【技术实现步骤摘要】
基于多噪声自监督学习的探地雷达图像去噪方法
[0001]本专利技术涉及一种雷达图像去噪方法,尤其涉及一种基于多噪声自监督学习的探地雷达图像去噪方法。
技术介绍
[0002]探地雷达图像中的异常区域具有波形杂乱、存在图像随机噪声的特点。这是由于使用探地雷达和深度学习模型检测公路结构病害时,采集到的信号不仅包括病害目标的响应,还包括来自空气和土壤中的天线耦合、系统振动和土壤反射的不必要的噪声、工频干扰和软件处理等干扰。这些问题导致雷达成像质量差,并影响后续的检测工作。因此,需要一种方法去除探地雷达图像中的噪声感染。
[0003]在深度学习去噪研究中,网络模型的训练通常需要大量的干净
‑
噪声图像样本
‑
标签数据。先前的研究通常采用向真实图像中添加合成噪声的方法来生成噪声图像。然而,探地雷达勘测地下空间时,由于环境噪声、工频信号等干扰,通常具有多种混合噪声、并且真实环境下,无法提取“干净”的样本数据。使用离散、固定水平的高斯噪声训练出来的网络模型无法处理这些未曾遇见的噪声和不同水平的噪声。
[0004]目前针对探地雷达场景的盲去噪研究仍然相对匮乏。已有的一些深度学习研究借助遮挡部分图像,重上下文重建遮挡部分,实现一定程度的高斯噪声盲去噪能力。这些盲去噪方法在恢复图像时存在异常区域细节丢失问题。
技术实现思路
[0005]本专利技术的目的就在于提供一种解决上述问题,能够对不同种类和程度的噪声图像进行自适应去噪,避免细节丢失导致图像失真等缺陷的,基于多噪声自监督 ...
【技术保护点】
【技术特征摘要】
1.一种基于多噪声自监督学习的探地雷达图像去噪方法,其特征在于,包括以下步骤:(1)大量获取探地雷达的真实图像,构成数据集;(2)构造一多噪声自监督学习去噪网络,包括噪声生成模块、去噪模块、噪声融合模块和预去噪模块;所述噪声生成模块用于对输入的真实图像分别添加高斯噪声、椒盐噪声和散斑噪声,生成高斯噪声图、椒盐噪声图和散斑噪声图;所述去噪网络采用U
‑
Net网络,用于输入真实图像、高斯噪声图、椒盐噪声图和散斑噪声图,去噪后的对应输出真实图像去噪图、高斯噪声去噪图y
g
、椒盐噪声去噪图y
s&p
和散斑噪声去噪图y
s
;所述噪声融合模块用于对y
g
、y
s&p
和y
s
进行融合,得到多噪声融合去噪图;所述预去噪模块用于对真实图像预先去除部分噪声,得到预去噪图像;(3)设计混合损失函数L
hybrid
;L
hybrid
=L
fus
+λ
d L
diff
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1),式(1)中,L
diff
为真实图像去噪图与预去噪图像间的微分损失函数、L
fus
为多噪声融合去噪图与预去噪图像间的损失函数,λ
d
为L
diff
的系数;(4)将数据集分批送入噪声自监督学习去噪网络进行训练,每一批计算一L
hybrid
,采用反向传播算法,通过L
hybrid
更新自监督学习去噪网络的权重参数,得到噪声自监督学习去噪模型;(5)输入待去噪的真实图像,送入噪声自监督学习去噪模型中,由去噪网络输出对应的真实图像去噪图,作为去噪后的图像。2.根据权利要求1所述的基于多噪声自监督学习的探地雷达图像去噪方法,其特征在于,步骤(2)中,噪声融合模块采用下式得到多噪声融合去噪图f
fusion
;
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2),式(2)中,λ
g
...
【专利技术属性】
技术研发人员:姚光乐,黄耀鑫,周文龙,王洪辉,吕兵,王磊,胡朝辉,陈才华,于真,
申请(专利权)人:成都理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。