论文部分内容阅读
地下管线的建设及维护工作促进了探地雷达浅层目标检测技术的发展。检测过程会产生许多噪声以及与管线目标具有相似振幅或波形的杂波,对上述干扰的鲁棒性不足会导致误识或漏识管线等问题。为此,本文基于层次聚类获取数据分布时较高的准确性,以及随机森林较强的鲁棒性和泛化能力,深入研究对杂波和噪声具有更高鲁棒性的探地雷达浅层目标检测方法。针对探地雷达浅层目标检测过程受杂波影响较大的问题,提出一种基于多标签层次聚类的探地雷达浅层目标检测方法(multi-label hierarchical clustering-based hyperbola extraction method,MHCD)。该方法将信息熵作为层次聚类的距离度量,构造多标签层次聚类方法,并根据聚类结果的形态和纹理提取目标信号。与传统的无监督聚类方法相比,该方法使用数据间的不稳定性作为相似性度量,能够更准确地获取目标与杂波数据的形态与纹理特征,使得检测过程对振幅相似但波形不同的杂波具有更高的鲁棒性,并且根据提取结果推测的目标分布和地下结构更加准确。此外,计算时只需考虑与邻接数据的相似性,降低了层次聚类方法的时间复杂度,提高了浅层目标检测速度。为进一步提高检测过程对噪声及波形相似的杂波的鲁棒性,本文基于随机森林较强的鲁棒性和泛化能力,将其用于探地雷达图像分割,并结合上述研究成果,提出基于随机森林和多标签层次聚类的探地雷达浅层目标检测方法(hyperbola extraction method based on random forest and multi-label hierarchical clustering method,RFMHCD)。首先根据像素水平和竖直方向邻域的相关性,设计十字交叉特征提取方法(crisscross decussation feature extraction method,CCDF),然后基于随机森林(random forest,RF)和稀疏自编码器(sparse auto-encoder,SAE)构造用于像素分类的有监督学习模型RFSAE,并通过约束K均值(constrained K-means,CK-means)优化模型参数来提高分类性能,最后基于目标信号的几何特征构造像素区域化方法,并根据像素分类结果分割探地雷达图像以提高目标完整度。相比传统的图像分割方法,基于RF-SAE模型的分类结果进行探地雷达图像分割对噪声具有较强的鲁棒性。此外,结合RF-SAE和像素区域化方法进行图像分割的结果具有较高的完整性,使得可以通过融合上述研究成果来提高检测过程对杂波和噪声的鲁棒性。