1.一种基于贝叶斯推理的GPR图像去噪方法，其特征在于，包括：

选取设定的若干去噪模型，根据去噪模型、信号与噪声之间的关系构造贝叶斯网络；所述去噪模型、信号与噪声分别作为贝叶斯网络中的随机变量节点；

计算贝叶斯网络中各随机变量节点的联合概率密度；

对输入的待预测的GPR图像，贝叶斯网络通过联合树算法进行推理，计算出每一个像素点属于有效信号和噪声的后验概率，通过选择最大后验概率来实现GPR图像的信噪分离。

2.如权利要求1所述的一种基于贝叶斯推理的GPR图像去噪方法，其特征在于，选取设定的若干去噪模型，所述去噪模型包括：哈尔小波变换、Kuwahara滤波、三维块匹配滤波、sym6小波变换和维纳滤波。

3.如权利要求1所述的一种基于贝叶斯推理的GPR图像去噪方法，其特征在于，计算贝叶斯网络中各随机变量节点的联合概率密度，具体包括：使用阈值将各随机变量节点系数进行量化处理；

网络中的有向边代表了不同随机变量节点之间的联系，通过经验设置各节点的条件概率值，得到各节点的条件概率表；

根据条件概率表得到联合概率密度。

4.如权利要求3所述的一种基于贝叶斯推理的GPR图像去噪方法，其特征在于，根据条件概率表得到联合概率密度，具体为：P(U)＝P(I,K,H,B,W,Y,S,N)

＝P(I)P(K|I)P(H|I)P(B|K,H)P(Y|B)P(W|B)P(S|W,Y)P(N|W,Y)            (3)其中，P(I)表示I的概率，P(K|I)表示在I发生的基础上K的概率，P(H|I)表示在I发生的基础上H发生的概率，P(B|K,H)表示在K、H发生的基础上B发生的概率，P(Y|B)表示在B发生的基础上Y发生的概率，P(W|B)表示在B发生的基础上W发生的概率，P(S|W,Y)表示在W,Y发生的基础上S发生的概率，P(N|W,Y)表示在W,Y发生的基础上N发生的概率。

5.如权利要求1所述的一种基于贝叶斯推理的GPR图像去噪方法，其特征在于，对输入的待预测的GPR图像，贝叶斯网络通过联合树算法进行推理，具体为：将所有的具有相同子节点的父节点相连，同时将所有的有向边变成无向边，构造Moral图；

对Moral图进行三角化处理，当Moral图中的环有超过设定个数的节点数时，对该环增加一条无向边连接两个非相邻接点；

在三角化图中，确定团节点；

建立联合树，所述联合树必须包含所有团节点,交集作为连接两个团节点的分隔节点。

6.如权利要求5所述的一种基于贝叶斯推理的GPR图像去噪方法，其特征在于，将贝叶斯网络中的条件概率表转化到联合树中,通过消息传递得到满足全局一致性的联合树,求出原贝叶斯网络中任意随机变量的概率分布,选取包含该随机变量的任意团节点,对其进行边际化即求出概率分布。

7.一种基于贝叶斯推理的GPR图像去噪系统，其特征在于，包括：

用于选取设定的若干去噪模型，根据去噪模型、信号与噪声之间的关系构造贝叶斯网络；所述去噪模型、信号与噪声分别作为贝叶斯网络中的随机变量节点的装置；

用于计算贝叶斯网络中各随机变量节点的联合概率密度的装置；

用于对输入的待预测的GPR图像，贝叶斯网络通过联合树算法进行推理，计算出每一个像素点属于有效信号和噪声的后验概率，通过选择最大后验概率来实现GPR图像的信噪分离的装置。

8.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-6任一项所述的基于贝叶斯推理的GPR图像去噪方法。

9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的基于贝叶斯推理的GPR图像去噪方法。