基于多噪声自监督学习的探地雷达图像去噪方法技术

本发明专利技术公开了一种基于多噪声自监督学习的探地雷达图像去噪方法，包括大量获取探地雷达的真实图像，构成数据集；构造一多噪声自监督学习去噪网络并设计混合损失函数；训练得到噪声自监督学习去噪模型；最后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。本发明专利技术针对基于单一噪声的自监督去噪方法无法有效应对真实探地雷达图像中多种噪声干扰、基于遮挡的盲去噪方法丢失异常区域的特征细节问题，用随机噪声水平的多种噪声生成自监督噪声数据，提升去噪网络的泛化能力，并用滤波去噪方法生成预去噪图像作为网络训练时的约束，显著提高了对探地雷达图像中的复杂噪声的去噪性能。噪声的去噪性能。噪声的去噪性能。

【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，基于多噪声自监督学习的探地雷达图像去噪方法。
[0006]为了实现上述目的，本专利技术采用的技术方案是这样的：一种基于多噪声自监督学习的探地雷达图像去噪方法，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。
[0007]作为优选，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
、λ
s&p
和λ
s
分别为噪声生成模块添加的高斯噪声、椒盐噪声和散斑噪声的噪声水平系数，值为0
‑
1间的随机数。
[0008]作为优选，步骤（4）中，一张真实图像经噪声自监督学习去噪网络处理的流程为：（a1）真实图像经噪声生成模块得到高斯噪声图、椒盐噪声图和散斑噪声图，真实图像经预去噪模块得到预去噪图像；（a2）将真实图像、高斯噪声图、椒盐噪声图和散斑噪声图送入去噪网络分别得到真实图像去噪图、高斯噪声去噪图、椒盐噪声去噪图和散斑噪声去噪图；（a3）将高斯噪声去噪图、椒盐噪声去噪图和散斑噪声去噪图经噪声融合模块得到多噪声融合去噪图。
[0009]作为优选，所述预去噪模块通过下式对真实图像去噪，得到预去噪图像D（x）；D（x）=NLM(WT(x))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3），式（3）中，x为真实图像，WT(
·
)为小波变换bior函数，NLM为非局部均值滤波器。
[0010]作为优选，所述L
diff
、L
fus
分别通过下式计算；
ꢀꢀꢀꢀꢀꢀ
（4），
ꢀꢀꢀꢀꢀꢀꢀ
（5），式（4）中，N为步骤（4）中一批真实图像的数量，x
j
为该批真实图像中的第j张真实图像，1≤j≤N，w为去噪网络权重，w(x
j
)为x
j
对应的真实图像去噪图，D(x
j
)为x
j
对应的预去噪图像；式（5）中，f
fusion
(x
j
)为x
j
对应的多噪声融合去噪图，λ为真实图像的重要性系数，用于表示真实图像在训练中的重要性。
[0011]作为优选，所述去噪网络采用U
‑
Net网络。
[0012]本专利技术处理流程为：先处理真实图像得到三种随机噪声水平的高斯、椒盐、散斑噪声图；再将真实图像和三种噪声图同时输入去噪网络得到四张对应的去噪图；然后，将三种噪声去噪图输入噪声融合模块，在噪声融合模块中，以各自噪声水平作为权重进行融合得到多噪声融合去噪图；接着，使用预去噪模块对真实图像去噪，得到预去噪图像；最后，计算
L
fus
、L
diff
。
[0013]与现有技术相比，本专利技术的优点在于：设计了一种噪声生成模块：目的是为了让去噪网络能去除真实图像中不同种类和不同水平的图像随机噪声，在探地雷达图像输入去噪网络前为其执行全局加噪，该机制为输入图像添加了多种随机程度的噪声，促进了模型对不同噪声的学习，最终提高降噪性能。
[0014]设计了与噪声生成模块匹配的噪声融合模块，用噪声生成模块添加的噪声水平作为权重融合三种去噪图得到融合结果，用于模拟真实环境下探地雷达图像中的多种噪声情况。
[0015]设计了预去噪模块，这是由于自监督的去噪网络在使用噪声水平较高的数据集训练时容易发生去噪结果与输入图像的过拟合，这导致去噪结果随着网络的训练进一步退化。为了解决这一问题，我们采用了预去噪模块生成预去噪图本文档来自技高网...

【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：