CN114998137A - 一种基于生成对抗网络的探地雷达图像杂波抑制方法 - Google Patents
一种基于生成对抗网络的探地雷达图像杂波抑制方法 Download PDFInfo
- Publication number
- CN114998137A CN114998137A CN202210617637.XA CN202210617637A CN114998137A CN 114998137 A CN114998137 A CN 114998137A CN 202210617637 A CN202210617637 A CN 202210617637A CN 114998137 A CN114998137 A CN 114998137A
- Authority
- CN
- China
- Prior art keywords
- planes
- input
- image
- channel
- output
- 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
Links
- 230000000149 penetrating effect Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000001629 suppression Effects 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims description 46
- 230000004913 activation Effects 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 24
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 32
- 239000011159 matrix material Substances 0.000 description 10
- 230000003042 antagnostic effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
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)
- Image Processing (AREA)
Abstract
本发明公开了一种基于生成对抗网络的探地雷达图像杂波抑制方法。该方法以含有杂波的探地雷达图像为输入，输出干净探地雷达图像。该方法首先构建含杂波探地雷达图像、干净探地雷达图像两组数据集。含有杂波的探地雷达图像采用通过探地雷达实地采集的数据形成的图像中受杂波影响的图像；干净探地雷达图像采用去背景后的单一均匀介质仿真图像。接着，构建杂波图像生成干净图像的生成器模型与判别器模型，以及干净图像生成杂波图像的生成器模型与判别器模型，并采用CycleGAN的训练方法进行训练。最后，用训练好的生成器模型进行探地雷达图像的杂波抑制。本发明方法不要求数据集中杂波图像与干净图像一一对应，真值获取方式简单，并且相较于传统方法有更好的泛化性能。
Description
技术领域
本发明涉及一种探地雷达图像的杂波抑制方法，尤其涉及一种基于生成对抗网络的探地雷达图像杂波抑制方法方法，属于探地雷达数据处理领域。
背景技术
探地雷达是一种利用电磁波提取地下信息的无损检测工具。探地雷达首先对目标区域进行检测，检测的结果形成特殊图像，对图像进行解析可以获取介质以及地下埋藏物的信息。但由于地表以下介质情况多变，对于复杂的地下介质，探地雷达图像会出现影响图像解析的杂乱图像。
目前，有关探地雷达图像的杂波抑制方法大都基于PCA、RPCA的角度，将探地雷达图像矩阵视为稀疏矩阵、低秩矩阵等矩阵的组合，运用拉格朗日乘子法等方法对分解的矩阵进行求解，得到包含目标信息的矩阵。这类方法在处理不同图像时需要针对图像的特点对参数进行人工调整。在深度学习方面，目前已有的研究大部分是针对探地雷达图像的高斯噪声，通过人工对探地雷达图像添加高斯随机噪声，采用基于自编码器结构的神经网络进行去噪。
针对上述杂波抑制方法的不足，本发明专利提出一种基于生成对抗网络的探地雷达图像杂波抑制方法。本发明构建生成器网络模型与判别器网络模型，采用CycleGAN的思想，为杂波图像生成干净图像、干净图像生成杂波图像分别构建一组生成器与判别器模型，并进行训练；将去背景后的仿真图像作为干净图像数据集。该方法的数据集构建简单，相较于传统方法有更好的泛化性能。
发明内容
本发明的目的是提出一种基于生成对抗网络的探地雷达图像杂波抑制方法。该发明方法采用CycleGAN的思想，只需要含有杂波的探地雷达图像，干净探地雷达图像两组数据集，两组数据集中的图像不需要一一对应。干净图像采用去背景后的仿真图像，数据集构建简单。
本发明采用的技术方案如下：一种基于生成对抗网络的探地雷达图像杂波抑制方法，其特征在于：本发明采用CycleGAN的思想，构建并训练杂波图像生成干净图像的生成器模型与判别器模型，以及干净图像生成杂波图像的生成器模型与判别器模型；干净图像采用去背景后的gprMax仿真软件中设置单一均匀介质生成的图像。具体步骤包括：
步骤一：确定网络输入与输出、制作数据集
本方法设计的网络输入为含有杂波的探地雷达图像，输出只保留检测目标的干净图像。含有杂波的探地雷达图像采用通过探地雷达实地采集的数据形成的图像中受杂波影响的图像，也可以在gprMax仿真软件中设置soil_peplinski来生成干扰较大的图像进行替代；干净图像采用去背景后的仿真数据：采用gprMax模拟时，设置均匀的单一介质，生成探地雷达数据D，假设其维度为M×N。对探地雷达数据进行去背景消除直达波：
将去背景后的探地雷达数据D′归一化到[0,255]，形成探地雷达图像；本方法设计的网络输入大小、也即图像大小为n×n，n＝1024。
步骤二：设计生成器网络模型
探地雷达图像经过生成器后得到干净图像，生成器为自编码器结构由编码网络和解码网络构成，具体如下：
子步骤1：构建编码器网络
首先定义编码器残差模块Encoder_Block，其参数为输入通道数in_planes_e，输出通道数out_planes_e，是否需要下采样。定义以下模块：
卷积层eblk_1：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes_e，输出通道数为in_planes_e；卷积核大小为3×3，步长为1，padding设为1。
卷积层eblk_2：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes_e，输出通道数为out_planes_e；卷积核大小为3×3，步长为1，padding设为1。
平均池化函数eblk_3：将特征图按平均值下采样为原来的1/2。
通道转化层eblk_4：输入通道数为in_planes_e，输出通道数为out_planes_e；卷积核大小为1×1，步长为1，padding设置为0。
对输入特征图x_e，编码器残差模块Block的工作流程：若启用下采样，特征图x_e经过卷积层eblk_1，平均池化函数eblk_3，卷积层eblk_2后得到x_e1；若输入通道不等于输出通道，特征图x_e经过通道转化层eblk_4再经过平均池化函数eblk_3，否则直接经过平均池化函数eblk_4，得到x_e2。若不启用下采样，特征图x_e经过卷积层eblk_1，卷积层eblk_2后得到x_e1；若输入通道不等于输出通道，特征图x_e经过通道转化层eblk_4得到x_e2。最终输出
编码器网络结构为：
卷积层1_1：输入卷积层：输入通道数为1，输出通道数为16；卷积核大小为3×3，步长为1，padding设置为1。得到维度为1024×1024×16的特征图。
编码器残差模块Encoder_Block1_2：输入通道in_planes_e＝16，输出通道out_planes_e＝32，启用下采样；得到维度为512×512×32的特征图。
编码器残差模块Encoder_Block1_3：输入通道in_planes_e＝32，输出通道out_planes_e＝64，启用下采样；得到维度为256×256×64的特征图。
编码器残差模块Encoder_Block1_4：输入通道in_planes_e＝64，输出通道out_planes_e＝128，启用下采样；得到维度为128×128×128的特征图。
编码器残差模块Encoder_Block1_5：输入通道in_planes_e＝128，输出通道out_planes_e＝256，启用下采样；得到维度为64×64×256的特征图。
编码器残差模块Encoder_Block1_6：输入通道in_planes_e＝256，输出通道out_planes_e＝512，启用下采样；得到维度为32×32×512的特征图。
编码器残差模块Encoder_Block1_7：输入通道in_planes_e＝512，输出通道out_planes_e＝512，启用下采样；得到维度为16×16×512的特征图。
编码器残差模块Encoder_Block1_8：输入通道in_planes_e＝512，输出通道out_planes_e＝512，得到维度为16×16×512的特征图。
子步骤2：构建解码器网络
首先定义解码器残差模块Decoder_Block，其参数为输入通道数in_planes_d，输出通道数out_planes_d。定义以下模块：
卷积层dblk_1：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes_d，输出通道数为out_planes_d；卷积核大小为3×3，步长为1，padding设为1。
卷积层dblk_2：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes_d，输出通道数为out_planes_d；卷积核大小为3×3，步长为1，padding设为1。
上采样插值函数dblk_3：用插值的方法将特征图放大为原来的两倍。
通道转化层dblk_4：输入通道数为in_planes_d，输出通道数为out_planes_d；卷积核大小为1×1，步长为1，padding设置为0。
输入特征图x_d，解码器残差模块Decoder_Block的工作流程为：特征图x_d经过卷积层dblk_1，上采样插值函数dblk_3，卷积层dblk_2后得到x_d1；若输入通道不等于输出通道，特征图x_d输入通道转化层dblk_4再经过上采样插值函数dblk_3，否则直接输入上采样插值函数dblk_3，得到x_d2。最终输出
解码器网络结构为：
解码器残差模块Decoder_Block2_1：输入通道in_planes_d＝512，输出通道out_planes_d＝512，得到维度为16×16×512的特征图。
解码器残差模块Decoder_Block2_2：输入通道in_planes_d＝512，输出通道out_planes_d＝512，得到维度为32×32×512的特征图。
解码器残差模块Decoder_Block2_3：输入通道in_planes_d＝512，输出通道out_planes_d＝256，得到维度为64×64×256的特征图。
解码器残差模块Decoder_Block2_4：输入通道in_planes_d＝256，输出通道out_planes_d＝128，得到维度为128×128×128的特征图。
解码器残差模块Decoder_Block2_5：输入通道in_planes_d＝128，输出通道out_planes_d＝64，得到维度为256×256×64的特征图。
解码器残差模块Decoder_Block2_6：输入通道in_planes_d＝64，输出通道out_planes＝32，得到维度为512×512×32的特征图。
解码器残差模块Decoder_Block2_7：输入通道in_planes_d＝32，输出通道out_planes＝16，得到维度为1024×1024×16的特征图。
卷积层2_8：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为16，输出通道数为1；卷积核大小为1×1，步长为1，padding设置为0。得到维度为1024×1024×1的图像。
步骤三：设计判别器网络模型
首先定义判别器残差模块Block，其输入通道数为in_planes，输出通道数为out_planes。定义以下模块：
卷积层blk_1：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes，输出通道数为in_planes；卷积核大小为3×3，步长为1，padding设置为1。
卷积层blk_2：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes，输出通道数为out_planes；卷积核大小为3×3，步长为1，padding设置为1。
平均池化函数blk_3：将特征图按平均值下采样为原来的1/2。
通道转化层blk_4：输入通道数为in_planes，输出通道数为out_planes；卷积核大小为1×1，步长为1，padding设置为0。
对输入特征图x，判别器残差模块Block的工作流程：特征图x经过卷积层blk_1，平均池化函数blk_3，卷积层blk_2后得到x1；若输入通道不等于输出通道，特征图x经过通道转化层blk_4再经过平均池化函数blk_3，否则直接经过平均池化函数blk_4，得到x2。最终输出
判别器的网络结构为：
卷积层3_1：输入卷积层：输入通道数为1，输出通道数为16；卷积核大小为3×3，步长为1，padding设置为1。得到维度为1024×1024×16的特征图。
残差模块Block3_2：输入通道in_planes＝16，输出通道out_planes＝32，得到维度为512×512×32的特征图。
残差模块Block3_3：输入通道in_planes＝32，输出通道out_planes＝64，得到维度为256×256×64的特征图。
残差模块Block3_4：输入通道in_planes＝64，输出通道out_planes＝128，得到维度为128×128×128的特征图。
残差模块Block3_5：输入通道in_planes＝128，输出通道out_planes＝256，得到维度为64×64×256的特征图。
残差模块Block3_6：输入通道in_planes＝256，输出通道out_planes＝512，得到维度为32×32×512的特征图。
残差模块Block3_7：输入通道in_planes＝512，输出通道out_planes＝512，得到维度为16×16×512的特征图。
残差模块Block3_8：输入通道in_planes＝512，输出通道out_planes＝512，得到维度为8×8×512的特征图。
残差模块Block3_9：输入通道in_planes＝512，输出通道out_planes＝512，得到维度为4×4×512的特征图。
卷积层3_10：经过LeakyReLU函数后，输入卷积层：输入通道数为512，输出通道数为512；卷积核大小为4×4，步长为1，padding设置为0。得到维度为1×1×512的特征图。
卷积层3_11：经过LeakyReLU函数后，输入卷积层：输入通道数为512，输出通道数为1；卷积核大小为1×1，步长为1，padding设置为0。得到维度为1×1×1的特征图。
输出层3_12：将卷积层3_11的结果进行维度压缩，得到1×1大小的特征，再经过sigmoid激活函数输出结果。
步骤四：网络训练
定义含有杂波的探地雷达图像数据集为X，干净探地雷达数据集为Y。首先构建生成网络模型G：X生成Y、重构网络模型F：Y生成X、判别网络模型DX、DY，其中重构网络与生成网络的模型结构相同。对于生成模型G，采用生成对抗损失：
在训练判别器DY时，固定生成器G，使得判别器能够给真实图像y更高的分数，给生成图像G(x)更低的分数；在训练生成器时，固定判别器DY，使得判别器能够给生成的图像G(x)更高的分数。即：
同样的，对于重构网络模型F，采用生成对抗损失：
此外为了保证图像主体不变，x通过生成模型G生成的图像能够通过重构模型F还原回去，因此采用循环损失：
最终损失函数为：
L(G,F,DX,DY,X,Y)＝LGAN(G,DY,X,Y)+LGAN(F,DX,Y,X)+λLcyc(G,F,X,Y)
其中λ为可调节的参数，可以取10。最终训练过程为：
步骤五：使用训练好的网络进行杂波抑制
将含有杂波探地雷达图像输入生成器G，得到干净探地雷达图像。
本发明的优点及显著效果：
本发明采用CycleGAN的思想对探地雷达图像进行杂波抑制，该方法相较于传统方法有更好的泛化性能；不需要一一对应的探地雷达图像，只需要有杂波的探地雷达图像，干净探地雷达图像两组数据，真值获取简单。
附图说明
图1是网络模型训练方法；
图2是生成器网络；
图3是生成网络的编码器残差模块结构；
图4是生成网络的解码器残差模块结构；
图5是判别器网络；
图6是判别器网络残差模块结构。
具体实施方式
探地雷达是一种利用电磁波提取地下信息的无损检测工具。探地雷达首先对目标区域进行检测，检测的结果形成特殊图像，对图像进行解析可以获取介质以及地下埋藏物的信息。但由于地表以下介质情况多变，对于复杂的地下介质，探地雷达图像会出现影响图像解析的杂乱图像。
目前，有关探地雷达图像的杂波抑制方法大都基于PCA、RPCA的角度，将探地雷达图像矩阵视为稀疏矩阵、低秩矩阵等矩阵的组合，运用拉格朗日乘子法等方法对分解的矩阵进行求解，得到包含目标信息的矩阵。这类方法在处理不同图像时需要针对图像的特点对参数进行人工调整。在深度学习方面，目前已有的研究大部分是针对探地雷达图像的高斯噪声，通过人工对探地雷达图像添加高斯随机噪声，采用基于自编码器结构的神经网络进行去噪。
针对上述杂波抑制方法的不足，本发明专利提出一种基于生成对抗网络的探地雷达图像杂波抑制方法。本发明构建生成器网络模型与判别器网络模型，采用CycleGAN的思想，为杂波图像生成干净图像、干净图像生成杂波图像分别构建一组生成器与判别器模型，并进行训练；将去背景后的仿真图像作为干净图像数据集。该方法的数据集构建简单，相较于传统方法有更好的泛化性能。
本发明的目的是提出一种基于生成对抗网络的探地雷达图像杂波抑制方法。该发明方法采用CycleGAN的思想，只需要含有杂波的探地雷达图像，干净探地雷达图像两组数据集，两组数据集中的图像不需要一一对应。干净图像采用去背景后的仿真图像，数据集构建简单。
本发明采用的技术方案如下：一种基于生成对抗网络的探地雷达图像杂波抑制方法，其特征在于：本发明采用CycleGAN的思想，构建并训练杂波图像生成干净图像的生成器模型与判别器模型，以及干净图像生成杂波图像的生成器模型与判别器模型，如图1所示；干净图像采用去背景后的gprMax仿真软件中设置单一均匀介质生成的图像。具体步骤包括：
步骤一：确定网络输入与输出、制作数据集
本方法设计的网络输入为含有杂波的探地雷达图像，输出只保留检测目标的干净图像。含有杂波的探地雷达图像采用通过探地雷达实地采集的数据形成的图像中受杂波影响的图像，也可以在gprMax仿真软件中设置soil_peplinski来生成干扰较大的图像进行替代；干净图像采用去背景后的仿真数据：采用gprMax模拟时，设置均匀的单一介质，生成探地雷达数据D，假设其维度为M×N。对探地雷达数据进行去背景消除直达波：
将去背景后的探地雷达数据D′归一化到[0,255]，形成探地雷达图像；本方法设计的网络输入大小、也即图像大小为n×n，n＝1024。
步骤二：设计生成器网络模型
探地雷达图像经过生成器后得到干净图像，生成器为自编码器结构由编码网络和解码网络构成。如图2所示，具体如下：
子步骤1：构建编码器网络
首先定义编码器残差模块Encoder_Block，其参数为输入通道数in_planes_e，输出通道数out_planes_e，是否需要下采样。定义如图3所示的模块：
卷积层eblk_1：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes_e，输出通道数为in_planes_e；卷积核大小为3×3，步长为1，padding设为1。
卷积层eblk_2：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes_e，输出通道数为out_planes_e；卷积核大小为3×3，步长为1，padding设为1。
平均池化函数eblk_3：将特征图按平均值下采样为原来的1/2。
通道转化层eblk_4：输入通道数为in_planes_e，输出通道数为out_planes_e；卷积核大小为1×1，步长为1，padding设置为0。
对输入特征图x_e，编码器残差模块Block的工作流程：若启用下采样，特征图x_e经过卷积层eblk_1，平均池化函数eblk_3，卷积层eblk_2后得到x_e1；若输入通道不等于输出通道，特征图x_e经过通道转化层eblk_4再经过平均池化函数eblk_3，否则直接经过平均池化函数eblk_4，得到x_e2。若不启用下采样，特征图x_e经过卷积层eblk_1，卷积层eblk_2后得到x_e1；若输入通道不等于输出通道，特征图x_e经过通道转化层eblk_4得到x_e2。最终输出
编码器网络结构为：
卷积层1_1：输入卷积层：输入通道数为1，输出通道数为16；卷积核大小为3×3，步长为1，padding设置为1。得到维度为1024×1024×16的特征图。
编码器残差模块Encoder_Block1_2：输入通道in_planes_e＝16，输出通道out_planes_e＝32，启用下采样；得到维度为512×512×32的特征图。
编码器残差模块Encoder_Block1_3：输入通道in_planes_e＝32，输出通道out_planes_e＝64，启用下采样；得到维度为256×256×64的特征图。
编码器残差模块Encoder_Block1_4：输入通道in_planes_e＝64，输出通道out_planes_e＝128，启用下采样；得到维度为128×128×128的特征图。
编码器残差模块Encoder_Block1_5：输入通道in_planes_e＝128，输出通道out_planes_e＝256，启用下采样；得到维度为64×64×256的特征图。
编码器残差模块Encoder_Block1_6：输入通道in_planes_e＝256，输出通道out_planes_e＝512，启用下采样；得到维度为32×32×512的特征图。
编码器残差模块Encoder_Block1_7：输入通道in_planes_e＝512，输出通道out_planes_e＝512，启用下采样；得到维度为16×16×512的特征图。
编码器残差模块Encoder_Block1_8：输入通道in_planes_e＝512，输出通道out_planes_e＝512，得到维度为16×16×512的特征图。
子步骤2：构建解码器网络
首先定义解码器残差模块Decoder_Block，其参数为输入通道数in_planes_d，输出通道数out_planes_d。定义如图4所示的模块：
卷积层dblk_1：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes_d，输出通道数为out_planes_d；卷积核大小为3×3，步长为1，padding设为1。
卷积层dblk_2：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes_d，输出通道数为out_planes_d；卷积核大小为3×3，步长为1，padding设为1。
上采样插值函数dblk_3：用插值的方法将特征图放大为原来的两倍。
通道转化层dblk_4：输入通道数为in_planes_d，输出通道数为out_planes_d；卷积核大小为1×1，步长为1，padding设置为0。
输入特征图x_d，解码器残差模块Decoder_Block的工作流程为：特征图x_d经过卷积层dblk_1，上采样插值函数dblk_3，卷积层dblk_2后得到x_d1；若输入通道不等于输出通道，特征图x_d输入通道转化层dblk_4再经过上采样插值函数dblk_3，否则直接输入上采样插值函数dblk_3，得到x_d2。最终输出
解码器网络结构为：
解码器残差模块Decoder_Block2_1：输入通道in_planes_d＝512，输出通道out_planes_d＝512，得到维度为16×16×512的特征图。
解码器残差模块Decoder_Block2_2：输入通道in_planes_d＝512，输出通道out_planes_d＝512，得到维度为32×32×512的特征图。
解码器残差模块Decoder_Block2_3：输入通道in_planes_d＝512，输出通道out_planes_d＝256，得到维度为64×64×256的特征图。
解码器残差模块Decoder_Block2_4：输入通道in_planes_d＝256，输出通道out_planes_d＝128，得到维度为128×128×128的特征图。
解码器残差模块Decoder_Block2_5：输入通道in_planes_d＝128，输出通道out_planes_d＝64，得到维度为256×256×64的特征图。
解码器残差模块Decoder_Block2_6：输入通道in_planes_d＝64，输出通道out_planes＝32，得到维度为512×512×32的特征图。
解码器残差模块Decoder_Block2_7：输入通道in_planes_d＝32，输出通道out_planes＝16，得到维度为1024×1024×16的特征图。
卷积层2_8：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为16，输出通道数为1；卷积核大小为1×1，步长为1，padding设置为0。得到维度为1024×1024×1的图像。
步骤三：设计判别器网络模型
首先定义判别器残差模块Block，如图6所示；其输入通道数为in_planes，输出通道数为out_planes。定义以下模块：
卷积层blk_1：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes，输出通道数为in_planes；卷积核大小为3×3，步长为1，padding设置为1。
卷积层blk_2：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes，输出通道数为out_planes；卷积核大小为3×3，步长为1，padding设置为1。
平均池化函数blk_3：将特征图按平均值下采样为原来的1/2。
通道转化层blk_4：输入通道数为in_planes，输出通道数为out_planes；卷积核大小为1×1，步长为1，padding设置为0。
对输入特征图x，判别器残差模块Block的工作流程：特征图x经过卷积层blk_1，平均池化函数blk_3，卷积层blk_2后得到x1；若输入通道不等于输出通道，特征图x经过通道转化层blk_4再经过平均池化函数blk_3，否则直接经过平均池化函数blk_4，得到x2。最终输出
判别器的网络结构如图5所示，为：
卷积层3_1：输入卷积层：输入通道数为1，输出通道数为16；卷积核大小为3×3，步长为1，padding设置为1。得到维度为1024×1024×16的特征图。
残差模块Block3_2：输入通道in_planes＝16，输出通道out_planes＝32，得到维度为512×512×32的特征图。
残差模块Block3_3：输入通道in_planes＝32，输出通道out_planes＝64，得到维度为256×256×64的特征图。
残差模块Block3_4：输入通道in_planes＝64，输出通道out_planes＝128，得到维度为128×128×128的特征图。
残差模块Block3_5：输入通道in_planes＝128，输出通道out_planes＝256，得到维度为64×64×256的特征图。
残差模块Block3_6：输入通道in_planes＝256，输出通道out_planes＝512，得到维度为32×32×512的特征图。
残差模块Block3_7：输入通道in_planes＝512，输出通道out_planes＝512，得到维度为16×16×512的特征图。
残差模块Block3_8：输入通道in_planes＝512，输出通道out_planes＝512，得到维度为8×8×512的特征图。
残差模块Block3_9：输入通道in_planes＝512，输出通道out_planes＝512，得到维度为4×4×512的特征图。
卷积层3_10：经过LeakyReLU函数后，输入卷积层：输入通道数为512，输出通道数为512；卷积核大小为4×4，步长为1，padding设置为0。得到维度为1×1×512的特征图。
卷积层3_11：经过LeakyReLU函数后，输入卷积层：输入通道数为512，输出通道数为1；卷积核大小为1×1，步长为1，padding设置为0。得到维度为1×1×1的特征图。
输出层3_12：将卷积层3_11的结果进行维度压缩，得到1×1大小的特征，再经过sigmoid激活函数输出结果。
步骤四：网络训练
定义含有杂波的探地雷达图像数据集为X，干净探地雷达数据集为Y。首先构建生成网络模型G：X生成Y、重构网络模型F：Y生成X、判别网络模型DX、DY，其中重构网络与生成网络的模型结构相同。对于生成模型G，采用生成对抗损失：
在训练判别器DY时，固定生成器G，使得判别器能够给真实图像y更高的分数，给生成图像G(x)更低的分数；在训练生成器时，固定判别器DY，使得判别器能够给生成的图像G(x)更高的分数。即：
同样的，对于重构网络模型F，采用生成对抗损失：
此外为了保证图像主体不变，x通过生成模型G生成的图像能够通过重构模型F还原回去，因此采用循环损失：
最终损失函数为：
L(G,F,DX,DY,X,Y)＝LGAN(G,DY,X,Y)+LGAN(F,DX,Y,X)+λLcyc(G,F,X,Y)
其中λ为可调节的参数，可以取10。最终训练过程为：
步骤五：使用训练好的网络进行杂波抑制
将含有杂波探地雷达图像输入生成器G，得到干净探地雷达图像。
本发明采用CycleGAN的思想对探地雷达图像进行杂波抑制，该方法相较于传统方法有更好的泛化性能；不需要一一对应的探地雷达图像，只需要有杂波的探地雷达图像，干净探地雷达图像两组数据，真值获取简单。
Claims (1)
1.一种基于生成对抗网络的探地雷达图像杂波抑制方法，其特征在于：采用CycleGAN的思想，构建并训练杂波图像生成干净图像的生成器模型与判别器模型，以及干净图像生成杂波图像的生成器模型与判别器模型；干净图像采用去背景后的gprMax仿真软件中设置单一均匀介质生成的图像；具体步骤包括：
步骤一：确定网络输入与输出、制作数据集
设计的网络输入为含有杂波的探地雷达图像，输出只保留检测目标的干净图像；含有杂波的探地雷达图像采用通过探地雷达实地采集的数据形成的图像中受杂波影响的图像，也可以在gprMax仿真软件中设置soil_peplinski来生成干扰较大的图像进行替代；干净图像采用去背景后的仿真数据：采用gprMax模拟时，设置均匀的单一介质，生成探地雷达数据D，假设其维度为M×N；对探地雷达数据进行去背景消除直达波：
将去背景后的探地雷达数据D′归一化到[0,255]，形成探地雷达图像；本方法设计的网络输入大小、也即图像大小为n×n，n＝1024；
步骤二：设计生成器网络模型
探地雷达图像经过生成器后得到干净图像，生成器为自编码器结构由编码网络和解码网络构成，具体如下：
子步骤1：构建编码器网络
首先定义编码器残差模块Encoder_Block，其参数为输入通道数in_planes_e，输出通道数out_planes_e，是否需要下采样；定义以下模块：
卷积层eblk_1：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes_e，输出通道数为in_planes_e；卷积核大小为3×3，步长为1，padding设为1；
卷积层eblk_2：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes_e，输出通道数为out_planes_e；卷积核大小为3×3，步长为1，padding设为1；
平均池化函数eblk_3：将特征图按平均值下采样为原来的1/2；
通道转化层eblk_4：输入通道数为in_planes_e，输出通道数为out_planes_e；卷积核大小为1×1，步长为1，padding设置为0；
对输入特征图x_e，编码器残差模块Block的工作流程：若启用下采样，特征图x_e经过卷积层eblk_1，平均池化函数eblk_3，卷积层eblk_2后得到x_e1；若输入通道不等于输出通道，特征图x_e经过通道转化层eblk_4再经过平均池化函数eblk_3，否则直接经过平均池化函数eblk_4，得到x_e2；若不启用下采样，特征图x_e经过卷积层eblk_1，卷积层eblk_2后得到x_e1；若输入通道不等于输出通道，特征图x_e经过通道转化层eblk_4得到x_e2；最终输出
编码器网络结构为：
卷积层1_1：输入卷积层：输入通道数为1，输出通道数为16；卷积核大小为3×3，步长为1，padding设置为1；得到维度为1024×1024×16的特征图；
编码器残差模块Encoder_Block1_2：输入通道in_planes_e＝16，输出通道out_planes_e＝32，启用下采样；得到维度为512×512×32的特征图；
编码器残差模块Encoder_Block1_3：输入通道in_planes_e＝32，输出通道out_planes_e＝64，启用下采样；得到维度为256×256×64的特征图；
编码器残差模块Encoder_Block1_4：输入通道in_planes_e＝64，输出通道out_planes_e＝128，启用下采样；得到维度为128×128×128的特征图；
编码器残差模块Encoder_Block1_5：输入通道in_planes_e＝128，输出通道out_planes_e＝256，启用下采样；得到维度为64×64×256的特征图；
编码器残差模块Encoder_Block1_6：输入通道in_planes_e＝256，输出通道out_planes_e＝512，启用下采样；得到维度为32×32×512的特征图；
编码器残差模块Encoder_Block1_7：输入通道in_planes_e＝512，输出通道out_planes_e＝512，启用下采样；得到维度为16×16×512的特征图；
编码器残差模块Encoder_Block1_8：输入通道in_planes_e＝512，输出通道out_planes_e＝512，得到维度为16×16×512的特征图；
子步骤2：构建解码器网络
首先定义解码器残差模块Decoder_Block，其参数为输入通道数in_planes_d，输出通道数out_planes_d；定义以下模块：
卷积层dblk_1：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes_d，输出通道数为out_planes_d；卷积核大小为3×3，步长为1，padding设为1；
卷积层dblk_2：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes_d，输出通道数为out_planes_d；卷积核大小为3×3，步长为1，padding设为1；
上采样插值函数dblk_3：用插值的方法将特征图放大为原来的两倍；
通道转化层dblk_4：输入通道数为in_planes_d，输出通道数为out_planes_d；卷积核大小为1×1，步长为1，padding设置为0；
输入特征图x_d，解码器残差模块Decoder_Block的工作流程为：特征图x_d经过卷积层dblk_1，上采样插值函数dblk_3，卷积层dblk_2后得到x_d1；若输入通道不等于输出通道，特征图x_d输入通道转化层dblk_4再经过上采样插值函数dblk_3，否则直接输入上采样插值函数dblk_3，得到x_d2；最终输出
解码器网络结构为：
解码器残差模块Decoder_Block2_1：输入通道in_planes_d＝512，输出通道out_planes_d＝512，得到维度为16×16×512的特征图；
解码器残差模块Decoder_Block2_2：输入通道in_planes_d＝512，输出通道out_planes_d＝512，得到维度为32×32×512的特征图；
解码器残差模块Decoder_Block2_3：输入通道in_planes_d＝512，输出通道out_planes_d＝256，得到维度为64×64×256的特征图；
解码器残差模块Decoder_Block2_4：输入通道in_planes_d＝256，输出通道out_planes_d＝128，得到维度为128×128×128的特征图；
解码器残差模块Decoder_Block2_5：输入通道in_planes_d＝128，输出通道out_planes_d＝64，得到维度为256×256×64的特征图；
解码器残差模块Decoder_Block2_6：输入通道in_planes_d＝64，输出通道out_planes＝32，得到维度为512×512×32的特征图；
解码器残差模块Decoder_Block2_7：输入通道in_planes_d＝32，输出通道out_planes＝16，得到维度为1024×1024×16的特征图；
卷积层2_8：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为16，输出通道数为1；卷积核大小为1×1，步长为1，padding设置为0；得到维度为1024×1024×1的图像；
步骤三：设计判别器网络模型
首先定义判别器残差模块Block，其输入通道数为in_planes，输出通道数为out_planes；定义以下模块：
卷积层blk_1：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes，输出通道数为in_planes；卷积核大小为3×3，步长为1，padding设置为1；
卷积层blk_2：经过实例正则化和LeakyReLU激活后，输入卷积层：输入通道数为in_planes，输出通道数为out_planes；卷积核大小为3×3，步长为1，padding设置为1；
平均池化函数blk_3：将特征图按平均值下采样为原来的1/2；
通道转化层blk_4：输入通道数为in_planes，输出通道数为out_planes；卷积核大小为1×1，步长为1，padding设置为0；
对输入特征图x，判别器残差模块Block的工作流程：特征图x经过卷积层blk_1，平均池化函数blk_3，卷积层blk_2后得到x1；若输入通道不等于输出通道，特征图x经过通道转化层blk_4再经过平均池化函数blk_3，否则直接经过平均池化函数blk_4，得到x2；最终输出
判别器的网络结构为：
卷积层3_1：输入卷积层：输入通道数为1，输出通道数为16；卷积核大小为3×3，步长为1，padding设置为1；得到维度为1024×1024×16的特征图；
残差模块Block3_2：输入通道in_planes＝16，输出通道out_planes＝32，得到维度为512×512×32的特征图；
残差模块Block3_3：输入通道in_planes＝32，输出通道out_planes＝64，得到维度为256×256×64的特征图；
残差模块Block3_4：输入通道in_planes＝64，输出通道out_planes＝128，得到维度为128×128×128的特征图；
残差模块Block3_5：输入通道in_planes＝128，输出通道out_planes＝256，得到维度为64×64×256的特征图；
残差模块Block3_6：输入通道in_planes＝256，输出通道out_planes＝512，得到维度为32×32×512的特征图；
残差模块Block3_7：输入通道in_planes＝512，输出通道out_planes＝512，得到维度为16×16×512的特征图；
残差模块Block3_8：输入通道in_planes＝512，输出通道out_planes＝512，得到维度为8×8×512的特征图；
残差模块Block3_9：输入通道in_planes＝512，输出通道out_planes＝512，得到维度为4×4×512的特征图；
卷积层3_10：经过LeakyReLU函数后，输入卷积层：输入通道数为512，输出通道数为512；卷积核大小为4×4，步长为1，padding设置为0；得到维度为1×1×512的特征图；
卷积层3_11：经过LeakyReLU函数后，输入卷积层：输入通道数为512，输出通道数为1；卷积核大小为1×1，步长为1，padding设置为0；得到维度为1×1×1的特征图；
输出层3_12：将卷积层3_11的结果进行维度压缩，得到1×1大小的特征，再经过sigmoid激活函数输出结果；
步骤四：网络训练
定义含有杂波的探地雷达图像数据集为X，干净探地雷达数据集为Y；首先构建生成网络模型G：X生成Y、重构网络模型F：Y生成X、判别网络模型DX、DY，其中重构网络与生成网络的模型结构相同；对于生成模型G，采用生成对抗损失：
在训练判别器DY时，固定生成器G，使得判别器能够给真实图像y更高的分数，给生成图像G(x)更低的分数；在训练生成器时，固定判别器DY，使得判别器能够给生成的图像G(x)更高的分数；即：
同样的，对于重构网络模型F，采用生成对抗损失：
此外为了保证图像主体不变，x通过生成模型G生成的图像能够通过重构模型F还原回去，因此采用循环损失：
最终损失函数为：
L(G,F,DX,DY,X,Y)＝LGAN(G,DY,X,Y)+LGAN(F,DX,Y,X)+λLcyc(G,F,X,Y)
其中λ为可调节的参数，可以取10；最终训练过程为：
步骤五：使用训练好的网络进行杂波抑制
将含有杂波探地雷达图像输入生成器G，即可得到干净探地雷达图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210617637.XA CN114998137A (zh) | 2022-06-01 | 2022-06-01 | 一种基于生成对抗网络的探地雷达图像杂波抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210617637.XA CN114998137A (zh) | 2022-06-01 | 2022-06-01 | 一种基于生成对抗网络的探地雷达图像杂波抑制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114998137A true CN114998137A (zh) | 2022-09-02 |
Family
ID=83031912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210617637.XA Pending CN114998137A (zh) | 2022-06-01 | 2022-06-01 | 一种基于生成对抗网络的探地雷达图像杂波抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114998137A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117706514A (zh) * | 2024-02-04 | 2024-03-15 | 中南大学 | 基于生成对抗网络的杂波消除方法、***及设备 |
-
2022
- 2022-06-01 CN CN202210617637.XA patent/CN114998137A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117706514A (zh) * | 2024-02-04 | 2024-03-15 | 中南大学 | 基于生成对抗网络的杂波消除方法、***及设备 |
| CN117706514B (zh) * | 2024-02-04 | 2024-04-30 | 中南大学 | 基于生成对抗网络的杂波消除方法、***及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
| CN109035142B (zh) | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 | |
| CN110074813B (zh) | 一种超声图像重建方法及*** | |
| CN112381916B (zh) | 一种利用二维薄片图像的数字岩心三维结构重建方法 | |
| CN113361367B (zh) | 基于深度学习的地下目标电磁反演方法及*** | |
| CN112435162B (zh) | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 | |
| CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
| CN110533591B (zh) | 基于编解码器结构的超分辨图像重建方法 | |
| Huang et al. | Super-resolution reconstruction method of remote sensing image based on multi-feature fusion | |
| CN114966600A (zh) | 一种探地雷达B-scan图像杂波抑制方法及*** | |
| CN114723631A (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、***及装置 | |
| CN114140442A (zh) | 一种基于频域和图像域退化感知的深度学习稀疏角度ct重建方法 | |
| CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其*** | |
| 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 | |
| CN117689579A (zh) | 一种渐进式双解耦的sar辅助遥感影像厚云去除方法 | |
| Soltanmohammadi et al. | A comparative analysis of super-resolution techniques for enhancing micro-CT images of carbonate rocks | |
| Zhang et al. | Reconstruction of three-dimensional porous media using multi-scale generative adversarial networks | |
| CN117726540A (zh) | 一种增强门控Transformer的图像去噪方法 | |
| CN115661340A (zh) | 一种基于源信息融合的三维点云上采样方法与*** | |
| CN114677281A (zh) | 一种基于生成对抗网络的fib-sem超分辨率算法 | |
| Ghosh et al. | A deep neural architecture for image super resolution | |
| Oroumchian | ECEI Spectrogram Denoising and Feature Extraction Using a Multi-Wavelet Convolutional Neural Network Model | |
| Lv et al. | Improved SRCNN for super-resolution reconstruction of retinal images | |
| CN113435487B (zh) | 一种面向深度学习的多尺度样本生成方法 | |
| Rao et al. | Various Degradation: Dual Cross-Refinement Transformer For Blind Sonar Image Super-Resolution |
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 |