一种针对合成孔径雷达图像散斑抑制的深度网络模型制造技术

本发明专利技术涉及一种针对合成孔径雷达图像散斑抑制的深度网络模型。本发明专利技术深度网络模型包括浅层特征提取模块、深层特征分析处理模块和重构模块；所述浅层特征提取模块包括第一卷积层和第二卷积层，用于对输入的噪声图像做初步处理，以得到输入噪声图像中的浅层特征信息；所述深层特征分析处理模块包括层层级联的m个递归组，用于对浅层特征提取模块提取的浅层特征信息进行分析处理，以获取更多的信息；所述重构模块包括第一通道注意力模块和第三卷积层包，所述第三卷积层的输出与输入的噪声图像形成全局残差，用以得到与噪声图像相对应的去噪图像。本发明专利技术避免了训练过程中出现的梯度消失或爆炸现象，去噪能力强，细节保存能力好，能够更好地应用于雷达装备中。够更好地应用于雷达装备中。够更好地应用于雷达装备中。

【技术实现步骤摘要】
一种针对合成孔径雷达图像散斑抑制的深度网络模型


[0001]本专利技术涉及一种图像处理系统，具体地说是一种针对合成孔径雷达图像散斑抑制的深度网络模型。

技术介绍

[0002]合成孔径雷达(Synthetic aperture radar，SAR)是通过使用微波波段的电磁波，处理接收到的信号的幅值和相位来生成图像。SAR具有全天候、全天时工作、穿透能力强、信息丰富、和直观真实等众多优点，成为森林检测、城市规划、灾害评估等众多领域不可替代的观测工具。但由于SAR成像系统的相干成像机制，使得SAR图像中含有相干斑噪声，会对其视觉解译及其后续处理(例如：SAR图像分割和船舶检测等)变得非常困难。因此，进行SAR图像去噪处理成为研究热点。
[0003]通常情况下，SAR图像的散斑抑制或消除的方法主要包括基于空域的去噪算法、基于变换域的去噪算法和基于深度学习的去噪算法。基于空域的去噪算法是核心思想是基于图像的局部统计特性，该类方法能够在平滑区域产生较好的去噪效果，但对于图像的边缘及一些纹理信息比较丰富的区域，容易发生过度平滑，导致图像细节信息丢失。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对合成孔径雷达图像散斑抑制的深度网络模型，其特征是，包括：浅层特征提取模块，包括第一卷积层和第二卷积层，用于对输入的噪声图像做初步处理，以得到输入噪声图像中的浅层特征信息，并提取特征映射；深层特征分析处理模块，包括若干递归组，所有递归组层层级联，用于对浅层特征提取模块提取的特征映射进行分析处理，以获取输入噪声图像的深层特征图；以及重构模块，包括第一通道注意力模块和第三卷积层，所述第三卷积层的输出与输入的噪声图像形成全局残差，用以得到与噪声图像相对应的去噪图像。2.根据权利要求1所述的深度网络模型，其特征是，所述第一卷积层和所述第二卷积层的卷积核均为3
×
3，且第一卷积层的输入通道数为1，输出通道数为64；第二卷积层的输入通道数和输出通道数均为64。3.根据权利要求1所述的深度网络模型，其特征是，所述浅层特征提取模块输出的浅层特征信息f o
为：其中，x表示输入的噪声图像，H
C2
为两个卷积层的实现函数。4.根据权利要求1所述的深度网络模型，其特征是，所述递归组包括第四卷积层和若干残差注意力模块，输入递归组的特征映射和所述第四卷积层的输出形成全局残差，用于进行残差学习。5.根据权利要求4所述的深度网络模型，其特征是，所述残差注意力模块包括：第一单元，包括第五卷积层、第一修正线性单元、第六卷积层和第二通道注意力模块，第二通道注意力模块的输出与残差注意力模块的输入形成局部残差，用于进行局部残差学习；第二单元，包括第七卷积层、第二修正线性单元、第八卷积层和第三通道注意力模块，第三通道注意力模块的输出与第一单元的输出形成局部残差，用于进行局部残差学习；以及第三单元，包括带参数的修正线性单元、三个卷积层、第三修正线性单元和第四通道注意力模块，第四通道注意力模块...

【专利技术属性】
技术研发人员：刘帅奇，雷钰，张璐瑶，苗思雨，赵淑欢，赵杰，
申请(专利权)人：河北大学，
类型：发明
国别省市：