本技術涉及探地雷達信號處理，具體涉及一種基于小波域物理先驗的探地雷達數據超分辨率重建方法。
背景技術：
1、探地雷達（ground?penetrating?radar,?gpr）是一種廣泛應用于地質勘探、地下管線檢測、考古研究等領域的高效無損探測技術。其工作原理是通過發射高頻電磁波并接收反射信號，從而獲取地下目標的分布和結構信息。然而，在實際應用中，由于頻率越高電磁波衰減越快，探地雷達發射功率和動態范圍限制的綜合影響，很難獲取來自地下中深部（5—20m）范圍內的具有高分辨率的高頻電磁波信號，從而影響探測精度。為了解決這個問題，當前的方法主要采用基于信號處理的頻域拓頻與子空間方法，以及反q補償技術。由于探地雷達信號的非線性和地下介質各向異性特點，采用頻域拓頻與子空間方法并不能恢復真實的地下信號，常常帶來信號畸變和假頻產生；反q補償技術不能精確的對信號進行全部信號的不同位置q值計算，依賴人工和單點的q補償技術在實際探地雷達信號處理中很少可以得到成功的應用。因此，我們需要進一步研究。
技術實現思路
1、本技術的目的在于提供一種基于小波域物理先驗的探地雷達數據超分辨率重建方法，具體技術方案如下：
2、一種基于小波域物理先驗的探地雷達數據超分辨率重建方法，包括：s1、獲取低分辨率輸入圖像并進行預處理；s2、將s1中經過預處理后的輸入圖像單通道信息映射至64維特征空間；s3、將s2中得到的特征圖通過下采樣操作逐步減小空間尺寸并增加通道維度至1024，并在下采樣操作的前兩個階段嵌入用于感知探地雷達回波信號中幾何結構和空間分布的增強機制；s4、采用小波變換方法彌補s3中經過增強的高維特征圖中空域特征的不足，通過頻域維度的特征挖掘，實現空頻域雙維度的特征增強。將小波變換作為物理先驗嵌入網絡，通過固定基函數的時頻局部化特性，彌補單純空域特征對電磁波傳播物理規律表達能力的不足；s5、在s4基礎上采用殘差結構和多尺度膨脹卷積方法，在不增加額外計算開銷且不損失分辨率的前提下進一步擴大感受野，以提升對深層全局上下文信息的捕捉效率；s6、在s5基礎上通過與s3中下采樣操作對稱的上采樣操作逐步恢復圖像的空間分辨率，并在下采樣操作與上采樣操作的對應層級之間設置多尺度跳躍連接機制；s7、將s6中經過上采樣和特征融合后的特征圖，通過1×1卷積層結合tanh激活函數映射輸出最終的超分辨率圖像。
3、s8、建立探地雷達低分辨率和高分辨率的訓練集樣本，具體為：s8.1、獲取實際采集位置的單點連續采集兩種不同中心頻率天線的探地雷達剖面數據：a(高頻)?和b（低頻）；s8.2、獲取實際采集位置的時間連續采集兩種不同中心頻率天線的探地雷達剖面數據：c(高頻)?和d（低頻）；s8.3、對a數據和b數據分析，獲取探測區域層位信息h,?對c數據和d數據分析獲取實際采集中的噪聲信號n；s8.4、對獲取的層位h信息進行層位厚度等隨機變化，獲得h1、h2、h3、h4和h5隨機起伏層位，根據h1、h2、h3、h4和h5隨機起伏層位信息建立模型m1、m2、m3、m4和m5；其中模型的橫坐標長度為10m、縱坐標深度為8m、網格精度為0.01m；將不同大小的空洞、鋼筋和管道目標介質隨機的加入到m1、m2、m3、m4和m5中，對模型中的地層和目標介質，進行相對介電常數賦值后，形成新的mo1、mo2、mo3、mo4和mo5；s8.5、采用有限差分對所述s1-所述s7構建的方法網絡進行模擬，分別模擬低頻和高頻探地雷達圖像，建立探地雷達低分辨率和高分辨率的訓練集樣本。
4、s1中預處理包括去除噪聲、調整亮度和對比度、以及裁剪和/或縮放圖像，用于提高圖像的質量，減少干擾因素，為后續的核心重建過程奠定良好的基礎。
5、s2中將輸入圖像單通道信息映射至64維特征空間時采用初始卷積塊執行，初始卷積塊包括2個連續的3×3卷積層、批歸一化層與relu激活函數，卷積步長為1、填充為1，用于確保卷積后特征圖的空間尺寸與輸入圖像保持一致；
6、s3中進行下采樣操作時采用4個連續的下采樣編碼塊執行，下采樣編碼塊包括2×2最大池化層和雙3×3卷積單元，該最大池化層步長為2，用于實現特征圖空間尺寸的減半，該雙3×3卷積單元步長為1、填充為1，用于在不改變特征圖尺寸的前提下，對下采樣后的特征進行深度提取與通道數翻倍。
7、s3中在嵌入增強機制時在前兩個下采樣編碼塊的輸出端嵌入針對gpr圖像特征提取與超分辨率重建需求設計的，由通道注意力與協同注意力構成的混合增強模塊；該通道注意力模塊的運算流程與參數根據部署位置的通道維度差異進行適配性設計，保留擠壓、激勵、重校準的核心邏輯，實現對gpr圖像有效特征通道的精準篩選與響應增強，分別部署于編碼器第一、第二下采樣編碼塊輸出端，對應特征通道數為128維、256維，兩處通道注意力模塊均根據通道維度調整全連接層神經元數量，在保證特征校準精度的同時控制計算量；該協同注意力模塊接收通道注意力模塊重校準后的特征圖作為輸入，延續部署位置的通道維度，并針對gpr圖像的輸入分辨率特征，固定池化核尺寸與卷積核參數，以避免過度計算，協同注意力模塊通過雙向空間池化、特征融合編碼、權重生成和空間重校準的流程實現空間注意力增強。
8、s3中通道注意力模塊增強步驟包括：
9、s3.1、將輸入特征圖通過全局平均池化完成空間信息擠壓，將二維空間特征壓縮為一維通道描述符，表達為：
10、，
11、其中，為特征圖輸入的二維矩陣，為表示全局平均池化的擠壓映射函數、將空間維度（）降維為（11），為擠壓操作后代表該通道全局分布特征的數值；
12、s3.2、通過兩級全連接層構建通道間的非線性依賴關系，第一級全連接層實現通道降維并引入relu激活函數完成非線性映射，第二級全連接層恢復原通道數，通過sigmoid激活函數生成通道注意力權重向量，表達為：
13、，
14、其中，為sigmoid?激活函數，為relu，作用于原特征圖；
15、s3.3、將權重向量與原始特征圖進行通道維度的逐元素相乘，完成特征通道的自適應重校準。
16、s3中協同注意力模塊增強步驟包括：
17、s3.4、對經過s3.3中校準后的特征圖分別沿水平和垂直方向進行一維全局平均池化，表達為：
18、，
19、，
20、其中，為垂直方向的特征向量，為水平方向的特征向量；
21、s3.5、將與這兩個方向的特征向量在空間維度拼接，表達為：
22、，
23、其中，為中間變量，包含空間兩個方向編碼后的融合信息；
24、s3.5、將融合后的恢復為水平方向的和垂直方向的兩個特征向量，并經sigmoid激活函數生成水平空間注意力權重圖，表達為：
25、，
26、；
27、s3.6、將s3.5中生成的兩個權重圖分別與s3.3中校準后的特征圖進行逐元素相乘，完成特征的空間維度重校準。
28、s4包括：
29、s4.1、采用haar小波基的離散小波變換在頻域維度對輸入特征進行分解，生成低頻近似分量以及水平、垂直、對角線方向的高頻細節分量、、，分解過程表示為：
30、，
31、其中，每個子帶的維度均為；
32、s4.2、對不同頻率成分分別進行針對性的輕量化卷積處理，表達為：
33、；
34、s4.3、采用逆小波變換重構回空域，以此有效地捕捉探地雷達圖像中細微的反射界面信息，表達為：
35、。
36、s5中殘差結構和多尺度膨脹卷積方法通過殘差多尺度膨脹塊執行，具體包括：
37、s5.1、通過由標準卷積操作搭建的輸入卷積層，進行輸入特征的局部初步提取，將維度為的輸入特征圖，映射為通道數為的中間特征圖；
38、s5.2、通過由包含多層編碼與解碼的內部對稱結構搭建的u-net編解碼對稱結構，以為輸入，通過實現多尺度上下文特征的學習與編碼的過程，其中代表類u-net的編解碼單元，在編碼路徑中，通過增加卷積層的擴張率或進行逐級下采樣，在不顯著增加參數量的情況下擴大感受野，內部計算流程表達為：
39、，
40、其中，為初始特征映射；
41、s5.3、通過逐元素求和操作，將多尺度的深度特征與原始輸入進行殘差連接，最終輸出為：
42、。
43、還包括：
44、s9、采用均方誤差損失作為訓練優化準則，通過反向傳播將梯度傳遞至網絡各層，驅動參數迭代優化，保障像素級特征還原精度；訓練階段以批量均方誤差損失完成參數更新，測試階段結合rmse、psnr指標進一步評估重建效果，表達為：
45、，
46、其中，分別為圖像的高度與寬度，為超分辨率重建圖像在位置的像素值，為真實高分辨率標簽圖像在位置的像素值。
47、本技術有益效果在于，通過構建融合高效且魯棒的探地雷達超分辨率重建模型，顯著提升了重建圖像的清晰度與結構保真度，重建結果與高分辨率參考圖像具有高度相似性。其中，通過引入小波域物理先驗與坐標注意力機制，有效抑制了非物理偽影，在低信噪比區域（<10?db）的偽影數量較現有方法減少68%。本發明采用端到端深度學習框架，在保證重建性能的同時優化了計算效率，適用于大規模探地雷達數據的實時處理。此外，通過調整小波基函數與注意力參數，本發明的技術方案可進一步擴展至地震勘探、醫學影像等其他領域的信號超分辨率重建任務。