New Robust Sparse Convolutional Coding Inversion Algorithm for Ground Penetrating Radar Images - HAL Accéder directement au contenu
Article dans une revue IEEE Transactions on Geoscience and Remote Sensing Année : 2023

New Robust Sparse Convolutional Coding Inversion Algorithm for Ground Penetrating Radar Images

Nouvel algorithme robuste d'inversion par codage convolutionnel parcimonieux pour les images de radar à pénétration de sol

Résumé

In this paper, we propose two algorithms to enhance the interpretability of the hyperbola in B-scans obtained with a Ground Penetrating Radar (GPR). These hyperbolas are the responses of buried objects or cavities. To correctly detect and classify them, a denoising is typically necessary for GPR images as the signal-to-noise ratio is low, and the various interfaces naturally present in the earth have a strong response. Both algorithms are based on a sparse convolutional coding model plus a low rank component. It is solved through an Alternating Direction Method of Multipliers (ADMM) framework. In order to take into account the presence of outliers and the artifacts caused by the acquisition, the second algorithm is based on the Huber norm instead of the classic L2 -norm. These algorithms are tested on a real dataset labeled by geophysicists. The results show the denoising efficiency of this approach, and in particular the robustness of the second algorithm.
Dans cet article, nous proposons deux algorithmes pour améliorer l'interprétabilité des hyperboles dans les B-scans obtenus avec un radar à pénétration de sol (GPR). Ces hyperboles sont les réponses d'objets enterrés ou de cavités. Pour les détecter et les classer correctement, un débruitage est généralement nécessaire pour les images GPR, car le rapport signal/bruit est faible et les différentes interfaces naturellement présentes dans le sol ont une forte réponse. Les deux algorithmes sont basés sur un modèle de codage convolutionnel parcimonieux plus une composante de faible rang. Il est résolu au moyen de l'algorithme des directions alternées (ADMM). Afin de prendre en compte la présence de valeurs aberrantes et les artefacts causés par l'acquisition, le second algorithme est basé sur la norme de Huber au lieu de la norme L2 classique. Ces algorithmes sont testés sur un ensemble de données réelles étiquetées par des géophysiciens. Les résultats montrent l'efficacité du débruitage de cette approche, et en particulier la robustesse du second algorithme.
Fichier principal
Vignette du fichier
New_Robust_Sparse_Convolutional_Coding_Inversion_Algorithm_for_Ground_Penetrating_Radar_Images.pdf ( 6.83 Mo ) Télécharger
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-04075772, version 1 (20-04-2023)

Identifiants

Citer

Matthieu Gallet, Ammar Mian, Guillaume Ginolhac, Esa Ollila, Nickolas Stelzenmuller. New Robust Sparse Convolutional Coding Inversion Algorithm for Ground Penetrating Radar Images. IEEE Transactions on Geoscience and Remote Sensing, In press, ⟨10.1109/TGRS.2023.3268477⟩. ⟨hal-04075772⟩
41 Consultations
84 Téléchargements
Dernière date de mise à jour le 26/06/2024
comment ces indicateurs sont-ils produits

Altmetric

Partager

Gmail Facebook Twitter LinkedIn Plus