一种基于深度学习的合成雷达图像去噪方法技术

本发明专利技术公开了一种基于深度学习的合成雷达图像去噪方法，包括步骤如下：S1，对初始噪声图像进行预处理；S2，将预处理后的图像输入到构建的MALNet模型中，对图像特征进行处理；S3，将处理后的图像特征通过Sigmod激活函数，转化为0

【技术实现步骤摘要】
一种基于深度学习的合成雷达图像去噪方法


[0001]本专利技术涉及图像去噪方法，尤其涉及一种基于深度学习的合成雷达图像去噪方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Rada,SAR)是一种捕捉微波的传感器，其原理就是通过波形的反射来进行图像建立，从而解决了传统光学的遥感雷达在采集图像时受到天气、空气杂质等环境影响。合成孔径雷达应用最多的就是其变化检测(Change Detect，CD),变化检测就是针对某一目标进行动态获取图像信息，其包括图像预处理、生成差异图和分析计算差异图三个步骤，其应用在自然灾害估计、资源的管理分配以及测量土地的地貌特征等等。然而，在变换检测过程中，SAR图像中固有的斑点噪声会降低其变化检测的性能。因此，图像去噪方法已成为变化检测中预处理的基本方法。如何从有噪声的SAR图像中恢复一幅干净的图像是当前迫切需要解决的问题。图像去噪算法不仅仅应用在合成孔径雷达图像中，在工业、医学、生活消费、工程等领域中都有涉及，应用颇广。
[0003]图像去噪是加强图像处理的一个基本方面。目前合成孔径雷达图像中去噪主要分为两个方向，一个图像滤波处理，另外一个是非相干多视处理。图像滤波处理主要是通过滤波器进行噪声滤除，例如中值滤波、均值滤波、BM3D、CSF、WNNM、TNRD以及小波去噪，其本质上就是一个最大后验(MAP)的优化问题，尽管这些算法在去除合成噪声方面取得不错的性能，但是由于他们的假设噪声与自然界中的实际噪声存在一定偏差，在实际的环境中，去噪效果欠佳。另外一种就是非相干多视去噪，其原理就是将图像分解为多个多普勒带宽，每一个多普勒带宽分别使用不同的合成孔径，最后再将分解的图像进行叠加，该方法有效去除了斑点噪声，但是分解图像会造成分辨率的下降，分辨率的下降将会对变化检测(CD)中其他的任务造成很大影响。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种实现在控制降噪与细节权衡上做到平衡的基于深度学习的合成雷达图像去噪方法。
[0005]技术方案：本专利技术的合成雷达图像去噪方法，包括步骤如下：
[0006]S1，对初始噪声图像进行预处理；
[0007]S2，将预处理后的图像输入到构建的MALNet模型中，对图像特征进行处理；
[0008]S3，将处理后的图像特征通过Sigmod激活函数，转化为0
‑
1的浮点数信息后，与初始噪声图像相减，完成图像重建；
[0009]S4，将重建的图像与初始未加噪的图像对比，通过Loss函数进行计算损失值，并通过反向传播，来对MALNet模型的权重参数进行Adam优化，最后保存训练好的MALNet模型参数。
[0010]进一步，步骤S2中，所述MALNet模型包括非规则卷积核、注意力模块和密集级联
块，非规则卷积核、注意力模块和密集级联块依次连接，对图像特征的处理步骤如下：
[0011]S21，对带噪声的图像依次通过非对称卷积核和注意力模块来获取到图像基础特征；
[0012]S22，图像基础特征经过密集级联块自主学习图像的残差信息，并反馈到最后一层的输出层。
[0013]进一步，步骤S2中，所述非规则卷积核包括conv3*3、conv3*1、conv1*3和conv5*5，带噪声的图像分别经过conv3*3、conv3*1、conv1*3和conv5*5进行图像的初步特征提取，最后将图像的初步特征进行融合拼接，表达为：
[0014]F(x)＝Cat[ReLU(conv(5*5))+ReLU(conv(3*1))+ReLU(conv(1*3))+ReLU(conv(3*3))][0015]式中，每一个卷积核后都经过ReLU激活函数，将图像数值滤波至[0,∞]的范围。
[0016]进一步，步骤S2中，所述密集级联块包括多级联块层，每极联块层包括依次连接的Conv3x3、ReLU和平均池化层，带噪声的图像依次通过每个阶段的联块层进行特征增强，并且将每一阶段的输出作为后一阶段的输入；
[0017]在网络前向传播时，每一卷积模块的输出作为下一卷积模块和下下卷积模块的输入，再通过最后的广义平均池化来获取到图像的全局感受野。
[0018]进一步，步骤S4中，采用给定的均方误差来训练MALNet模型，其Loss函数表达为：
[0019][0020]MALNet[y(a,b)]＝Rim(a,b)＝y(a,b)
‑
n(σ,δ)
[0021]其中，N为所有样本数目，y(a,b)表示输入噪声图像，n(σ,δ)表示方差为δ、均值为σ的噪声。
[0022]本专利技术与现有技术相比，其显著效果如下：
[0023]本专利技术针对合成孔径雷达SAR噪声图像，采用卷积神经网络模型MALNet，该模型运用端到端架构，不需要单独的子网或手动干预，相比于其他去噪算法而言，卷积神经网络模型MALNet不仅能够产生比较好的结果，而且具有很好鲁棒性，网络在控制降噪与细节权衡上做到了良好的平衡；图像在不同噪声水平上的去噪结果进一步表明，卷积神经网络模型MALNet能提供感知上令人满意的去噪结果。
附图说明
[0024]图1为本专利技术的非对称卷积核图；
[0025]图2为本专利技术的注意力模块结构图；
[0026]图3为密集级联块示意图；
[0027]图4为本专利技术的MALNet模型的结构图；
[0028]图5(a)为无噪声图像效果图；
[0029]图5(b)为噪声图像效果图；
[0030]图5(c)为WNNM的去噪效果图；
[0031]图5(d)为SAR
‑
BM3D的去噪效果图；
[0032]图5(e)为SAR
‑
CNN的去噪效果图；
[0033]图5(f)为本专利技术所提出的MALNet去噪效果图。
具体实施方式
[0034]下面结合说明书附图和具体实施方式对本专利技术做进一步详细描述。
[0035]针对SAR图像去噪问题，本专利技术提出了一种基于多尺度注意力的密集级联卷积神经网络(Multi
‑
size Head Attention Layers，MALNet)去噪算法，该网络主要是将多尺度非规则卷积核和注意力的思想应用其中，多尺度非规则卷积核相较于单一的卷积核有着很好的图像感受野，即它能够从不同的尺度来进行图像信息的收集，以便提取到更为精详的图像细节特征。随后，网络中对不同尺度卷积核进行维度拼接，对拼接后的特征图引入注意力机制进行特征的注意力划分，使得整个模型对图像主要特征有着良好的增强能力。网络中间采用密集级联层(Dense Cascade Block，DCB)来对特征进一步的强化，输出时使用sigmoid作为激活函数，避免模型的梯度出现饱和与消失。最后通过网络差减来实现图像的恢复与重建，实现去噪功能。
[0036]如图4所示，为本专利技术的去噪网络MALNet，MALN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的合成雷达图像去噪方法，其特征在于，包括步骤如下：S1，对初始噪声图像进行预处理；S2，将预处理后的图像输入到构建的MALNet模型中，对图像特征进行处理；S3，将处理后的图像特征通过Sigmod激活函数，转化为0
‑
1的浮点数信息后，与初始噪声图像相减，完成图像重建；S4，将重建的图像与初始未加噪的图像进行对比，通过Loss函数计算损失值，并通过反向传播，来对MALNet模型的权重参数进行Adam优化，最后保存训练好的MALNet模型参数。2.根据权利要求1所述的基于深度学习的合成雷达图像去噪方法，其特征在于，步骤S2中，所述MALNet模型包括非规则卷积核、注意力模块和密集级联块，非规则卷积核、注意力模块和密集级联块依次连接，对图像特征的处理步骤如下：S21，对带噪声的图像依次通过非对称卷积核和注意力模块来获取到图像基础特征；S22，图像基础特征经过密集级联块自主学习图像的残差信息，并反馈到最后一层的输出层。3.根据权利要求2所述的基于深度学习的合成雷达图像去噪方法，其特征在于，步骤S2中，所述非规则卷积核包括conv3*3、conv3*1、conv1*3和conv5*5，带噪声的图像分别经过conv3*3、co...

【专利技术属性】
技术研发人员：付相为，单慧琳，葛彩成，朱希，吕宗奎，杨宇龙，吉茹，
申请(专利权)人：无锡学院，
类型：发明
国别省市：