失函数；
Figure 468338DEST_PATH_IMAGE026
为所述干净域判别器；
Figure 44813DEST_PATH_IMAGE027
为所述目标特征编码器；
Figure 971180DEST_PATH_IMAGE028
为所述杂波抑制生成器；
Figure 254394DEST_PATH_IMAGE029
为所述含杂波GPR B-scan图像；
Figure 873594DEST_PATH_IMAGE030
为所述无杂波GPR B-scan图像；
Figure 671786DEST_PATH_IMAGE031
为所述目标特征编码器从所述含杂波GPR B-scan图像中提取的目标特征；
Figure 139195DEST_PATH_IMAGE032
为所述杂波抑制生成器根据所述目标特征生成的杂波抑制GPR B-scan图像；
Figure 339232DEST_PATH_IMAGE033
为所述干净域判别器对所述杂波抑制GPR B-scan图像的判别值；
Figure 129334DEST_PATH_IMAGE034
为所述干净域判别器对所述无杂波GPR B-scan图像的判别值；
Figure 149242DEST_PATH_IMAGE035
为期望运算；
所述杂波域判别器用于判别所述含杂波GPR B-scan图像和所述带杂波GPR B-scan图像；所述杂波域判别器的损失函数为：
Figure 948571DEST_PATH_IMAGE036
，
其中，
Figure 737535DEST_PATH_IMAGE037
为所述杂波域判别器的损失函数；
Figure 432959DEST_PATH_IMAGE038
为所述杂波域判别器；
Figure 205743DEST_PATH_IMAGE039
为所述杂波特征编码器；
Figure 277604DEST_PATH_IMAGE040
为所述杂波重建生成器；
Figure 452233DEST_PATH_IMAGE041
为所述杂波特征编码器从所述含杂波GPRB-scan图像中提取的杂波特征；
Figure 584138DEST_PATH_IMAGE042
为所述目标特征编码器从所述无杂波GPR B-scan图像中提取的目标特征；
Figure 313059DEST_PATH_IMAGE043
为所述杂波重建生成器根据所述目标特征和所述杂波特征生成的带杂波GPR B-scan图像；
Figure 454190DEST_PATH_IMAGE044
为所述杂波域判别器对所述带杂波GPR B-scan图像的判别值；
Figure 483326DEST_PATH_IMAGE045
为所述杂波域判别器对所述含杂波GPR B-scan图像的判别值；
所述杂波背景判别器用于判别所述仅含杂波背景GPR B-scan图像和生成的杂波背景图像；所述杂波背景判别器的损失函数为：
Figure 520553DEST_PATH_IMAGE046
，
其中，
Figure 267929DEST_PATH_IMAGE047
是所述杂波背景判别器的损失函数；
Figure 884855DEST_PATH_IMAGE048
为所述杂波背景判别器；
Figure 771427DEST_PATH_IMAGE049
为所述仅含杂波背景GPR B-scan图像；
Figure 979554DEST_PATH_IMAGE050
为所述带杂波GPR B-scan图像与所述无杂波GPR B-scan图像进行减法操作后得到的杂波背景图像；
Figure 948647DEST_PATH_IMAGE051
为所述杂波背景判别器对所述杂波背景图像的判别值；
Figure 166002DEST_PATH_IMAGE052
为所述杂波背景判别器对所述仅含杂波背景GPR B-scan图像的判别值。
7.根据权利要求6所述的探地雷达B-scan图像杂波抑制系统，其特征在于，所述图像数据获取模块包括：
仿真场景构建子模块，用于构建有目标仿真场景和无目标仿真场景；
含杂波图像获取子模块，用于在所述有目标仿真场景中，通过预设仿真软件获取K张有目标GPR B-scan图像，以构成K张含杂波GPR B-scan图像；
无杂波图像获取子模块，用于在匹配的所述有目标仿真场景和所述无目标仿真场景中，通过预设仿真软件获取K组匹配的有目标GPR B-scan图像和无目标GPR B-scan图像，并对每组匹配的图像进行相减操作后，获得K张无杂波GPR B-scan图像；
背景图像获取子模块，用于在所述无目标仿真场景中，通过预设仿真软件获取K张无目标GPR B-scan图像，以构成K张仅含杂波背景GPR B-scan图像；
图像处理子模块，用于根据K张所述含杂波GPR B-scan图像、K张所述无杂波GPR B-scan图像和K张所述仅含杂波背景GPR B-scan图像分别构成含杂波图像数据集、无杂波图像数据集和杂波背景图像数据集；
数据集构建子模块，用于根据所述含杂波图像数据集、所述无杂波图像数据集和所述杂波背景图像数据集构成训练数据集。
8.根据权利要求6所述的探地雷达B-scan图像杂波抑制系统，其特征在于，所述目标特征编码器的所述卷积层用于对输入图像进行卷积操作，得到所述GPR B-scan图像的目标特征；所述最大池化层用于对所述目标特征进行池化操作，得到压缩后的目标特征；
所述杂波特征编码器的所述卷积层用于对输入的所述含杂波GPR B-scan图像进行卷积操作，得到所述含杂波GPR B-scan图像的杂波特征；所述最大池化层用于对所述杂波特征进行池化操作，得到压缩后的杂波特征；
所述杂波抑制生成器的所述上采样层用于对输入的特征进行上采样操作，得到解码后的特征；所述特征注意力模块用于根据所述卷积层输出的特征和所述目标特征编码器输出的目标特征进行目标回波区域特征学习，以更加注意目标回波区域；所述特征融合层用于对所述卷积层输出的特征和所述特征注意力模块输出的特征进行融合；
所述杂波重建生成器的所述特征融合模块用于对所述目标特征编码器输出的目标特征和所述杂波特征编码器输出的杂波特征进行融合，得到融合特征；所述特征注意力模块用于根据所述卷积层输出的特征和所述特征融合模块输出的融合特征进行目标回波区域特征和杂波区域特征学习，以更加注意目标回波区域和杂波区域；所述特征融合层用于对所述卷积层输出的特征和所述特征注意力模块输出的特征进行融合；
所述干净域判别器、所述杂波域判别器和所述杂波背景判别器均由五个卷积层和一个全局平均池化层组成。
CN202210905240.0A 2022-07-29 2022-07-29 一种探地雷达B-scan图像杂波抑制方法及系统 Active CN114966600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210905240.0A CN114966600B (zh) 2022-07-29 2022-07-29 一种探地雷达B-scan图像杂波抑制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210905240.0A CN114966600B (zh) 2022-07-29 2022-07-29 一种探地雷达B-scan图像杂波抑制方法及系统

Publications (2)

Publication Number Publication Date
CN114966600A CN114966600A (zh) 2022-08-30
CN114966600B true CN114966600B (zh) 2022-10-28

Family

ID=82968952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210905240.0A Active CN114966600B (zh) 2022-07-29 2022-07-29 一种探地雷达B-scan图像杂波抑制方法及系统

Country Status (1)

Country Link
CN (1) CN114966600B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115542282B (zh) * 2022-11-28 2023-04-07 南京航空航天大学 基于深度学习的雷达回波检测方法、系统、设备及介质
CN116106833B (zh) * 2023-04-12 2023-07-04 中南大学 一种基于深度学习的抑制表层钢筋回波的处理方法及系统
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626961A (zh) * 2020-05-29 2020-09-04 中国人民解放军海军航空大学 一种基于生成对抗网络的雷达图像杂波抑制方法及系统
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
CN114331890A (zh) * 2021-12-27 2022-04-12 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9207316B2 (en) * 2011-11-21 2015-12-08 Stolar, Inc. Radar for rejecting and looking past surface reflections

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626961A (zh) * 2020-05-29 2020-09-04 中国人民解放军海军航空大学 一种基于生成对抗网络的雷达图像杂波抑制方法及系统
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
CN114331890A (zh) * 2021-12-27 2022-04-12 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Declutter-GAN: GPR B-Scan Data Clutter Removal Using Conditional Generative Adversarial Nets;Zhi-Kang Ni，et al.;《IEEE Geoscience and Remote Sensing Letters》;20220416;1-5 *
GPR B-Scan Image Denoising via Multi-Scale Convolutional Autoencoder with Data Augmentation;Jiabin Luo，et al.;《electronics》;20210526;1-15 *
雷达数据处理中的杂波抑制方法;罗兴旺 等;《系统工程与电子技术》;20160322;37-44 *

Also Published As

Publication number Publication date
CN114966600A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN114966600B (zh) 一种探地雷达B-scan图像杂波抑制方法及系统
Temlioglu et al. A novel convolutional autoencoder-based clutter removal method for buried threat detection in ground-penetrating radar
Wang et al. Seismic trace interpolation for irregularly spatial sampled data using convolutional autoencoder
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
CN114723631B (zh) 基于深度上下文先验与多尺度重建子网络的图像去噪方法、系统及装置
CN108985304B (zh) 一种基于浅剖数据的沉积层结构自动提取方法
CN113361367B (zh) 基于深度学习的地下目标电磁反演方法及系统
Liu et al. Synthetic aperture radar image de-noising based on Shearlet transform using the context-based model
Zhou et al. RNMF-guided deep network for signal separation of GPR without labeled data
Lei et al. GPR detection localization of underground structures based on deep learning and reverse time migration
Du et al. Disentangling noise patterns from seismic images: Noise reduction and style transfer
Li et al. An Unsupervised CNN-Based Multichannel Interferometric Phase Denoising Method Applied to TomoSAR Imaging
Molinier et al. Ultrasonic imaging using conditional generative adversarial networks
CN108291977B (zh) 在地震成像中通过照明的交互式图像加权
Shan et al. Synthetic aperture radar images denoising based on multi-scale attention cascade convolutional neural network
Zhao et al. Unpaired sonar image denoising with simultaneous contrastive learning
Wei et al. Time–Frequency Domain Seismic Signal Denoising Based on Generative Adversarial Networks
CN109427042B (zh) 一种提取局部海域沉积层的分层结构和空间分布的方法
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
Yang et al. An adaptive clutter-immune method for pipeline detection with GPR
Yang et al. Seismic random noise attenuation using DnCNN with stratigraphic dip constraint
Jin et al. Depthwise separable convolution Unet for 3D seismic data interpolation
Misiuk et al. Multivariate mapping of seabed grain size parameters in the Bay of Fundy using convolutional neural networks
Khami et al. Automatic feature highlighting in noisy RES data with CycleGAN
Ma et al. Seismic coherent noise removal with residual network and synthetic seismic samples

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