基于深浅特征融合网络及联合损失函数的遥感图像去噪方法技术

基于深浅特征融合网络及联合损失函数的遥感图像去噪方法涉及遥感数字图像处理与模式识别领域，通过多尺度特征提取模块在模型的第一层就提取尽可能多的特征，通过深浅特征融合的网络结构能够有效的将提取到的浅层信息包含到后续图像的重建过程当中，能够使得重建后的图像包含更多的细节纹理。通过在网络中加入注意力模块能够提取到复杂背景中的噪声信息，对于较为复杂背景信息下的噪声信号可以很好的提取出来。损失函数采用了感知损失和一般MSE损失函数，其中的感知损失函数由遥感图像质量评价网络来实现。采用该损失函数能够使得生成的去噪后遥感图像有高的信噪比，同时符合人的整体视觉观感。人的整体视觉观感。人的整体视觉观感。

【技术实现步骤摘要】
基于深浅特征融合网络及联合损失函数的遥感图像去噪方法


[0001]本专利技术涉及遥感数字图像处理与模式识别领域，具体涉及一种基于深浅特征融合网络及联合损失函数的遥感图像去噪方法。

技术介绍

[0002]遥感图像去噪算法在过去的几十年里吸引了大量的关注，由于深度学习技术的广泛发展，可以将遥感图像去噪算法分为传统的算法和基于深度学习的算法。传统的遥感图像去噪算法包括基于滤波的方法和基于统计学习的方法，滤波的方法是利用噪声图像像素点与周围像素之间的关系来消除噪声，如均值滤波和中值滤波等，后续经过改进传统的滤波算法，专利技术了利用整个图像冗余信息的非局部均值去噪算法以及融合了空间域和变换域的块匹配和三维滤波算法(BM3D)。K
‑
SVD算法利用图像的稀疏编码对图像进行去噪，通过训练将图像块进行系数表示，并结合图像内在结构对原始图像进行估计来实现图像的去噪。尽管传统算法能够实现一定的去噪效果，但是生成的图像易模糊，需要手动各种超参数的设置，且需要大量的计算成本和时间成本。
[0003]目前采用深度神经网络的遥感图像去噪算法较少，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深浅特征融合网络及联合损失函数的遥感图像去噪方法，其特征在于，该方法包括如下步骤：步骤一：构建遥感图像质量评价网络模型，以及遥感图像去噪神经网络模型；步骤二：对UC Merced训练集进行图像预处理，将处理过的UC Merced训练集放入所述遥感图像质量评价网络模型中进行训练，最终得出参数固定的遥感图像质量评价网络模型；步骤三：对去噪数据集NWPU
‑
RESISC45进行分块并且预处理，然后输入均方根估计损失函数和基于遥感图像质量评价网络模型的感知损失函数进行训练，联合所述均方根估计损失函数和所述遥感图像质量评价网络模型的感知损失函数优化所述遥感图像去噪神经网络模型的参数，通过所述遥感图像质量评价网络模型的输出结果判定所述遥感图像去噪神经网络模型的参数优化的程度；步骤四：将待去噪的遥感图像放入已经优化的所述遥感图像去噪神经网络模型中，输出干净的图像。2.根据权利要求1所述的基于深浅特征融合网络及联合损失函数的遥感图像去噪方法，其特征在于，步骤一所述遥感图像去噪神经网络模型包括：多尺度特征提取模块、深浅特征融合模块和图像重建模块；所述多尺度特征提取模块提取遥感图像的初始特征的，通过不同尺度的卷积核提取所述遥感图像不同的特征；所述深浅特征融合模块解决所述遥感图像重建中的模糊问题，通过跳跃连接将浅层的纹理信息送到所述遥感图像重建的过程当中，加深所述遥感图像质量评价网络模型的深度防止梯度消失并生成细节纹理丰富的图像；所述图像重建模块将细节纹理丰富的图像重建。3.根据权利要求2所述的基于深浅特征融合网络及联合损失函数的遥感图像去噪方法，其特征在于，所述深浅特征融合模块包括多个增强注意力模块和一个全局融合模块；每个增强注意力模块的输出都连接到下一个增强注意力模块和全局融合模块中。4.根据权利要求3所述的基于深浅特征融合网络及联合损失函数的遥感图像去噪方法，其特征在于，所述增强注意力模块包含两个卷积层两个BN层、两个激活层和一个通道注意力层；每两个卷积层、两个BN层、两个激活层组的输出都连接到下一个每两个卷积层、两个BN层、两个激活层组和所述通道注意力层。5.根据权利要求3所述的基于深浅特征融合网络及联合损失函数的遥感图像去噪方法，其特征在于，所述全局特征融合模块包含了两个部分，第一部分包括：1
×
1的卷积核，输出通道数是输入通道数的和3
×
3的卷积核；1
×
1的卷积核和3
×
3的卷...

【专利技术属性】
技术研发人员：吕恒毅，韩诚山，赵宇宸，韩林涛，孙铭，曲利新，冯阳，张以撒，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：