基于频谱能量分析的地质雷达探测图像判读

发布时间：2021-06-29 03:40

　　通过人工肉眼对地质雷达探测图像进行判读的方法易受判读人员主观性、经验性影响。为了规避这一不足,提出一种基于Counterlet等高变换和K-Means++均值聚类分析的频谱能量判读方法。以实际公路隧道为依托,经现场探测获取不良地质体的原始探测数据;采用IDSP（interactive detection-surveying prediction）探测数据分析软件生成原始图像,实施背景去除、滤波等时域、频域预处理以提高信噪比;基于子带分布系数采用Counterlet对预处理后的图像进行分解和重构,并采用K-Means++算法将重构后图像中的频率信息转化为颜色特征;利用MATLAB对颜色特征进行提取,并据此建立不良地质体颜色特征样本库,将原始探测图像与样本库进行匹配对比以实现自动判读。结果表明:采用Counterlet等高变换对多方向、多分辨率、多尺度的地质雷达图像进行分解与重构是可行的,曲线边缘逼近效果良好,重构后的图像无信息丢失;K-Means++算法能实现地质雷达灰度图像中能量—频率—色彩的转化,转化后的图像色彩突出、直观;频谱能量的匹配对比能较准确快速地实现自动判读及较好地规避个体... 

【文章来源】：工程科学与技术. 2020,52(06)北大核心EICSCD

【文章页数】：11 页

【部分图文】：

测线测点布置示意图

干扰体造成的电磁回波会对判读分析造成不利影响，因而首先需要对原始探测图像进行滤波、背景去除、道间平衡、反褶积等时间域和频率域处理，以提高信噪比。在此基础上，采用LP滤波器对处理后的图像进行分解和重构以得到多方向、多尺度和多分辨率信息；然后，采用K-Means++算法对重构后图像中的子带分布系数进行聚类处理，以便将频率信息转化为颜色特征；其次，利用MATLAB对颜色特征进行提取，并据此建立不良地质体颜色特征样本库；最后，将原始探测图像与样本库进行匹配对比以实现自动判读。上述方案和总体技术路线如图2所示。近年来，神经网络、小波变换、S变换等人工深度学习算法在地质雷达探测与检测后期解译判读分析方面得到了较为成熟的应用，实现了由常规定性判读向定量判读的转变。目前，国内外多数研究主要集中在波形与频谱特征，如幅值、回波主频、波速等的定量提取，较少对探测图像本身的图形定量特征进行研究。事实上，探测图像本身正是波形与频谱特征的图像化，作者正是基于这一点提出有别于波形与频谱特征的图像特征判读分析方法。

未处理原始图像


本文编号：3255651