CN113554553A - 一种基于自调整闭环网络的抗假频声波图像插值方法 - Google Patents

一种基于自调整闭环网络的抗假频声波图像插值方法 Download PDF

Info

Publication number
CN113554553A
CN113554553A CN202110842213.9A CN202110842213A CN113554553A CN 113554553 A CN113554553 A CN 113554553A CN 202110842213 A CN202110842213 A CN 202110842213A CN 113554553 A CN113554553 A CN 113554553A
Authority
CN
China
Prior art keywords
interpolation
closed
loop
model
self
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.)
Pending
Application number
CN202110842213.9A
Other languages
English (en)
Inventor
陆文凯
王钰清
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110842213.9A priority Critical patent/CN113554553A/zh
Publication of CN113554553A publication Critical patent/CN113554553A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明提出了一种基于自调整闭环网络的抗假频声波图像插值方法，搭建闭环CNN插值模型，该模型包括两个插值子模型，一个插值子模型用于对缺失数据进行插值，另一个插值子模型用于对缺失道的插值结果进行再次插值，两个子模型结构相同共享权重，并在此基础上定义闭环重构误差，用于评估插值结果；使用标签数据对闭环插值模型进行训练，得到在标签数据集上收敛的模型；搭建自调整模块，按不同的角度对测试数据进行错切变换，分别输入闭环插值模型，根据闭环重构误差挑选最优错切角度，对最优错切角度下的插值结果进行逆错切变换，得到最终的插值结果。本发明够提升插值模型在测试数据上的应用效果，达到抗假频的结果。

Description

一种基于自调整闭环网络的抗假频声波图像插值方法
技术领域
本发明属于图像处理领域，尤其涉及一种基于自调整闭环网络的抗假频声波图像插值方法。
背景技术
声学成像是一种基于传感器阵列的成像技术，通过传感器阵列收集空间中的声波信号，对目标物体进行成像。主动型声学成像通过震源激发声波信号，声波信号在空间中传播，遇到反射界面后产生反射，由传感器阵列进行接收。被动型声学成像通过传感器阵列收集空间中已有的声音信号进行定位和成像。地震勘探成像、医学超声成像均属于声学成像领域。在实际应用过程中，声学成像成本、速度受阵列传感器数量的影响。由于声场传播的连续性，相邻传感器接收到的声波信号往往存在一定冗余性，可以减少传感器数量，通过图像插值的方法对缺失传感器的接收信号进行插值重构，达到降低采集成本的作用。
近年来，深度学习已在声学图像插值领域得到广泛采用[1-4]。相较于传统的插值方法，基于深度学习的插值方法具有更强的学习能力和特征表达能力。在训练样本充足的情况下，基于深度学习的插值方法能够获得更优的插值效果。Wang等人[1]首先提出一种基于深度学习的插值方法，该方法在合成数据集上训练卷积神经网络(ConvolutionalNeural Network,CNN)，并有效地将训练得到的CNN模型应用于实际数据集。Hu[2]等人提出基于自监督的CNN训练方法，该方法只使用缺失的地震数据进行训练，能够在测试数据集上获得较好的插值效果。Xiao[3]等人将深度学习插值算法应用于超声数据，有效降低传感器通道数量，提升波束形成后的超声成像效果。Vyas[4]等人基于频域分割网络提出一种抗假频的插值方法。
尽管深度学习算法在声波图像插值领域取得了较好的应用效果，但其推广泛化能力有限。由于CNN模型结构较为复杂，可解释性较差，CNN模型的有效应用范围难以确定。因此，自动评估CNN插值模型在新测试集上的泛化效果可以帮助工程人员评估CNN的应用效果，有利于促进CNN插值模型在生产生活中的推广应用，具有重要的应用价值。
发明内容
本发明提出了一种基于自调整闭环网络的抗假频声波图像插值方法。该方法采用一种闭环插值结构，能够对插值模型的插值结果进行自动评估。在此基础上，本发明进一步构造一种自调整模块，该模块根据闭环网络的评估结果，对输入图像进行错切调整，寻找最优错切参数，将难样本转化为简单样本，能够有效压制假频，提升插值效果，实现抗假频声波图像插值。本发明所提方法能够在降低传感器数量的同时，有效提升插值效果，进而提升声波成像质量。
一种基于自调整闭环网络的抗假频声波图像插值方法，包括如下步骤：
步骤1：搭建闭环插值模型；
步骤2：使用标签数据对闭环插值模型进行训练；
步骤3：搭建自调整模块。
进一步，步骤1中的闭环插值模型包括两个插值子模型，一个插值子模型用于对缺失数据进行插值，另一个插值子模型用于对缺失道的插值结果进行再次插值，两个子模型结构相同、共享权重。
优选地，子模型为CNN模型或传统插值模型。
优选地，步骤2中，利用插值损失函数Linterp和闭环损失函数Lcyc对模型进行训练。
进一步，步骤2中，训练过程的总体函数为：
L＝λ1Linterp+λ2Lcyc
λ1，λ2＞0，用于调整两个损失函数的权重；
插值损失函数Linterp：
Linterp＝||z-fW(x)||2
fW(·)表示插值模型，W表示模型的权重参数，z为原始未缺失地震数据，x为缺失数据，x＝z⊙m，m表示未缺失道掩膜，⊙表示点乘；
闭环损失函数Lcyc：
Figure BDA0003179304760000021
fW′(·)为另一个插值模型，
Figure BDA0003179304760000031
为由缺失道的插值结果构成的新的缺失数据，
Figure BDA0003179304760000032
进一步，步骤3中，在闭环模型的基础上定义测试数据的闭环重构误差，用于评估插值模型在新数据集上的应用效果，重构误差小，则说明插值模型在该测试集上的应用效果较好，反之，则应用效果较差。
优选地，闭环重构误差为：
Figure BDA0003179304760000033
x*为无标签测试数据，m*为x*对应的掩膜，
Figure BDA0003179304760000034
为闭环输出，
Figure BDA0003179304760000035
表示无标签测试数据x*对应的缺失道插值结果，满足
Figure BDA0003179304760000036
进一步，步骤3中，根据闭环重构误差对测试数据进行自调整，按不同的角度对测试数据进行错切变换，分别输入闭环插值模型，根据闭环重构误差挑选最优错切角度，对最优错切角度下的插值结果进行逆错切变换，得到最终的插值结果。
本发明的优点是，采用闭环插值结构，定义闭环重构误差，自动评估插值模型在测试数据上的应用效果；根据应用效果，结合错切变换，提升插值模型在测试数据上的应用效果，达到抗假频的结果。
附图说明
图1为本发明的闭环网络结构图；
图2为本发明的插值网络结构图；
图3为本发明的自调整模块结构图；
图4为实际地震数据的测试结果图，其中，图4(a)为缺失地震数据，图4(b)-4(d)分别为Bicubic插值、传统CNN算法以及本发明方法的插值结果，图4(f)-4(h)为三种方法对应的插值误差，图4(e)为目标未缺失地震数据；
图5为实际地震数据振幅谱结果图，其中，图5(a)为目标数据振幅谱，图5(b)为降采样数据振幅谱，图5(c)-5(e)分别为Bicubic插值结果振幅谱、传统CNN插值结果振幅谱和本发明方法插值结果振幅谱；
图6为实际超声数据测试结果图；其中，图6(a)为降采样超声数据，图6(b)-6(d)分别为Bicubic插值结果、传统CNN插值结果和本发明方法的插值结果；
图7为实际超声数据振幅谱结果图，图7(a)为降采样超声数据振幅谱，图7(b)-7(d)分别为Bicubic插值结果振幅谱、传统CNN插值结果振幅谱和本发明方法的插值结果振幅谱。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
(1)搭建闭环插值模型
本发明提出的闭环网络结构图如图1所示。对于标签数据，将原始未缺失地据表示为z，观察到的缺失数据表示为x，m表示未缺失道掩膜，m值为1则表示未缺失数据。缺失数据满足：x＝z⊙m，其中，符号⊙表示点乘。如图1所示，首先使用插值模型学习从缺失数据x到未缺失数据z的映射，本实施例中使用CNN模型中的ResNets结构[5]，对应的插值损失函数如下：
Linterp＝||z-fW(x)||2
其中，fW(·)表示CNN插值模型，W表示CNN模型的权重参数。
根据CNN模型可得到对缺失地震数据插值后的数据fW(x)。使用缺失道掩膜(1-m)单独提取缺失道的插值结果，公式如下：
Figure BDA0003179304760000041
由此得到由缺失道的插值结果构成的新的缺失数据
Figure BDA0003179304760000042
使用另一个CNN插值模型fW′(·)对新缺失数据
Figure BDA0003179304760000043
进行插值，其中，W′表示该CNN插值模型的权重参数，定义闭环损失函数如下：
Figure BDA0003179304760000044
其中，由于两个插值模型的插值任务相似，因此本发明约束两个CNN插值子模型结构相同，且权值共享，即约束W与W′取值一致。
(2)使用标签数据对闭环插值模型进行训练
训练过程的总体函数为：
L＝λ1Linterp+λ2Lcyc
其中，λ1，λ2＞0，用于调整两个损失函数的权重。本发明实施例所采用的CNN插值模型如图2所示，采用ResNets结构[5]，包括三个残差模块，在网络输出层也采用残差连接。此外，也可采用U-Net[6]等其他端到端网络模型。在训练过程中，通过Adam[7]等梯度下降算法，调整权重W以最小化损失函数L，实现网络优化。上述的ResNets插值模型结构为CNN模型的一种，可以替换为其他的CNN模型，也可以替换为传统插值模型。
(3)搭建自调整模块
类似地，可以将无标签测试数据x*及其对应的掩膜m*输入到闭环网络，得到闭环输出
Figure BDA0003179304760000051
进一步定义测试数据的闭环重构误差为：
Figure BDA0003179304760000052
其中，
Figure BDA0003179304760000053
表示无标签测试数据x*对应的缺失道插值结果，满足
Figure BDA0003179304760000054
Figure BDA0003179304760000055
闭环重构误差
Figure BDA0003179304760000056
用于对插值效果进行评估，重构误差小，则说明插值模型在该测试集上的应用效果较好，反之，则说明应用效果较差。
本发明进一步根据闭环重构误差对测试数据进行自调整，提升插值效果。自调整模块结构图如图3所示。首先按照角度θ对地震数据进行错切，得到错切之后的缺失数据x*(θ)，同时对掩膜m*按照同样角度进行错切，得到错切后的掩膜m*(θ)。将错切后的数据输入闭环网络后，得到角度θ对应的闭环重构误差Lcyc(θ)。在一系列候选θ取值中选取使重构误差最小的θ值：
Figure BDA0003179304760000057
采用θ*对应的插值结果作为最优插值结果，经过逆错切变换后，得到最终的插值结果。θ*对应的错切变换可以将测试数据从难样本转化为简单样本，得到更优的插值结果。
为了验证本发明的有效性与优越性，下面将本发明所提出的方法分别应用于实际地震数据、实际超声数据。下面结合图4-7、表1展示本发明的插值效果。
图4、5显示了实际地震数据的实验结果。图4(a)为降采样地震数据，即缺失地震数据，图4(e)为目标未缺失地震数据，图4(b)-(d)分别为Bicubic插值、传统CNN算法[1]以及本发明方法的插值结果，图4(f)-(h)为三种方法对应的插值误差。对比图4结果可见，本发明方法的插值结果与真实未缺失数据更为接近，插值误差更低。由图4黑色箭头所示，本发明的方法能够有效减少假频现象。表1示出了三种方法的插值结果的定量结果。
表1实际地震数据插值SNR对比表
Figure BDA0003179304760000061
从表1中可以看出，Bicubic插值结果的信噪比(Signal-to-Noise Ratio，SNR)为12.46dB，传统CNN插值结果的信噪比为18.94dB，本发明方法的插值结果的信噪比为22.31dB。可见，本发明方法插值结果在定量指标上有明显的提升。图5显示了振幅谱结果，图5(a)为目标数据振幅谱，图5(b)为降采样数据振幅谱，图5(c)为Bicubic插值结果振幅谱，图5(d)为传统CNN插值结果振幅谱，图5(e)为本发明方法插值结果振幅谱。如图中白色箭头所示，Bicubic插值、传统CNN的插值结果都无法有效压制假频，而本发明方法的抗假频效果更好，本发明方法插值结果的振幅谱与目标振幅谱更接近。
图6、7显示了实际超声数据的实验结果。图6(a)为降采样超声数据，图6(b)-6(d)分别为Bicubic插值结果、传统CNN插值结果以及本发明方法的插值结果。由图6中黑色圆圈部分可见，相较于其他方法，本发明方法具有更好的抗假频效果。图7显示了对应的振幅谱图，图7(a)为降采样超声数据振幅谱，图7(b)-7(d)分别为Bicubic插值结果振幅谱、传统CNN插值结果振幅谱和本发明方法的插值结果振幅谱。图中白色箭头表示假频部分，从中可见，本发明方法能够有效压制假频，提升插值效果。
参考文献
[1]Wang,B.,Zhang,N.,Lu,W.,and Wang,J.[2018]Deep-learning-basedseismic data interpolation:A preliminary result.Geophysics,84(1),v11-v20.
[2]Hu,L.,Zheng,X.,Duan,Y.,and Yan,X.[2019]Unsupervised Seismic DataInterpolation via Deep Convolutional Autoencoder.In 81st EAGE Conference andExhibition 2019,vol.2019,no.1,pp.1-5.
[3]Xiao,D.,Yiu,B.Y.,Chee,A.J.and Alfred,C.H.[2019]Channel CountReduction for Plane Wave Ultrasound Through Convolutional Neural NetworkInterpolation.In International Conference on Image Analysis and Recognition(pp.442-451).Springer,Cham.
[4]Vyas,M.and Liao,Q.[2020]De-aliasing using the U-Net imagesegmentation algorithm.In SEG Technical Program Expanded Abstracts 2020(pp.1476-1480).Society of Exploration Geophysicists.
[5]He,K.,Zhang,X.,Ren,S.and Sun,J.[2016]Deep residual learning forimage recognition.In Proceedings of the IEEE conference on computer visionand pattern recognition(pp.770-778).
[6]Ronneberger,O.,Fischer,P.,and Brox,T.[2015]U-net:Convolutionalnetworks for biomedical image segmentation.In International Conference onMedical image computing and computer-assisted intervention,pp.234-241.
[7]Kingma,D.P.,and Ba,J.[2014]Adam:A method for stochasticoptimization.arXiv preprint arXiv:1412.6980.
上述实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于自调整闭环网络的抗假频声波图像插值方法，其特征在于，包括以下步骤：
步骤1：搭建闭环插值模型；
步骤2：使用标签数据对闭环插值模型进行训练；
步骤3：搭建自调整模块。
2.如权利要求1所述的一种基于自调整闭环网络的抗假频声波图像插值方法，其特征在于：所述步骤1中的闭环插值模型包括两个插值子模型，一个插值子模型用于对缺失数据进行插值，另一个插值子模型用于对缺失道的插值结果进行再次插值，两个子模型结构相同、共享权重。
3.如权利要求2所述的一种基于自调整闭环网络的抗假频声波图像插值方法，其特征在于：所述子模型为CNN模型或传统插值模型。
4.如权利要求2所述的一种基于自调整闭环网络的抗假频声波图像插值方法，其特征在于：所述步骤2中，利用插值损失函数Linterp和闭环损失函数Lcyc对模型进行训练。
5.如权利要求1-4任一项所述的一种基于自调整闭环网络的抗假频声波图像插值方法，其特征在于：所述步骤2中，训练过程的总体函数为：
L＝λ1Linterp+λ2Lcyc
λ1，λ2＞0，用于调整两个损失函数的权重；
插值损失函数Linterp：
Linterp＝||z-fW(x)||2
fW(·)表示插值模型，W表示模型的权重参数，z为原始未缺失地震数据，x为缺失数据，x＝z⊙m，m表示未缺失道掩膜，⊙表示点乘；
闭环损失函数Lcyc：
Figure FDA0003179304750000011
fW′(·)为另一个插值模型，
Figure FDA0003179304750000012
为由缺失道的插值结果构成的新的缺失数据，
Figure FDA0003179304750000013
6.如权利要求1所述的一种基于自调整闭环网络的抗假频声波图像插值方法，其特征在于：所述步骤3中，在闭环模型的基础上定义测试数据的闭环重构误差，用于评估插值模型在新数据集上的应用效果，重构误差小，则说明插值模型在该测试集上的应用效果较好，反之，则应用效果较差。
7.如权利要求6所述的一种基于自调整闭环网络的抗假频声波图像插值方法，其特征在于：所述闭环重构误差为：
Figure FDA0003179304750000021
x*为无标签测试数据，m*为x*对应的掩膜，
Figure FDA0003179304750000022
为闭环输出，
Figure FDA0003179304750000023
表示无标签测试数据x*对应的缺失道插值结果，满足
Figure FDA0003179304750000024
8.如权利要求6或7所述的一种基于自调整闭环网络的抗假频声波图像插值方法，其特征在于：所述步骤3中，根据闭环重构误差对测试数据进行自调整，按不同的角度对测试数据进行错切变换，分别输入闭环插值模型，根据闭环重构误差挑选最优错切角度，对最优错切角度下的插值结果进行逆错切变换，得到最终的插值结果。
CN202110842213.9A 2021-07-26 2021-07-26 一种基于自调整闭环网络的抗假频声波图像插值方法 Pending CN113554553A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110842213.9A CN113554553A (zh) 2021-07-26 2021-07-26 一种基于自调整闭环网络的抗假频声波图像插值方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110842213.9A CN113554553A (zh) 2021-07-26 2021-07-26 一种基于自调整闭环网络的抗假频声波图像插值方法

Publications (1)

Publication Number Publication Date
CN113554553A true CN113554553A (zh) 2021-10-26

Family

ID=78104368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110842213.9A Pending CN113554553A (zh) 2021-07-26 2021-07-26 一种基于自调整闭环网络的抗假频声波图像插值方法

Country Status (1)

Country Link
CN (1) CN113554553A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180267188A1 (en) * 2017-03-15 2018-09-20 Pgs Geophysical As Methods and systems to interpolate seismic data
CN111368680A (zh) * 2020-02-27 2020-07-03 东北石油大学 基于波原子变换的深度学习抗假频地震数据规则化方法
CN111551988A (zh) * 2020-04-23 2020-08-18 中国地质大学（武汉） 一种深度学习与预测滤波结合的地震数据反假频插值方法
CN112184560A (zh) * 2020-12-02 2021-01-05 南京理工大学 基于深度闭环神经网络的高光谱图像超分辨优化方法
CN112700372A (zh) * 2021-01-11 2021-04-23 河北工业大学 结合Gabor特征提取与支持向量回归的地震数据插值方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180267188A1 (en) * 2017-03-15 2018-09-20 Pgs Geophysical As Methods and systems to interpolate seismic data
CN111368680A (zh) * 2020-02-27 2020-07-03 东北石油大学 基于波原子变换的深度学习抗假频地震数据规则化方法
CN111551988A (zh) * 2020-04-23 2020-08-18 中国地质大学（武汉） 一种深度学习与预测滤波结合的地震数据反假频插值方法
CN112184560A (zh) * 2020-12-02 2021-01-05 南京理工大学 基于深度闭环神经网络的高光谱图像超分辨优化方法
CN112700372A (zh) * 2021-01-11 2021-04-23 河北工业大学 结合Gabor特征提取与支持向量回归的地震数据插值方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘财等: "基于seislet变换的反假频迭代数据插值方法", 地球物理学报, 31 May 2013 (2013-05-31) *

Similar Documents

Publication Publication Date Title
CN109993280B (zh) 一种基于深度学习的水下声源定位方法
CN112001270B (zh) 基于一维卷积神经网络的地面雷达自动目标分类识别方法
CN112526451B (zh) 基于麦克风阵列成像的压缩波束形成及***
Mei et al. Visual geometry group-UNet: deep learning ultrasonic image reconstruction for curved parts
CN112990082B (zh) 一种水声脉冲信号的检测识别方法
Yin et al. Underwater acoustic target classification based on LOFAR spectrum and convolutional neural network
Liu et al. Few-shot learning with data enhancement and transfer learning for underwater target recognition
CN116626753B (zh) 一种基于多模态神经网络的微地震事件识别方法及***
CN113570594A (zh) 超声图像中目标组织的监测方法、装置及存储介质
CN113554553A (zh) 一种基于自调整闭环网络的抗假频声波图像插值方法
CN117368877A (zh) 基于生成对抗学习的雷达图像杂波抑制与目标检测方法
CN111859241A (zh) 一种基于声传递函数学习的非监督声源定向方法
Jin et al. Semi-supervised underwater acoustic source localization based on residual convolutional autoencoder
CN111352075B (zh) 一种基于深度学习的水下多声源定位方法及***
CN116794643A (zh) 一种基于声反射断层扫描成像的逆投影方法
Liu et al. A multiscale residual U-net architecture for super-resolution ultrasonic phased array imaging from full matrix capture data
CN113421281A (zh) 一种基于分割理论的行人微动部位分离方法
CN113109795B (zh) 一种基于深度神经网络的深海直达声区目标深度估计方法
CN115223044A (zh) 基于深度学习的端到端三维探地雷达目标识别方法及***
CN113607068A (zh) 一种光声测量信号特征的识别模型建立方法及提取方法
CN113534085B (zh) 一种干涉成像高度计的海面风速和有效波高联合反演方法
CN113050098A (zh) 基于块稀疏稳健主成分分析的反蛙人声呐混响抑制方法
CN112114300A (zh) 一种基于图像稀疏表示的水下弱目标检测方法
Song et al. Underwater acoustic signal noise reduction based on fully convolutional time domain separation network
Chen et al. Single-channel Blind Source Separation Algorithm Based on Water Area Noise Characteristics

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