1.一种基于混合监督学习的探地雷达图像异常区域增强方法，其特征在于，包括以下步骤：（1）构建数据集；

大量获取探地雷达的真实图像，模拟生成大量仿真图像，所述真实图像和仿真图像均包含异常区域，对每张仿真图像的异常区域进行手动增强，得到一仿真图像标签，并将仿真图像和对应的仿真图像标签构成仿真标签对；

将所有真实图像构成真实图像集合Ireal，所有仿真图像构成仿真图像集合Isyn，所有仿真图像标签构成仿真图像标签集合Lsyn；

（2）构造一混合监督双循环增强网络；

所述混合监督双循环增强网络采用生成式对抗网络，包括生成网络和对抗网络；

（3）训练混合监督双循环增强网络；

（31）从数据库中采集一个批次的样本，包括N张真实图像，N张仿真图像，及N张与仿真图像对应的仿真图像标签；

（32）用所述批次的样本进行半监督训练；

输入N张仿真图像，对每张仿真图像，提取其潜在编码，并与仿真图像一起送入生成网络得到第一增强图像；

再将N张真实图像、N张第一增强图像作为负样本，N张仿真图像标签作为正样本，输入对抗网络，分别输出每张图像是否被增强的二分类判定结果，共3N个判定结果；

ss ss

计算半监督训练的损失函数L ，采用反向传播算法，通过L 更新半监督训练时的网络权重参数；

（33）用所述批次的样本进行无监督训练；

输入N张真实图像，对每张真实图像，提取其潜在编码，并与真实图像一起送入生成网络中得到第二增强图像；

再将N张第二增强图像和N张仿真图像作为负样本，N张仿真图像标签作为正样本，输入对抗网络，分别输出每张图像是否被增强的二分类判定结果，共3N个判定结果；

us us

计算无监督训练的损失函数L ，采用反向传播算法，通过L 更新无监督训练时的网络权重参数；

（34）依次从数据库中按批次采集样本，重复步骤（32）‑（33），得到训练好的模型；

（4）将一需要进行异常区域增强的雷达真实图像，输入步骤（34）得到的模型中，经生成网络输出一对异常区域增强后的图像。

2.根据权利要求1所述的基于混合监督学习的探地雷达图像异常区域增强方法，其特征在于，所述仿真图像采用GPR正演模拟不同类型、不同形态特征的地下异常区域生成。

3.根据权利要求1所述的基于混合监督学习的探地雷达图像异常区域增强方法，其特ss征在于，所述步骤（32）中，半监督训练的损失函数L 采用下式计算；

               （1），式（1）中， 为半监督训练时的潜在编码损失函数， 为仿真图像与第一增强图像间的图片损失函数， 为半监督训练时生成式对抗网络的对抗损失函数， 为半监督训练时的损失函数系数；

us

所述步骤（33）中，无监督训练的损失函数L 采用下式计算；

                   （2），式（2）中， 为无监督训练时的潜在编码损失函数， 为无监督训练时生成式对抗网络的对抗损失函数， 为无监督训练时的损失函数系数。

4.根据权利要求3所述的基于混合监督学习的探地雷达图像异常区域增强方法，其特征在于， 分别通过下式得到；

             （3），

             （4），

 （5），

式（3）中， 为N张仿真图像中的第j张， 为 经编码器得到的潜在编码，为 和 一起经生成网络得到第一增强图像， 为 经编码器得到的潜在编码，j=1 N；

~

式（4）中， 为N张仿真图像标签中的第j张；

式（5）中，D( )为对抗网络， 、 、 分别为 、经对抗网络得到的二分类判定结果；

            （6），

 （7），

式（6）中， 为N张真实图像中的第j张， 为 经编码器得到的潜在编码，为 和 一起经生成网络得到第二增强图像， 为经编码器得到的潜在编码；

式（7）中， 、 、 分别为 、 经对抗网络得到的二分类判定结果。