(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111616020.8 (22)申请日 2021.12.27 (65)同一申请的已公布的文献号 申请公布号 CN 114331890 A (43)申请公布日 2022.04.12 (73)专利权人 中南大学 地址 410012 湖南省长 沙市岳麓区麓山 南 路932号 专利权人 中国电波传播研究所 （中国电子 科技集团公司第二十二研究所） (72)发明人 雷文太　毛凌青　隋浩　辛常乐　 罗诗光　张硕　王义为　李若楠　 王睿卿　罗佳斌　徐龙　宋千　 任强　王春和　彭正辉　王君超　 王成浩　李少龙　刘闯　张其道　 张友源　冯温雅　程丹丹　程星　(74)专利代理 机构 北京风雅颂专利代理有限公 司 11403 专利代理师 李博瀚 (51)Int.Cl. G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 112819732 A,2021.0 5.18 CN 111080522 A,2020.04.28 CN 113160056 A,2021.07.23 CN 113256562 A,2021.08.13 CN 113222017 A,2021.08.0 6 CN 112529975 A,2021.0 3.19 CA 3053259 A1,2018.08.16 US 201938396 5 A1,2019.12.19 (续) 审查员 刘植 (54)发明名称 基于深度学习的探地雷达B-scan图像特征 增强方法及系统 (57)摘要 本发明公开了一种基于深度学习的探地雷 达B‑scan图像特征增强方法及系统， 该方法包 括： 通过探地雷达对地下探测区域进行B扫描， 获 取GPR B‑scan图像构建无噪高分辨率GPR标签 数 据集； 对无噪高分辨率GPR标签数据集进行行与 列等间隔下采样， 得到无噪低分辨率GPR标签数 据集， 再加入高斯白噪声， 得到有噪低分辨率GPR 图像数据集； 利用GPR图像数据集和对应的标签 数据集训练构建的双重生 成对抗网络； 将实测的 含噪低分辨率GPR  B‑scan图像输入至训练好的 网络， 得到清晰的高分辨率GPR  B‑scan图像。 本 发明有效解决了GPR  B‑scan图像中因噪声和分 辨率低所造成的图像中目标特征模糊的问题， 能 够有效抑制有噪低分辨率GPR  B‑scan图像中的 噪声， 并提高GPR  B‑scan图像中目标的分辨率，实现GPR B‑scan图像特 征增强。 [转续页] 权利要求书5页 说明书14页 附图9页 CN 114331890 B 2022.09.23 CN 114331890 B (56)对比文件 Jiabin Luo.GPR B-Scan Ima ge Denoising via Multi-Scale Co nvolutional Autoencoder with Data Augmentati on. 《elect ronics》 .2021,3-15. Bin Liu.GPRInvNet_De ep_Learn ing- Based_Ground-Penet rating_Radar_Data_Inversion_for_Tunnel_Linings. 《IEEE Transacti ons on Geoscience and Remote Sensing》 .2021,83 05-8325. 候斐斐.面向探地雷达B-scan图像的目标检 测算法综述. 《电子与信息学报》 .2020,191-20 0. 王辉.基于深度学习的GPR_B-SCAN图像双曲 线检测方法. 《电子学报》 .2021,95 3-963.2/2 页 2[接上页] CN 114331890 B1.一种基于深度学习的探地雷达B ‑scan图像特 征增强方法， 其特 征在于， 包括： 通过探地雷达对地下探测区域进行B扫描， 获取GPR  B‑scan图像； 获取多张所述GPR  B‑scan图像， 并将所述GPR  B‑scan图像作为无噪高分辨率GPR标签 图像构建无噪高分辨 率GPR标签数据集； 对所述无噪高分辨率GPR标签数据集进行行与列等间隔下采样， 得到无噪低分辨率GPR 标签数据集， 并对所述无噪低分辨率GPR标签数据集加入 预设信噪比的高斯白噪声， 得到有 噪低分辨 率GPR图像数据集； 构建双重生成对抗网络； 所述双重生成对抗网络包含两个GAN网络， 第一个GAN网络为 噪声抑制GAN网络， 用于抑制低分辨率GPR  B‑scan图像的噪声， 得到去噪低分辨率GPR  B‑ scan图像； 第二个GAN网络为超分辨率GAN网络， 用于提高低分辨率GPR  B‑scan图像中目标 的分辨率， 得到高分辨 率GPR B‑scan图像； 利用所述有噪低分辨率GPR图像数据集与对应的所述无噪低分辨率GPR标签数据集和 所述无噪高分辨 率GPR标签数据集， 训练所述双重生成对抗网络； 将含噪低分辨率GPR  B‑scan图像输入至训练好的所述双重生成对抗网络， 通过所述噪 声抑制GAN网络和所述超分辨 率GAN网络处 理得到高分辨 率GPR B‑scan图像； 其中， 所述噪声抑制GAN网络由第一生成器和第 一判别器组成， 所述第 一生成器用于接 收输入的有噪低分辨率GPR  B‑scan图像， 并生成去噪低分辨率GPR  B‑scan图像， 所述第一 判别器用于接收所述第一生成器生成的去噪低 分辨率GPR  B‑scan图像和对应的无噪低分 辨率GPR标签图像， 并输出对应的第一判别值； 所述第一生成器由若干个卷积层、 若干个多 尺度卷积块、 若干个最大池化层、 若干个上采样层和若干条跳跃连接组成； 所述第一生 成器 的损失函数为： 其中， LossG1为所述第一生成器的损失函数， 为所述第一生成器的输出与标签的均 方误差， 为所述第一生成器的输出输入至所述第一判别器得到的判别值与1比较的对抗 损失， E()是对一组待训练图像数据产生的损失值求均 值， N为一组待训练图像数据的样本 数量， H、 W分别为低分辨率图像的行数与列数， G1(y)是有噪低分辨率GPR  B‑scan图像输入 至所述第一生成器得到的去噪低分辨率GPR  B‑scan图像， D1(G1(y))是生成 的去噪低分辨 率GPR B‑scan图像输入至所述第一判别器得到的判别值， G1(y(n))为第n个生 成的去噪低分 辨率GPR B‑scan图像， x(n)是第n个无噪低分辨率GPR标签图像， α 1是噪声抑制GAN网络的超 参数； 所述超分辨率GAN网络由第二生成器和第二判别器组成， 所述第二生成器用于接收所 述第一生成器输出的去噪低 分辨率GPR  B‑scan图像和 输入所述第一生成器的有噪低 分辨 率GPR B‑scan图像， 并生成高分辨率GPR  B‑scan图像； 所述第二判别器用于接收第二生成 器生成的高分辨率GPR  B‑scan图像和 对应的无噪高分辨率GPR标签图像， 并输出对应的第权　利　要　求　书 1/5 页 2 CN 114331890 B 3