一种基于小波变换和生成对抗网络的SAR图像去噪方法技术

本发明专利技术公开了一种基于小波变换和生成对抗网络的SAR图像去噪方法，该方法包括以下步骤：一、制作SAR训练样本图像集；二、将图像集中的原始图像进行小波变换；三、将小波变换后的图像作为训练样本，用循环生成对抗网络进行训练；四、评判训练后的网络的去噪结果；五、更改小波基函数对比去噪结果；六、使用强化学习搜索最佳小波变换的分解尺度，进一步提升去噪结果。本发明专利技术使用小波分解尺度自动搜索的原理，结合了生成对抗网络对图片像素操作时能够保留图像细节的优势，更有针对性的对不同分解尺度当中高频部分的噪声进行去除，更大程度上的对SAR图像中的有用信息进行保护。对SAR图像中的有用信息进行保护。对SAR图像中的有用信息进行保护。

【技术实现步骤摘要】
一种基于小波变换和生成对抗网络的SAR图像去噪方法


[0001]本专利技术涉及数字图像处理
，具体为一种基于自动搜索尺度的小波变换和生成对抗网络的SAR图像去噪方法。

技术介绍

[0002]合成孔径雷达(SAR)是一种高分辨率成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。SAR图像在生成和传输的过程中，由于受到外部环境和成像设备的影响，会在图像上产生一定的随机噪声，这极大的影响图像的质量，为后续的处理也带来了困难，去噪的效果好坏会直接影响到后续特征提取以及识别分类等工作的效率，因此SAR图像的去噪十分重要。传统的图像去噪方法主要采取滤波方式，直接对原始图像的像素点进行处理，将图像与设定的滤波器进行卷积运算，经典的算法有中值滤波、自适应滤波等，这些方法会对图像中的所有像素进行滤波，在有效滤掉噪声的同时会使图像过于平滑，导致图像边缘细节和纹理被破坏。
[0003]基于深度学习的图像去噪方法由于其强大的学习能力，能够自主学习噪声特征，实现含噪图片到无噪图片的映射，无需人工设定去噪参数，得到了广泛的应用。现有的结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波变换和生成对抗网络的SAR图像去噪方法，其特征在于：该方法包括以下步骤一、制作SAR训练样本图像集；二、将图像集中的原始图像进行小波变换；三、将小波变换后的图像作为训练样本，用循环生成对抗网络进行训练；四、评判训练后的网络的去噪结果；五、更改小波基函数对比去噪结果；六、使用强化学习搜索最佳小波变换的分解尺度，进一步提升去噪结果。2.根据权利要求1所述的基于小波变换和生成对抗网络的SAR图像去噪方法，其特征在于：步骤一具体为训练集选取UC Merced Land
‑
Use图像数据集，在其中筛选得到1300张大小为256
×
256的不同类型的遥感图像作为训练样本集，使用OpenCV库函数在其中加入了标准差为20的高斯噪声作为含噪样本集。3.根据权利要求2所述的基于小波变换和生成对抗网络的SAR图像去噪方法，其特征在于：步骤二具体为对一幅大小为N
×
N的二维图像，将其进行尺度为1的小波变换；首先需要按行作N个长度为N的一维数据的小波变换，将图像分解成两部分：左边是大小为N
×
N/2的低频子图像，右边是大小为N
×
N/2的高频子图像，然后把每个子图像再按列作N/2个长度为N的一维小波变换，则原始图像可分解为4个子图像：LL1，HL1，LH1，HH1，其中三个高频分量均包含了较多的边缘轮廓以及噪声信息。4.根据权利要求3所述的基于小波变换和生成对抗网络的SAR图像去噪方法，其特征在于：步骤三具体为网络的参数由两类损失的反向传播所调节，第一类是对抗损失，真实的含噪图像经过生成器G后变为生成的无噪图像，随后通入判别器G判定，若被判别器判别出是生成的虚假图片，则表明需要调整生成器G的参数，生成器F同理；第二类是循环一致性损失，真实的含噪图像经过生成器G后变为生成的无噪图像后，在通入生成器F将其恢复为含噪图像，这种经过了两个生成器二次生成的图像应做到近似于最初的真实图像，才能够保证生成器只对图像中的噪声部分进行操作，而不影响图像的其他部分，因此用这二者之间的相似程度来反向调整生成器G和F的参数；其中生成器结构采取的是类似U
‑
net网络的结构，在网络中的前几层采用卷积层提取图片特征信息，采用下采样缩减特征图大小，后几层采用逆卷积进行上采样，将经过处理的特征图恢复至原图大小输出，在下采样和上采样中间加入了九个残差块；在第一个卷积块中使用镜像边界填充搭配7
×
7的卷积核，使得卷积后特征图的尺寸保持不变，随后经过了两个卷积块实现下采样，每个卷积块由大小为3
×
3的卷积层，单通道内归一化层...

【专利技术属性】
技术研发人员：宋辉，侯禹存，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：