一种基于bemd和sofm的探地雷达数据可视化方法
【技术领域】
[0001] 本发明属于计算机数字图像处理域，具体涉及一种基于BEMD和SOFM的探地雷达 数据可视化方法。
【背景技术】
[0002] 探地雷达是近年来迅速发展的一种高频无损的探测技术，由于其具有高分辨率、 探测周期短、对探测物体不会造成损害等特点，使其在国内外的工程地质勘查方面得到广 泛的应用和发展。在实际工作中，探地雷达得到的数据往往不能被进行直观的讲解，因而探 地雷达的资料解释通常包括数据处理和图像解译两部分。
[0003] 探地雷达回波信号是一种非平稳非线性信号，其中不仅包含地下埋藏物的目标信 号，还包含有可能掩藏目标信号的直达波信号。探地雷达信号处理过程主要是通过分析雷 达接收到的有效反射波的特征来推断地下介质的空间分布状态。其中关于回波信号特征的 提取是最关键的问题之一。传统探地雷达资料常用的分析方法是Fourier分析，该方法认 为回波信号是平稳的，忽略了回波信号的非平稳特性。并且直达波的能量很大，某些情况下 甚至能够掩盖目标。
[0004] 可视化分析是探测大型数据库中隐藏信息的强有力工具，可视化是把数据、信息 和知识转化为图形、图像、动画等可视化形式表示的过程。探地雷达数据具有数据量大、层 次复杂、噪声和杂波干扰严重的特点，传统的数据挖掘模型不能有效结合人们的领域知识， 增加了用户对结果的理解吸收难度。
【发明内容】
[0005] 本发明目的之一在于提供一种基于BEMD和SOFM的探地雷达数据可视化方法，
[0006] 本发明提供的一种基于BEMD和SOFM的探地雷达数据可视化方法，包括如下步 骤：
[0007] 运用二维经验模态分解BEMD方法提取探地雷达数据的特征向量；
[0008] 利用自组织特征映射SOFM神经网络对所述特征向量进行聚类分析；
[0009] 对所述聚类分析结果进行优化得到探地雷达数据的直观可视化表示。
[0010] 进一步的，所述运用二维经验模态分解BEMD方法提取探地雷达数据的特征向量 的步骤，包括如下步骤：
[0011] (1)外部初始化，令待处理的图像为rQ，rQ(x, y) = f (X，y)，f (X，y)为初始二维图 像信号；
[0012] ⑵内部初始化，令 V1 (X，y) = Iy1 (X，y)，j = 1，k = 1 ;
[0013] (3)利用形态学算法找出Iv1中的极大值点和极小值点，并进行曲面拟合形成二 维包络图像；
[0014] ⑷确定上下包络的均值?(υ),得到As(U) = 0，'）-玩a，)；
[0015] (5)判断hk(x, y)是否满足终止条件SD，若是，则转下一步，否则令k = k+Ι，转步 骤（3)重新计算Iv1中的极大值点和极小值点；
[0016] (6)令模态分量 IMFiU, y) = hk(x, y);
[0017] (7)求余量r」=r ^-IMFj，判断r」是否满足终止条件，是则转下一步，否则令j = j+1，转步骤（2)，将&作为输入信号重新进行内部初始化；
[0018] (8)最终得到分解表达式
【主权项】
1. 一种基于BEMD和SOFM的探地雷达数据可视化方法，其特征在于，包括如下步骤： 运用二维经验模态分解BEMD方法提取探地雷达数据的特征向量； 利用自组织特征映射SOFM神经网络对所述特征向量进行聚类分析； 对所述聚类分析结果进行优化得到探地雷达数据的直观可视化表示。
2. 如权利要求1所述的一种基于BEMD和SOFM的探地雷达数据可视化方法，其特征在 于，所述运用二维经验模态分解BEMD方法提取探地雷达数据的特征向量的步骤，包括如下 步骤： (1) 外部初始化，令待处理的图像为IV !Ttl (X，y) = f (X，y)，f (X，y)为初始二维图像信 号； (2) 内部初始化，令 Iv1 (X，y) = Iy1 (X，y)，j = 1，k = 1 ; (3) 利用形态学算法找出Iv1中的极大值点和极小值点，并进行曲面拟合形成二维包 络图像； ⑷确定上下包络的均值U(x，y)，得到/&(χ，j，）=么-Jx，_7) - Z7(x，7); (5) 判断hk(x, y)是否满足终止条件SD，若是，则转下一步，否则令k = k+1，转步骤（3) 重新计算Iv1中的极大值点和极小值点； (6) 令模态分量 IMFi (X，y) = hk(x, y); ⑵求余量L= r h-IMFj，判断rj是否满足终止条件，是则转下一步，否则令j = j+1， 转步骤（2)，将&作为输入信号重新进行内部初始化； (8) 最终得到分解表达式
(9) 计算各阶模态分量IMF的点能I
为模态分量IMF的阶 数； (10) 对应单个像素点构建节点特征向量P : P (χ, y) = [IMF1 (x, y), IMF2 (x, y), . . . , IMFn (x, y), Ei (x, y) ] 〇
3. 如权利要求1所述的一种基于BEMD和SOFM的探地雷达数据可视化方法，其特征在 于，所述利用自组织特征映射SOFM神经网络对所述特征向量进行聚类分析的步骤，包括如 下步骤： (1) 权值初始化，对连接输入节点到输出节点的权值向量赋以较小的权值； (2) 随机选择输入节点特征向量P，计算与各权值向量的距离，寻找获胜节点； (3) 在领域内，对获胜节点及其周围领域内的节点更新权值向量； (4) 判断网络权值是否稳定，若是转下一步，否则转步骤（2)，再随机选择输入节点特 征向量P，寻找新的获胜节点； (5) 网络权值稳定后，根据输出获胜节点完成特征向量的聚类分析，得到初始类别划 分。
4. 如权利要求1所述的一种基于BEMD和SOFM的探地雷达数据可视化方法，其特征在 于，所述对所述聚类分析结果进行优化得到探地雷达数据的直观可视化表示的步骤，包括 如下步骤： (1) 输入权值向量个数、初始类别矩阵和阈值； (2) 计算类别百分比，得到最小百分比及百分比最小的类别； (3) 依据度量函数，得到与百分比最小的类别的权值向量相似度最大的权值向量，将两 个权值向量对应的两个类别合并，取得新类别的权值向量； (4) 利用步骤（3)中得到的新类别来更新类别矩阵及其对应权值向量，同时更新最小 类别百分比数值及其对应类别； (5) 判断最小百分比是否小于阈值，若是转步骤（3)，否则转下步； (6) 输出类别矩阵和聚类中心，得到最终优化聚类结果。
【专利摘要】本发明提供了一种基于BEMD和SOFM的探地雷达数据可视化方法，包括如下步骤：运用二维经验模态分解BEMD方法提取探地雷达数据的特征向量；利用自组织特征映射SOFM神经网络对所述特征向量进行聚类分析；对所述聚类分析结果进行优化得到探地雷达数据的直观可视化表示。本发明能够较好地挖掘数据类别信息，有较高的分类精细度和较好的可视化效果，最终输出客观有效的可视化图像。
【IPC分类】G06K9-62
【公开号】CN104766090
【申请号】CN201510117765
【发明人】原达, 段丽丽
【申请人】山东工商学院
【公开日】2015年7月8日
【申请日】2015年3月17日