基于小波变换和间隔密集网络的SAR图像去斑方法技术

本发明专利技术基于小波变换和间隔密集网络的SAR图像去斑方法，包括以下步骤：步骤1，获取待训练图像；步骤2，根据步骤1中的待训练图像，制作仿真SAR图像数据集；步骤3，将步骤1中的待训练图像和步骤2中得到的仿真SAR图像数据集分别进行对数变换，再进行一级小波变换，分别得到四个分量；步骤4，将步骤3中所对应的分量分别输入到间隔密集网络中进行训练，得到去除斑点噪声的四个分量；步骤5，将步骤4中得到的去除斑点噪声后的四个分量进行小波逆变换，再进行指数化，便得到去斑后的SAR图像。本发明专利技术解决了现有技术中图像去斑后边缘信息模糊和易产生伪影的问题。伪影的问题。伪影的问题。

【技术实现步骤摘要】
基于小波变换和间隔密集网络的SAR图像去斑方法


[0001]本专利技术属于图像处理方法
，具体涉及一种基于小波变换和间隔密集网络的SAR图像去斑方法。

技术介绍

[0002]合成孔径雷达(SAR)是一种安装在飞机或航天器等平台上，可以创建地貌和目标二维图像的主动式对地观测系统。它通过SAR成像算法对地物目标的回波信号进行可视化，从而获得距离向和方位向上的目标SAR图像。合成孔径雷达可以克服光学成像和红外成像的局限性，不管白昼还是黑夜，不管晴天等简单气象条件还是雨天、雾天等复杂气象条件都可以工作，对地物目标进行成像，提供了一种可靠且不可替代的空间数据源。因此合成孔径雷达及其成像被广泛应用于国防、灾情防治、气象监测等众多领域中。但是由于SAR相干成像机制的影响，使得最后得到的SAR图像中存在随机波动的斑点噪声(也称作散斑噪声、乘性噪声)，严重影响了SAR图像后续任务的顺利进行，比如超分重构、目标检测、地物分类等。虽然有大量的SAR图像去斑算法被提出来，也取得了较好的效果。然而，在去除斑点的同时保持SAR图像更多纹理细节特征，依旧是SAR图像去斑问题的研究热点。

技术实现思路

[0003]本专利技术的目的是提供一种基于小波变换和间隔密集网络的SAR图像去斑方法，解决了现有技术中图像去斑后边缘信息模糊和易产生伪影的问题。
[0004]本专利技术所采用的技术方案是，基于小波变换和间隔密集网络的SAR图像去斑方法，包括以下步骤：
[0005]步骤1，获取待训练图像；
[0006]步骤2，根据步骤1中的待训练图像，制作仿真SAR图像数据集；
[0007]步骤3，将步骤1中的待训练图像和步骤2中得到的仿真SAR图像数据集分别进行对数变换，再进行一级小波变换，分别得到四个分量；
[0008]步骤4，将步骤3中所对应的分量分别输入到间隔密集网络中进行训练，得到去除斑点噪声的四个分量；
[0009]步骤5，将步骤4中得到的去除斑点噪声后的四个分量进行小波逆变换，再进行指数化，便得到去斑后的SAR图像。
[0010]本专利技术的特征还在于，
[0011]步骤1的具体操作为：
[0012]步骤1.1，选用遥感分类数据集UC Merced Land
‑
Use作为训练样本图像集，该数据集包括21个类别彩色场景图，每个类别有100张，共2100张，图像大小都为256
×
256；
[0013]步骤1.2，对步骤1.1中的2100张彩色图片进行灰度处理，得到2100张灰度图像作为网络训练时的标签，记为R。
[0014]步骤2中的具体操作为：
[0015]对步骤1.1中得到的2100张灰度图像添加斑点噪声，输出得到对应的2100张仿真SAR图像数据集，记为F。用数学公式表示如公式(1)所示：
[0016]F(x,y)＝R(x,y)
·
N(x,y)
ꢀꢀ
(1)
[0017]式中，F(x,y)表示图像在(x,y)位置被斑点噪声污染的灰度值；R(x,y)表示清晰图像在(x,y)位置实际的后向散射系数；N(x,y)表示在图像(x,y)位置的添加的斑点噪声。
[0018]步骤3的具体操作为：
[0019]步骤3.1，对步骤1.2中得到的标签图像X和步骤2中得到的仿真SAR图像数据集Y进行对数变换，得到R'和F
’
，进行对数变换将乘性噪声转化为加性噪声，用公式表示为，对公式(1)进行对数变换得到公式(2)：
[0020]log[F(x,y)]＝log[R(x,y)]+log[N(x,y)] (2)；
[0021]步骤3.2，对步骤3.1中经过对数变换得到的R'和F
’
进行一级小波分解，得到小波变换分量cA
R'
、cV
R'
、cH
R'
、cD
R'
和cA
F'
、cV
F'
、cH
F'
、cD
F'
的.mat文件。
[0022]步骤4的具体操作为：
[0023]步骤4.1，将步骤3.2中得到cA
R'
的.mat文件和对应cA
F'
的.mat输入到间隔密集网络中进行训练，得到去斑后的cA
F”的.mat文件；
[0024]步骤4.2，将步骤3.2中得到cV
R'
的.mat文件和对应cV
F'
的.mat输入到间隔密集网络中进行训练，得到去斑后的cV
F”的.mat文件；
[0025]步骤4.3，将步骤3.2中得到cH
R'
的.mat文件和对应cH
F'
的.mat输入到间隔密集网络中进行训练，得到去斑后的cH
F”的.mat文件；
[0026]步骤4.4，将步骤3.2中得到cD
R'
的.mat文件和对应cD
F'
的.mat输入到间隔密集网络中进行训练，得到去斑后的cD
F”的.mat文件；
[0027]步骤5的具体操作为：
[0028]步骤5.1，将步骤4.1得到的cA
F”的.mat文件、步骤4.2得到的cV
F”的.mat文件、步骤4.3得到的cH
F”的.mat文件、步骤4.4得到的cD
F”的.mat文件进行小波逆变换，得到去斑后对数变换的SAR图像F”；
[0029]步骤5.2，将步骤5.1中得到的F”进行指数化便得到最终的去斑图像。
[0030]本专利技术的有益效果是：
[0031](1)本专利技术SAR图像去斑方法主要是利用小波一级分解，将图像分解成四个子带，然后在间隔密集网络中进行训练和图像生成，能够最大限度地去除图像斑点噪声的同时并保留图像复杂的纹理细节信息；
[0032](2)本专利技术SAR图像去斑方法，为SAR图像领域中的目标检测和地物分类等研究领域提供一个很好的预处理操作；
[0033](3)本专利技术SAR图像去斑方法中对图像进行一级小波分解后的四个子带分别单独进行不同程度的训练，可以使斑点噪声去除的更加彻底，使结果更理想。
附图说明
[0034]图1是本专利技术基于小波变换和间隔密集网络的SAR图像去斑方法总体流程图；
[0035]图2是本专利技术基于小波变换和间隔密集网络的SAR图像去斑方法中间隔密集网络结构图；
[0036]图3是本专利技术基于小波变换和间隔密集网络的SAR图像去斑方法网络中的间隔密集模块网络结构图；
[0037]图4(a)～(b)是本专利技术基于小波变换和间隔密集网络的SAR图像去斑方法的实施例去噪图。
具体实施方式
[0038]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0039]本专利技术基于小波变换和间隔密集网络的SAR图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于小波变换和间隔密集网络的SAR图像去斑方法，其特征在于：具体包括以下步骤：步骤1，获取待训练图像；步骤2，根据步骤1中的待训练图像，制作仿真SAR图像数据集；步骤3，将步骤1中的待训练图像和步骤2中得到的仿真SAR图像数据集分别进行对数变换，再进行一级小波变换，分别得到四个分量；步骤4，将步骤3所得的四个分量分别对应输入到间隔密集网络中进行训练，得到去除斑点噪声的四个分量；步骤5，将步骤4中得到的去除斑点噪声后的四个分量进行小波逆变换，再进行指数化，便得到去斑后的SAR图像。2.根据权利要求1所述的基于小波变换和间隔密集网络的SAR图像去斑方法，其特征在于：所述步骤1的具体操作为：步骤1.1，选用遥感分类数据集UC Merced Land
‑
Use作为训练样本图像集，该数据集包括21个类别彩色场景图，每个类别有100张，共2100张图像，图像大小都为256
×
256；步骤1.2，对步骤1.1中的2100张彩色图片进行灰度处理，得到2100张灰度图像作为网络训练时的标签，记为R。3.根据权利要求2所述的基于小波变换和间隔密集网络的SAR图像去斑方法，其特征在于：所述步骤2中的具体过程为：对步骤1.1中得到的2100张灰度图像添加斑点噪声，输出得到对应的2100张仿真SAR图像数据集，记为F，如公式(1)所示：F(x,y)＝R(x,y)
·
N(x,y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)；式中，F(x,y)表示图像在(x,y)位置被斑点噪声污染的灰度值；R(x,y)表示清晰图像在(x,y)位置实际的后向散射系数；N(x,y)表示在图像(x,y)位置的添加的斑点噪声。4.根据权利要求3所述的基于小波变换和间隔密集网络的SAR图像去斑方法，其特征在于：所述步骤3的具体过程为：步骤3.1，对步骤1.2中得到的标签图像X和步骤2中得到的仿真SAR图像数据集Y进行对数变换，分别对应得到R'和F
’
，进行对数变换将乘性噪声转化为加性噪声，用公式表示为，对公式(1)进行对数变换得到公式(2)：log[F(x,y)]＝log[R(x,y)]+log[N(x,y)]
...

【专利技术属性】
技术研发人员：刘晶，李倩楠，向朋霞，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：