基于多标签层次聚类的GPR图像双曲波提取方法

李文生，原 达，苗 翠，王冬雨

基于多标签层次聚类的GPR图像双曲波提取方法

李文生，原 达，苗 翠，王冬雨

(山东工商学院智能信息处理重点实验室，山东 烟台 264005)

探地雷达(GPR)图像双曲波提取是分析地下目标位置和结构的重要方法，但在真实环境中，由于噪声和杂波的干扰，使得提取出的双曲波存在结构不完整、碎片化和形状异常等问题，不利于数据分析和三维建模等后续操作。为此，提出了一种基于多标签层次聚类的双曲波提取方法(MHCE)。首先通过信息熵评价像素邻域的稳定性，构造了基于信息熵的距离度量来进行层次聚类；然后利用聚类后的邻接空间进行多标签聚类以降低杂波和噪声对双曲波提取的影响；最后结合多标签聚类结果的拟合形状和纹理方向提取双曲波。实验表明，该方法对于真实GPR图像双曲波具有较好的鲁棒性，能够获得规范化的双曲波形状和位置参数。

探地雷达图像；双曲波；信息熵；多标签层次聚类；鲁棒性

探地雷达(ground penetrating radar，GPR)作为一种探测介质内部特性和分布规律的无损探测方法，已被广泛应用于建筑、采矿、环保、考古、市政工程、军事等领域[1-3]。对GPR图像双曲波的提取有助于精确推断地下埋藏物内部结构和目标的深度、形状等重要信息。在真实环境中，GPR所接收到的信号十分复杂，双曲波提取受到了诸多因素的影响。首先，电台、无线电广播等信号源发射的无线信号可以使GPR图像中形成许多排列紧密的小型杂波，杂波过多会模糊其他双曲波的波形。尤其是在天线附近，磁场影响严重，极易导致GPR图像中的数据发生错位或部分丢失。同时，脉冲余振、系统内部干扰、地表不光滑或地下介质不均匀等引起的散射以及剖面旁侧的绕射等都会在图像中形成杂波[4]，影响图像质量。其次，在采集过程中，双曲波的形状和清晰度容易受到采集速度和深度的影响。采集速度过快会导致双曲波波形过宽。并且随着探测深度的增加，信号振幅相应地减小[5]，导致双曲波的清晰度逐渐降低。最后，不同结构的地下介质会使图像产生不同类型的噪声，如雪花噪声、高斯噪声等[6]。这些问题为建立完整的GPR图像样本集和在真实环境中进行双曲波提取带来了挑战。

许多基于有监督学习的双曲波提取方法凭借准确和鲁棒的特点受到了广泛的关注。TORRIONE等[7]使用支持向量机(support vector machine，SVM)和HOG特征进行GPR图像双曲波识别并取得了较好的效果。TBARKI等[8]提出使用OSVM (one-class SVM)进行GPR图像地雷检测，表明OSVM在数据类别不平衡时由较大优势。GIOVANNESCHI等[9]使用字典学习方法获取了GPR数据的稀疏表示，并利用SVM进行双曲波识别，提高了双曲波提取的准确度。MISSAOUI等[10]考虑到不同干扰源对应的杂波类型不同，提出MDHMM算法通过融合不同类型的杂波实现高检测和低误报率。ZHANG等[11]利用Gibbs sampling获取模型参数，在初始化参数方面具有更强的鲁棒性。MANANDHAR等[12]将隐马尔可夫模型(hidden Markov model，HMM)与多示例学习框架(multiple-Instance learning，MIL)结合进行双曲波识别，并使用贝叶斯方法推测HMM参数以提高识别性能。尽管HMM在双曲波识别中可以取得较好的识别效果，但其参数初始值对识别效果影响较大。此外，MAAS和SCHMALZL[13]也将神经网络(neural network，NN)[14]用于双曲波识别。有监督学习使用训练模型识别双曲波，具有较强的鲁棒性及泛化能力，然而这类方法对特征提取质量要求较高，特征提取的效果会直接影响模型的识别性能。

MAAS和SCHMALZL[13,1]使用Hough变换拟合目标参数以提取双曲波。Hough变换通过在参数空间中投票来确定目标参数，该方法拥有较高的拟合精度，但时间复杂度高。DOU等[15]根据列间的连接情况对像素聚类，将其结果从波谷分裂为多个簇，并根据各簇的形状特征进行双曲波提取。该算法具有较高的准确率，但只考虑了形状特征，双曲波提取时容易受到噪声的干扰。在此基础上，KAFEDZISKI等[16]结合Hough和DOU等[15]提出的聚类算法在纯净的GPR数据中取得了较高的准确率，但该算法在真实GPR中受噪声和杂波的影响较大。ZHOU等[17]考虑了双曲波间存在相交部分的情况，提出了OSCA算法进行双曲波提取，该方法在只具有少量杂波和噪声的GPR图像中取得了较高的准确度，但存在噪声干扰时很难提取完整的双曲波。

1 MHCE算法描述

基于多标签层次聚类的双曲波提取算法(multi- label hierarchical clustering-based hyperbola extraction method，MHCE)的实现分为预处理、多标签层次聚类、双曲波提取3个阶段，如图1所示，第1阶段结合引导图滤波[18]和最大类间方差法(Otsu)[19]获取了图像的二值图；第2阶段为层次聚类算法构造了基于信息熵的距离度量，并基于聚类结果的邻接空间提取与双曲波具有相同邻接结构的像素子集；第3阶段结合像素子集的拟合形状和纹理方向进行双曲波提取。MHCE的核心是多标签层次聚类算法，该算法能够去除不符合双曲波数据分布特性的像素子集，减小双曲波提取阶段的计算量，并提高双曲波提取的准确率。

1.1 多标签层次聚类

本文为层次聚类算法构造了基于信息熵的距离度量，并利用聚类结果的邻接空间进行多标签聚类。多标签聚类之后，任何与双曲波的邻接结构相同的像素子集将被赋予一个标签，部分像素拥有的标签数量不止一个。

图1 算法流程图

1.1.1 基于信息熵的距离度量

本文使用信息熵评价像素邻域的稳定性，并将其作为层次聚类算法的距离度量。本节首先定义了分支和行段的概念，然后介绍了如何使用信息熵评价像素邻接空间的稳定性，并在最后给出了基于信息熵的层次聚类算法的实现流程。

对于任意2个拥有不同形状的像素集合，其分支间相同的邻接方向对应邻接空间的结构可能不同，如图2所示，当分支在水平方向存在邻接关系时，双曲波和非双曲波分支的邻接空间是相同的，然而当分支在竖直方向存在邻接关系时，双曲波分支的邻接空间呈等腰三角形，但非双曲波的邻接空间呈直线型。显然使分支在竖直方向存在邻接关系能够更好地提取目标。

为了保证分支间的邻接方向是竖直的，定义了行段的概念，并利用行段获取分支。

图2 分支划分示意图((a1)和(a2)为竖直方向存在邻接关系的双曲波和邻接空间；(b1)和(b2)为水平方向存在邻接关系的双曲波和邻接空间；(c1)和(c2)为竖直方向存在邻接关系的非双曲波和邻接空间；(d1)和(d2)为水平方向存在邻接关系的非双曲波和邻接空间)

如图3所示，图中共包含9个数据点，由于数据左右位置无相邻数据，因此无法构成行段。数据，的横坐标顺序相连，因此，构成了一个行段1，同样的，数据，和数据，，，分别构成了2个行段2，3。对于行段1和3，由于1中数据，分别与3中数据，的横坐标相同，纵坐标顺序相连，因此1与3互为邻接行段，而2与1，3中数据不相邻，因此2没有邻接行段。由于行段间只在竖直方向才具有邻接关系，因此将行段作为分支的基本单元能够令分支间只在竖直方向存在邻接关系。

图3 行段与邻接行段示意图

为了能够准确地获得分支，定义了一个基于信息熵的距离度量。对于任意类别C，如果存在与其具有邻接关系的类别C，则使用下式计算两者间的距离

其中，N为C在C方向上相邻类的数量；N为C在C方向上相邻类的数量，并且如果C水平方向存在相邻类或竖直方向存在多个相邻类，同时C是C竖直方向的相邻类，则=1，否则=0。

本文使用层次聚类算法对数据集进行聚类，并将数据集中的每个像素看作一个单独的类，即={1,2,···,C}，聚类后将中的每个类C看作一个分支B。层次聚类算法如下：

Algoritm: hierachical clustering based on information entropy Input: dataset D Define: dis(Ci,Cj) means calculating the distance between Ci and Cj using formula (1)，Dis(i) includes the distance of Ci and other classes Key =true WhileKey Key=false fori from 1 to D_Class_Num Searching classes that adjacent to Ci and comprising D′ for j from 1 to D′_Class_Num =dis(Ci,Cj) end =min(Dis(i)); =argmin(Dis(i)); if =min()and =argmin() combing Ci and Cj, update D Key=true end end end Output: dataset D with Ci

1.1.2 多标签聚类

层次聚类之后，构造聚类结果的邻接空间，构造过程中将每个分支看作一个“节点”，如果2分支间存在邻接行段，则连接对应的2个节点。本文利用该空间获取与双曲波具有相同邻接空间的像素子集，并为各子集中的分支分配标签，属于相同像素子集的分支具有相同的标签，由于邻接空间的结构复杂多样，因此同一分支可能会被分配多个标签。如图4所示，对图4(a)中的数据进行层次聚类，将聚类结果中的每类看作一个分支，图4(b)展示了聚类得到的8个分支{1,2,···,8}，根据分支的邻接空间构造多叉树(图4(c))，树中共包含4个二叉分枝：{1,4,5}，{1,4,6}，{1,5,6}，{4,7,8}。对于任意二叉分枝，如果其孩子节点的数据量之和与父节点数据量的比例小于，则提取此二叉分枝。阈值的作用是去除噪声过多的数据集合，通常是一个较小的值，如{1,5,6}中5，6包含数据量与1的比值如果小于阈值，那么此二叉分枝的形状更倾向于直线型，不符合双曲波的形状特性，对于降低计算量，提高运算效率有重要意义。

值得注意的是，提取二叉分枝会受到大量的干扰，这些干扰可能来自于杂波和噪声，也可能来自于其他双曲波。

如图5(a1)为2个有重叠部分的双曲波，蓝色区域表示提取到的二叉分枝。

图5中红色曲线为标准的拟合曲线，蓝色曲线为最小二乘法的拟合结果，可以看出修整前数据的拟合误差率较高(图5(a2))，因为距离计算是根据数据与当前迭代曲线的纵坐标差值得到的。为了降低拟合误差，使用单位矩阵修整各聚类结果，使用所有值等于1的单位矩阵，即

其中，矩阵的维度与分支中最底端行段所包含像素的数目相同，本文使用该矩阵与分支底端的像素进行或运算以完善双曲波像素集合，修整结果如图5(b2)所示，修整后数据的拟合曲线更接近于标准的拟合曲线。

1.2 双曲波提取

使用多标签层次聚类获取的像素子集与双曲波邻接空间的结构相同，本文使用最小二乘法和灰度共生矩阵提取了各子集的形状和纹理特征，并结合两特征进行双曲波提取。由于双曲波的形状均是开口向下的，可使用最小二乘法拟合像素子集，并利用拟合结果提取数据的形状特征，即

拟合之后，以顶点所在列为中心，获取其左右两侧到曲线之间都存在数据的行，记这些行的数据量之和为A。计算该数据集的置信度为

图5 二叉分枝的修整效果比较((a1)和(a2)修整前的二叉分枝及其拟合结果；(b1)和(b2)修整后的二叉分枝及其拟合结果)

其中，()为曲线之间的各行的数据量之和与长度之和的比例。

为了更准确地计算双曲波置信度，使用多级阈值分割候选数据所在的矩形区域，并对各分割结果使用如下公式进行聚类。聚类时顺序选择分割结果中的数据，其数据分配类别为

其中，p为当前数据；为3阶单位阵；Å为运算。

其中，max()为最大类别值。

聚类结束之后，从每个分割结果中提取与候选数据存在交集的类以构成多级阈值空间，空间的层数等于阈值个数，每层的数据为各级阈值下提取的各个类。

计算空间中每层数据的置信度，取数据集的最终置信度为

从多级阈值空间提取的特征能够有效地判断数据集的形状，为了进一步降低复杂纹理对上述特征的影响，通过ZHENG等[20]利用灰度共生矩阵判断纹理方向的方法提取了一个二维特征。对于任意数据子集′，首先获取其顶点，即

其中，N，N为满足条件的数据量；P，P为顶点的横纵坐标。

以顶点为边界，将数据切分为2个子数据集，计算其纹理方向为

当提取的每个双曲波属于不同的连通区域，部分双曲波可能存在结构不完整、碎片化和形状异常等现象。为此，在提取各双曲波*对应的拟合曲线并进行膨胀操作时，通过去除膨胀区域之外的双曲波像素来修整双曲波，并通过对修整后的目标和膨胀区域进行或运算来提高双曲波的完整性。

2 实验结果分析

为验证MHCE算法的有效性，本文分析了MHCE每步的效果，并与其他算法进行了性能比较。

2.1 实验数据及预处理

使用实际应用场景中采集的真实数据集进行实验分析。所用数据由627道数据组成，每道采样点个数为400 (图6)。图中共包含5个双曲波，分别属于3个不同的地下管道。

图6 GPR图像

预处理过程采用引导滤波处理GPR图像，并使用最大类间方差法对滤波后的图像进行二值化。其中引导滤波的引导图为其本身，局部窗口半径为16，正则化参数为0.01。结果如图7所示。

图7 预处理结果

2.2 多标签层次聚类算法分析

为验证多标签层次聚类算法的有效性，分别对算法中基于信息熵的层次聚类和多标签聚类2个模块进行了分析。

2.2.1 基于信息熵的层次聚类效果分析

图8为预处理后数据的层次聚类结果，其中相邻的分支由2种不同的颜色表示。可以看出，图中的每个双曲波各包含3个分支，其构成的邻接空间呈等腰三角形。

图8 基于信息熵的层次聚类结果

2.2.2 多标签聚类效果分析

层次聚类之后，使用多标签聚类获取邻接空间呈等腰三角形的像素子集。图9为部分区域的多标签聚类结果。图9(a)为图8中的部分像素子集的放大图，其中包含15个分支，构造的邻接空间如图9(b)所示，空间中共包含4个二叉分枝，提取并修整这些二叉分枝作为多标签聚类的结果(图9(c))，可见本方法提取的双曲波和非双曲波像素子集在形状上存在较大差异，这可以提高双曲波提取步骤的准确率。图10为二叉分枝提取的整体效果，结果表明此过程可以成功提取所有双曲波，且所提取双曲波两侧包含的噪声量很少，证明使用该方法可以降低对双曲波半径的拟合误差。

得到二叉分枝之后，需要对其进行修整以完善双曲波像素集合和提高拟合精度，效果如图11所示，对双曲波进行修整之后，其两侧分支的像素集合得到了一定的完善。越完整的像素集合对于数据分析、三维建模等操作的帮助越大，并且可以提高对双曲波的拟合精度。

图9 二叉分枝提取效果((a)多标签聚类结果；(b)邻接空间；(c) 二叉分枝提取结果)

图10 二叉分枝提取整体效果

图11 二叉分枝修整效果((a1)和(b1)修整前效果；(a2)和(b2)修整后效果)

为了准确地评估修整过程对于双曲波拟合精度的贡献，使用最小二乘法比较了修整前后的拟合误差，见表1，修整后的拟合误差相对修整前有了一定幅度的降低，表明此过程可以提高对双曲波的拟合精度。

此外，结果表明多标签层次聚类可以获取双曲波像素子集，并且受到邻接空间的限制，两侧的噪声对提取结果的影响很小，同时二叉分枝的修整过程可以完善像素集合，有助于数据分析、三维建模等操作，且拟合修整后的二叉分枝拥有更低的拟合误差。

表1 二叉分枝修整拟合误差(%)

2.3 双曲波提取效果分析

图12为MHCE算法提取到的初始双曲波，可以看出图中成功提取了5个双曲波，但1号和3号区域中的双曲波分别存在形状异常和结构不完整的情况。为此，在提取各双曲波的拟合曲线时，可利用拟合曲线处理双曲波碎片化、结构不完整和形状异常等问题。

图12 MHCE提取的初始双曲波

得到拟合曲线之后，使用膨胀后的拟合曲线完善结构不完整、形状异常的双曲波，结果如图13所示，1号和3号区域中双曲波的形状被规范化，此外，本文使用SHIHAB和AL-NUAIMY[21]提出的方法比较了规范化前后的拟合误差，见表2。结果显示规范化前后对双曲波的拟合误差不大，且部分规范化后的拟合误差呈现出轻微的下降趋势，表明MHCE可以提取规范化的双曲波，且规范化操作对拟合精度的影响较小。

图13 MHCE的提取结果

2.4 MHCE整体性能分析

为了更准确地评价MHCE算法的性能。本文在预处理后的二值图(图7)中使用C3[15]，OSCA[17]，Hough[14]提取双曲波，并与MHCE算法的性能进行了比较。图7中包含的5条双曲波分别属于4个不同的类型，如3号和4号双曲波周围只含有少量的噪声。1号和2号双曲波周围含有较多的噪声，其中1号周围的噪声多集中于上方和左侧，2号周围的噪声则主要分布在左右两侧。此外，5号双曲波左侧分支拥有的像素数量较少，增加了双曲波提取的难度。图中双曲波类型复杂多样，因此使用该图进行评价有较强的说服力。本节比较了各算法的拟合精度和相应的运行时间，为保证实验结果的有效性，所有算法均在同一台计算机中完成，计算机使用的CPU为Intel i7，内存为16 G。结果见表3，表中的空白区域表示对应的算法没有成功提取到相应双曲波。

在4种算法中Hough的拟合时间最长，图14展示了设置曲率在[50，110]之间时，拟合时间和步长之间的关系(本实验设置Hough步长为1)。可以看出随着步长的减小，拟合时间会逐渐增加。

表2 规范化前后的拟合误差比较(%)

表3 MHCE与C3，OSCA和Hough方法的拟合误差(%)及时间(s)比较

图14 Hough步长与拟合时间的关系

本节还比较了步长和拟合误差的关系，如图15所示，结果表明拟合误差与步长之间不存在正(负)相关关系，且拟合误差对步长比较敏感，同时设定一个拟合误差较低的参数，可能会导致较高的时间消耗，这增加了该方法在实际应用中的难度。

图15 Hough步长与拟合误差的关系

此外，根据表3中的拟合误差可知，MHCE，C3和OSCA对3号和4号双曲波的拟合精度均较高。但当周围存在较多噪声时，如1号和2号双曲波，OSCA和C3的提取效果受到了较大影响，其中OSCA无法成功提取1号双曲波，且C3和OSCA对1号和2号双曲波的半径拟合误差较高，但MHCE可以成功提取这2个双曲波，且半径拟合误差的增长幅度小于OSCA与C3。这是由于OSCA在聚类过程中考虑了双曲波间存在交集的情况，使得该算法在聚类过程中可以去除更多的杂波和噪声，但当噪声增多时会影响所提取双曲波的形状，降低了拟合精度，并影响了该算法的识别率。C3算法根据列间的连接情况初步聚类，并从聚类结果的波谷处将其分裂为多个子类以提高聚类精确度，但当双曲波两侧存在噪声且未形成波谷时，部分噪声会被误识为双曲波像素，降低了拟合精度。MHCE在聚类过程中根据邻接空间的结构获取像素子集，降低了丢失目标的几率和子集中噪声的比例，提高了算法的鲁棒性和对提取结果的拟合精度，因此双曲波两侧的噪声对其识别率和拟合精度的影响较小。

最后，本节比较了C3，OSCA和MHCE的识别率和误识数量，见表4。OSCA和C3出现了丢失目标和误识目标的情况，但MHCE可以成功提取4种类型的双曲波，且未将其他杂波或噪声误识为双曲波。这是由于拥有相同邻接空间的双曲波和非双曲波子集在形状或纹理上差异较大，因此，本算法通过结合多标签层次聚类和纹理及形状约束进行双曲波提取可以成功降低误识数量并提高算法的识别率。

表4 MHCE与C3，OSCA的比较

3 结束语

针对真实环境中提取的双曲波往往存在结构不完整、碎片化和形状异常等问题，提出了一个基于多标签层次聚类的双曲波提取方法MHCE。该方法将信息熵融入到层次聚类中，结合层次聚类的邻接空间构造了多标签层次聚类算法，并根据聚类结果的拟合形状和纹理方向提取双曲波。MHCE可以在真实GPR图像中进行双曲波提取，拥有较高的准确率且提取的双曲波具有较完整的波形。该方法基于无监督学习进行双曲波提取，相比准确性和鲁棒性较高的基于区域特征(如HOG，Haar等)的有监督学习方法，MHCE节省了样本准备的时间消耗。同时，该方法受邻域范围和形状的影响较小，无需固定所提取的双曲波形状，降低了提取结果中的噪声比例。此外，提取结果中不同的双曲波属于不同的连通区域，可直接利用最小二乘法拟合并获得较准确的双曲波参数。

[1] BATRAKOV D O, ANTYUFEYEVA M S, ANTYUFEYEV O V, et al. GPR application for the road pavements surveys[C]//2017 IEEE Microwaves, Radar and Remote Sensing Symposium (MRRS). New York: IEEE Press, 2017: 81-84.

[2] SLOB E, SATO M, OLHOEFT G. Surface and borehole ground-penetrating-radar developments[J]. Geophysics, 2010, 75(5): 75A103-75A120.

[3] SOKOLOV K O, PRUDETCKII N D, FEDOROVA L, et al. GPR investigation of ice-filled cracks in loose deposits[C]//2018 17th International Conference on Ground Penetrating Radar (GPR). New York: IEEE Press, 2018: 1-4.

[4] 谢昭晖, 李金铭. 我国探地雷达的应用现状及展望[J]. 工程勘察, 2007, 35(11): 71-75. XIE Z H, LI J M. Application status and prospect of ground penetrating radar in China[J]. Engineering Survey, 2007, 35(11): 71-75 (in Chinese).

[5] SHEBALKOVA L, MARKOV M, ROMODIN V. Broadband antenna for ground penetrating radar application in soil[C]//2018 IOP Conference Series: Earth and Environmental Science (EES). England: IOP Publishing, 2018:012060.

[6] TERRASSE G, NICOLAS J M, TROUVE E, et al. Application of the curvelet transform for clutter and noise removal in GPR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(10): 4280-4294.

[7] TORRIONE P A, MORTON K D, SAKAGUCHI R, et al. Histograms of oriented gradients for landmine detection in ground-penetrating radar data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(3): 1539-1550.

[8] TBARKI K, BEN SAID S, KSANTINI R, et al. Landmine detection improvement using one-class SVM for unbalanced data[C]//2017 International Conference on Advanced Technologies for Signal and Image Processing (ATSIP). New York: IEEE Press, 2017: 1-6.

[9] GIOVANNESCHI F, MISHRA K V, GONZALEZ-HUICI M A, et al. Dictionary learning for adaptive GPR landmine classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(12): 10036-10055.

[10] MISSAOUI O, FRIGUI H, GADER P. Land-mine detection with ground-penetrating radar using multistream discrete hidden Markov models[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(6): 2080-2099.

[11] ZHANG X P, BOLTON J, GADER P. A new learning method for continuous hidden Markov models for subsurface landmine detection in ground penetrating radar[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(3): 813-819.

[12] MANANDHAR A, TORRIONE P A, COLLINS L M, et al. Multiple-instance hidden Markov model for GPR-based landmine detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 53(4): 1737-1745.

[13] MAAS C, SCHMALZL J. Using pattern recognition to automatically localize reflection hyperbolas in data from ground penetrating radar[J]. Computers & Geosciences, 2013, 58: 116-125.

[14] SHARMA P, KUMAR B, SINGH D, et al. Non-metallic pipe detection using SF-GPR: a new approach using neural network[C]//2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). New York: IEEE Press, 2016: 6609-6612.

[15] DOU Q X, WEI L J, MAGEE D R, et al. Real-time hyperbola recognition and fitting in GPR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(1): 51-62.

[16] KAFEDZISKI V, PECOV S, TANEVSKI D. Target detection in SFCW ground penetrating radar with C3 algorithm and hough transform based on GPRMAX simulation and experimental data[C]//2018 25th International Conference on Systems, Signals and Image Processing (IWSSIP). New York: IEEE Press, 2018: 1-5.

[17] ZHOU X R, CHEN H H, LI J L. An automatic GPR B-scan image interpreting model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(6): 3398-3412.

[18] HE K, SUN J, TANG X. Guided image filtering[C]// European Conference on Computer Vision. Heidelberg: Springer, 2010: 1-14.

[19] WANG Y. Improved OTSU and adaptive genetic algorithm for infrared image segmentation[C]//2018 Chinese Control and Decision Conference (CCDC). New York: IEEE Press, 2018: 5644-5648.

[20] ZHENG G, LI X F, ZHOU L Z, et al. Development of a gray-level Co-occurrence matrix-based texture orientation estimation method and its application in sea surface wind direction retrieval from SAR imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(9): 5244-5260.

[21] SHIHAB S, AL-NUAIMY W. Radius estimation for cylindrical objects detected by ground penetrating radar[J]. Subsurface Sensing Technologies and Applications, 2005, 6(2): 151-166.

Hyperbola extraction method based on multi-label hierarchical clustering algorithm of GPR images

LI Wen-sheng, YUAN Da, MIAO Cui, WANG Dong-yu

(Key Laboratory of Intelligent Information Processing, Shandong Technology and Business University, Yantai Shandong 264005, China)

Hyperbola extraction in ground penetrating radar (GPR) images is an important feature to analyze the location and structure of underground objects. However, there are often some problems with the extracted hyperbola, such as incomplete structure, fragmentation, and shape anomalies, caused by the interference of noise and clutter that are typical of real environments. These issues are not conducive to the subsequent quantitative operations, such as data analysis and 3D modeling. In this context, this paper proposed a multi-label hierarchical clustering-based hyperbola extraction method (MHCE) for the hyperbola extraction of GPR images. Firstly, through evaluating the stability between pixel neighborhoods by the means of information entropy, an information entropy-based distance method was constructed to conduct the hierarchical clustering algorithm. Next, a multi-label clustering method was proposed based on the adjacency space of the clustering results, so as to reduce the influence of clutter and noise on hyperbola extraction. Finally, the hyperbola was extracted combined with the fitting shape and texture orientation of the multi-label clustering results. The experimental results show that this method is robust for GPR images and can be used to obtain the shape and position parameters of a normalized hyperbola.

ground penetrating radar image; hyperbola; information entropy; multi-label hierarchical clustering algorithm; robustness

TP 391

10.11996/JG.j.2095-302X.2020030399

A

2095-302X(2020)03-0399-10

2019-12-11；

2020-01-23

山东省重点研发计划项目(2019GGX101040)

李文生(1994-)，男，山东淄博人，硕士研究生。主要研究方向为探地雷达数据分析与模式识别。E-mail：1700812107@sdtbu.edu.cn

原 达(1968-)，男，辽宁建昌人，教授，博士，硕士生导师。主要研究方向为探地雷达数据分析、数据可视化等。E-mail：ydccec@126.com