通過人工肉眼對地質雷達探測圖像進行判讀的方法易受判讀人員主觀性、經驗性影響。為了規(guī)避這一不足,提出一種基于Counterlet等高變換和K-Means++均值聚類分析的頻譜能量判讀方法。以實際公路隧道為依托,經現(xiàn)場探測獲取不良地質體的原始探測數(shù)據(jù);采用IDSP（interactive detection-surveying prediction）探測數(shù)據(jù)分析軟件生成原始圖像,實施背景去除、濾波等時域、頻域預處理以提高信噪比;基于子帶分布系數(shù)采用Counterlet對預處理后的圖像進行分解和重構,并采用K-Means++算法將重構后圖像中的頻率信息轉化為顏色特征;利用MATLAB對顏色特征進行提取,并據(jù)此建立不良地質體顏色特征樣本庫,將原始探測圖像與樣本庫進行匹配對比以實現(xiàn)自動判讀。結果表明:采用Counterlet等高變換對多方向、多分辨率、多尺度的地質雷達圖像進行分解與重構是可行的,曲線邊緣逼近效果良好,重構后的圖像無信息丟失;K-Means++算法能實現(xiàn)地質雷達灰度圖像中能量—頻率—色彩的轉化,轉化后的圖像色彩突出、直觀;頻譜能量的匹配對比能較準確快速地實現(xiàn)自動判讀及較好地規(guī)避個體... 

【文章來源】：工程科學與技術. 2020,52(06)北大核心EICSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

測線測點布置示意圖

干擾體造成的電磁回波會對判讀分析造成不利影響，因而首先需要對原始探測圖像進行濾波、背景去除、道間平衡、反褶積等時間域和頻率域處理，以提高信噪比。在此基礎上，采用LP濾波器對處理后的圖像進行分解和重構以得到多方向、多尺度和多分辨率信息；然后，采用K-Means++算法對重構后圖像中的子帶分布系數(shù)進行聚類處理，以便將頻率信息轉化為顏色特征；其次，利用MATLAB對顏色特征進行提取，并據(jù)此建立不良地質體顏色特征樣本庫；最后，將原始探測圖像與樣本庫進行匹配對比以實現(xiàn)自動判讀。上述方案和總體技術路線如圖2所示。近年來，神經網絡、小波變換、S變換等人工深度學習算法在地質雷達探測與檢測后期解譯判讀分析方面得到了較為成熟的應用，實現(xiàn)了由常規(guī)定性判讀向定量判讀的轉變。目前，國內外多數(shù)研究主要集中在波形與頻譜特征，如幅值、回波主頻、波速等的定量提取，較少對探測圖像本身的圖形定量特征進行研究。事實上，探測圖像本身正是波形與頻譜特征的圖像化，作者正是基于這一點提出有別于波形與頻譜特征的圖像特征判讀分析方法。

未處理原始圖像


本文編號：3255651