专利摘要

专利摘要

一种探地雷达B‑scan图像去噪方法，其中包括以下步骤：步骤1：探地雷达GPR在地表对预先埋有管线目标的单一背景介质区域进行探测，获取Z幅GPRB‑scan图像构成无噪GPR标签数据集；步骤2：利用每种含噪GPR数据集及其对应的无噪GPR标签数据集训练多尺度卷积自编码器；所述多尺度卷积自编码器包括一个编码器E、一个解码器D；步骤3：将待去噪的GPR图像输入至训练好的多尺度卷积自编码器，通过编码和解码，输出去噪后的GPR图像，并计算去噪后GPR图像的信噪比，验证多尺度卷积自编码器的去噪效果，本发明能够将低信噪比情况下的含噪GPR图像有效去噪。

权利要求

1.一种探地雷达B-scan图像去噪方法，其特征在于包括以下步骤：

步骤1：探地雷达GPR在地表对预先埋有管线目标的单一背景介质区域进行探测，测线方向垂直于管线目标的轴线，对相应管线目标分别进行Z次探测，根据目标的雷达散射电磁波数据获取Z张具有双曲线特征的无噪GPR 标签图像；Z张无噪GPR 标签图像构成无噪GPR标签数据集；其中每个无噪GPR标签图像为一幅M×N的二维图像，M、N分别是该二维图像的像元行数、列数；对具有双曲线特征的无噪GPR标签数据集依次加入由低到高的高斯白噪声，构成相应信噪比为-15dB、-10dB、-5dB、0dB、5dB五种含噪GPR数据集，每一种含噪GPR数据集包括Z个含噪GPR图像x，每个含噪GPR图像x的大小为M×N；

步骤2：利用每种含噪GPR数据集及其对应的无噪GPR标签数据集训练多尺度卷积自编码器；所述多尺度卷积自编码器包括一个编码器E、一个解码器D；编码器E将输入的含噪GPR图像x编码压缩为一个低维特征图，编码过程经过了三个多尺度卷积块的处理，其中有168个卷积核的参数用于调节；编码后的低维特征图经过解码器D重建输出去噪GPR图像 ，解码过程经过了三个多尺度反卷积块和一个卷积层的处理，其中有169个卷积核的参数用于调节；通过经典的反向梯度传播计算方法减小输出去噪GPR图像与无噪GPR标签图像的误差，训练多尺度卷积自编码器，调节编码器和解码器的权值参数，从而完成从含噪GPR图像x到去噪GPR图像的映射；

步骤3：将含噪GPR图像x输入至训练好的多尺度卷积自编码器，通过编码和解码，输出去噪GPR图像。

2.如权利要求1所述的探地雷达B-scan图像去噪方法，其特征在于，所述的步骤2）中，训练多尺度卷积自编码器的过程如下：

2-1）将含噪GPR图像x的数据格式M×N转换为M×N×1大小，其中，，，M、N分别是该含噪GPR图像x的像元行数、列数，1表示该图像的通道数，然后输入至多尺度卷积自编码器MCAE的编码器E；

2-2）含噪GPR图像x通过多尺度卷积自编码器MCAE的编码器E编码压缩为低维特征图，同时仍保留数据的主要特征信息，即数据的双曲线特征信息，编码后的低维特征图为(M/8)×(N/8)×96大小；编码过程表达式为：

其中代表编码器E输出的低维特征图，代表编码器中需要训练的网络权值参数合集，代表编码器中网络的偏置项合集；然后，低维特征图借助多尺度卷积自编码器的解码器D，输出尺寸大小为M×N×1的去噪GPR图像；解码过程的表达式为：

其中代表解码器D输出的去噪GPR图像，代表解码器中需要训练的网络权值参数合集，代表解码器中网络的偏置项合集；

2-3）计算解码器输出的去噪GPR图像与无噪GPR标签图像之间的均方误差L，并通过反向梯度传播计算方法不断优化多尺度卷积自编码器的权值参数w和b，缩小解码器输出的去噪GPR图像与无噪GPR标签图像之间的误差，来训练多尺度卷积自编码器；计算均方误差L的表达式如下：

其中，表示无噪GPR标签图像中第m行第n列的像素值；表示去噪GPR图像中第m行第n列的像素值；w代表多尺度卷积自编码器中权值参数的总合集，它是编码器中权值参数合集与解码器中权值参数合集的并集；b代表多尺度卷积自编码器中偏置项的总合集，它是编码器中偏置项合集与解码器中偏置项合集的并集；

2-4）对每个训练样本含噪GPR图像x重复上述2-1）到2-3）的步骤，直到误差L下降到一个稳定的值，该稳定值接近于0，在区间(0, 0.0003)之间变动，则认为多尺度卷积自编码器训练完成。

3.如权利要求2所述的探地雷达B-scan图像去噪方法，其特征在于，所述步骤2中，所述多尺度卷积自编码器包括1个编码器和1个解码器，编码器由3个多尺度卷积块组成，每个多尺度卷积块包括3个并列的卷积层和1个特征图融合层；解码器由3个多尺度反卷积块和一个3×3卷积层组成，其中所述每个多尺度反卷积块包括3个并列的反卷积层和1个特征图融合层。

4.如权利要求3所述的探地雷达B-scan图像去噪方法，其特征在于，所述的多尺度卷积自编码器中：

所述编码器中，第1个多尺度卷积块的3个并列卷积层，其卷积核数目都为8，第2个多尺度卷积块的3个并列卷积层，其卷积核数目都为16，第3个多尺度卷积块的3个并列卷积层，其卷积核数目都为32；每个卷积块的3个并列卷积层，其卷积核大小分别为1×1、3×3、5×5，卷积核移动步长为2。

5.如权利要求4所述的探地雷达B-scan图像去噪方法，其特征在于，所述解码器中：第1个多尺度反卷积块的3个并列反卷积层，其卷积核数目都为32；第2个多尺度反卷积块的3个并列反卷积层，其卷积核数目都为16；第3个多尺度反卷积块的3个并列反卷积层，其卷积核数目都为8；每个反卷积块的3个并列反卷积层，其卷积核大小分别为1×1、3×3、5×5，卷积核移动步长为2；解码器最后的卷积层，卷积核个数为1，卷积核大小为3×3，卷积核移动步长为1。

6.如权利要求2所述的探地雷达B-scan图像去噪方法，其特征在于，MCAE的编码过程如下：

在编码过程中，M×N×1大小的含噪图像首先经过第1个多尺度卷积块处理，输出的融合特征图尺寸为(M/2)×(N/2)×24，接着被输入到第2个多尺度卷积块处理，输出的融合特征图尺寸为(M/4)×(N/4)×48，最后经过第3个多尺度卷积块处理，输出编码后的低维特征图尺寸为(M/8)×(N/8)×96；

在解码过程中，低维特征图经过解码器的第1个多尺度反卷积块处理，输出的融合特征图尺寸为(M/4)×(N/4)×96，接着经过第2个多尺度反卷积块处理，输出的融合特征图尺寸为(M/2)×(N/2)×48，然后经过第3个多尺度反卷积块处理，输出的融合特征图尺寸为M×N×24，最后通过解码器的卷积层，输出重建后的去噪图像尺寸为M×N×1。

7.如权利要求6所述的探地雷达B-scan图像去噪方法，其特征在于，多尺度卷积块处理过程如下：

在多尺度卷积块中，三个并列的卷积层分别采用1×1、3×3、5×5这三种卷积核对输入的特征图进行卷积系列操作，再做特征图融合处理；卷积系列操作包括卷积操作，BN归一化和Relu激活函数处理；在卷积操作中，卷积核移动步长为2，同时采取卷积填充操作，卷积提取到的特征图尺寸缩减到原来的一半；输入特征图M×N×C与每个k×k大小的卷积核进行卷积，实际卷积时卷积核的通道数与输入特征图的通道数一致，得到一个输出特征图，k×k大小的卷积核得到的输出特征图的卷积操作计算公式为：

所述的k×k指的是上述的1×1、3×3、5×5卷积核，k为1、3或5；表示输出特征图在位置（m,n）上的像素值，表示卷积核的第c个通道中位置（i,j）上的值，示输入特征图的第c个通道中位置（m-i+k,n-j+k）上的值，为每次进行卷积操作时的偏置项，是多尺度卷积自编码器中偏置项合集b的子元素；

卷积操作之后将每个卷积层提取到的特征图进行BN归一化处理；特征图的第c个通道中位置（m,n）上BN归一化的计算表达式如下：

其中，，

，

表示特征图的第c个通道中位置（m,n）上的像素值，表示相应的BN归一化结果，L表示批量Batch的大小，即每次输入L张图像至多尺度卷积自编码器中进行训练；表示特征图的第c个通道的均值，表示特征图的第c个通道的标准差，表示批量中第个特征图的第c个通道中位置（m,n）上的像素值；和是网络训练过程中可学习的超参数，、的取值范围均为0~1，训练开始时，的初始值设置为1，的初始值设置为0，然后在网络训练的过程中不断调整；是一个确保数值稳定的常数，设置为0.0001；

特征图BN归一化之后，采用经典的ReLu激活函数处理，其处理表达式如下：

；

最后再把这些不同卷积核得到的特征图均输入至特征图融合层，做融合处理，特征融合处理表示为：

其中表示该多尺度卷积块经过特征图融合处理后输出的融合特征图，表示1×1卷积系列操作得到的特征图，表示3×3卷积系列操作得到的特征图、表示5×5卷积系列操作得到的特征图；为矩阵通道合并操作符，将不同的矩阵在通道维度上合并。

8.如权利要求6所述的探地雷达B-scan图像去噪方法，其特征在于，多尺度反卷积块处理过程如下：在多尺度反卷积块中，三个并列的反卷积层分别采用1×1、3×3、5×5的卷积核对输入的特征图进行反卷积系列操作，再做特征图融合处理；反卷积系列操作包括反卷积操作，BN归一化和Relu激活函数处理；在反卷积操作中，卷积核移动步长为2，同时采取反卷积填充操作，反卷积提取到的特征图尺寸会扩大一倍，反卷积也可称为转置卷积，实际运算过程会将输入特征图周围进行填零操作，做扩充处理，然后再进行卷积操作；反卷积操作表达式表示如下：

所述的k×k指的是上述的1×1、3×3、5×5卷积核，k为1、3或5；其中，表示输出特征图在位置（m,n）上的像素值，表示卷积核的第c个通道中位置（i,j）上的值，表示输入特征图的第c个通道中位置（m-i+k,n-j+k）上的像素值，为每次进行卷积操作时的偏置项，是多尺度卷积自编码器中偏置项合集b的子元素；

反卷积操作之后将每个反卷积层提取到的特征图进行BN归一化处理；特征图的第c个通道中位置（m,n）上BN归一化的计算表达式如下：

其中，，

，

表示特征图的第c个通道中位置（m,n）上的像素值，表示相应的BN归一化结果，L表示批量Batch的大小，即每次输入L张图像至多尺度卷积自编码器中进行训练；表示特征图的第c个通道的均值，表示特征图的第c个通道的标准差，表示批量中第个特征图的第c个通道中位置（m,n）上的像素值；和是网络训练过程中可学习的超参数，、的取值范围均为0~1，训练开始时，的初始值设置为1，的初始值设置为0，然后在网络训练的过程中不断调整；是一个确保数值稳定的常数，设置为0.0001；

特征图BN归一化之后，采用经典的ReLu激活函数处理，其处理表达式如下：

；

最后再把这些不同卷积核得到的特征图均输入至特征图融合层，做融合处理，特征融合处理表示为：

其中表示该多尺度反卷积块经过特征图融合处理后输出的融合特征图，表示1×1反卷积系列操作得到的特征图，表示3×3反卷积系列操作得到的特征图、表示5×5反卷积系列操作得到的特征图；为矩阵通道合并操作符，将不同的矩阵在通道维度上合并。

一种探地雷达B-scan图像去噪方法专利购买费用说明

Q：办理专利转让的流程及所需资料

A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。

1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2：按规定缴纳著录项目变更手续费。

3：同时提交相关证明文件原件。

4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。

Q:专利著录项目变更费用如何缴交

A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式

Q：专利转让变更，多久能出结果

A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。