基于卷积神经网络的SAR图像去噪新方法技术

本发明专利技术涉及一种基于卷积神经网络的SAR图像去噪新方法，属于图像处理技术领域。利用网络的卷积层提取图像的深层特征，再将反卷积层还原的结果与目标图像对比，两者的误差驱动网络更新。经过少次训练后，网络输出的结果就能接近目标图像，达到去噪的效果。与传统去噪方法相比，新发明专利技术方法去噪能力更强，图像视觉效果更好。本发明专利技术方法解决了传统SAR图像去噪方法不能很好保留图像边缘和细节与效率低下的问题。问题。问题。

【技术实现步骤摘要】
基于卷积神经网络的SAR图像去噪新方法


[0001]本专利技术属于图像处理
，具体涉及一种基于卷积神经网络的SAR图像去噪新方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式高分辨率的成像雷达，能够进行全天时、全天候的观测，在军事和民用领域有着广泛的应用。然而，由于特殊的成像机制，SAR图像总是伴随着相干斑噪声，这种噪声大大降低了SAR图像的质量，对后续的图像分割、目标检测、目标识别等任务带来了严峻的挑战。所以，如何抑制相干斑噪声是SAR图像处理的基础工作，具有非常重要的研究价值。
[0003]传统的SAR图像去噪方法分为两类，一类是空间域滤波，它的代表方法有Lee滤波、均值滤波、Frost滤波等；另一类是变换域滤波，它的代表方法是基于小波变换的阈值滤波方法。第一类方法采用局部处理的思想，虽然能去噪，但是不能很好地保留图像的边缘和细节。科研人员为了解决这个问题又提出了非局部均值(NLM)算法，NLM算法在去除相干斑噪声的同时也很好地保留了图像的细节，但其繁重的相似搜索步骤导致效率很低，应用受限。SAR
‑
BM3D算法结合了空间域滤波与变换域滤波方法，是目前最好的去噪方法之一，但该算法也需要大量的搜索，效率较低，应用受限。
[0004]近年来，深度学习的快速发展为SAR图像处理开辟了一条新的通道。卷积神经网络(Convolutional Neural Network,CNN)，深度置信网络(Deep Belief Network,DBN)，栈式自动编码器(Stacked Auto
‑
Encoder,SAE)是深度学习中三种最基本的模型。本专利技术在卷积神经网络的基础上，设计了一种新的SAR图像去噪方法，它利用网络输出与目标图像之间的误差驱动网络优化器更新网络各层参数，经过少次迭代训练后，网络输出结果就能接近目标图像，达到去噪目的。

技术实现思路

[0005]要解决的技术问题
[0006]为了解决传统SAR图像去噪方法不能很好保留图像边缘和细节与效率低下的问题，在卷积神经网络的基础上，本专利技术了提出了一种新的SAR图像去噪方法。利用网络的卷积层提取图像的深层特征，再将反卷积层还原的结果与目标图像对比，两者的误差驱动网络更新。经过少次训练后，网络输出的结果就能接近目标图像，达到去噪的效果。与传统去噪方法相比，新专利技术方法去噪能力更强，图像视觉效果更好。
[0007]技术方案
[0008]一种基于卷积神经网络的SAR图像去噪新方法，其特征在于步骤如下：
[0009]步骤1：将带噪SAR图像作为神经网络的输入；
[0010]步骤2：利用卷积层获取带噪SAR图像的深层特征信息；
[0011]步骤3：利用池化层对获取得到的SAR图像深层特征信息进行降维处理；
[0012]步骤4：利用ReLU激活函数和批归一化处理加速网络训练过程，其中Relu函数用于解决梯度消失，批归一化处理用于缓解梯度弥散问题；
[0013]步骤5：通过反卷积层输出与输入尺寸大小一样的图像；
[0014]步骤6：将步骤5产生的图像与原始无噪图像对比，利用产生的误差驱动网络优化器朝着使误差函数最小的方向更新各网络参数；
[0015]步骤7：循环上述操作，直至SAR图像残差满足约束条件。
[0016]本专利技术进一步的技术方案：所述的卷积层采用3
×
3的卷积核，第一至三层的卷积层输出通道为64，第四至五层卷积层的输出通道为128，第六层卷积层的输出通道为256。
[0017]本专利技术进一步的技术方案：所述的池化层采用2
×
2的最大值池化，步长为2。
[0018]本专利技术进一步的技术方案：所述的反卷积层采用3
×
3的卷积核，输出通道数与卷积层输出通道数恰好相反。
[0019]本专利技术进一步的技术方案：所述的ReLU激活函数的表达式如下：
[0020]ReLU(x)＝max(0,x)
[0021]ReLU激活函数只保留大于0的输出，其他输出会被置为0。
[0022]本专利技术进一步的技术方案：所述的批归一化处理过程如下，假设在某层中每批的训练输入数据为x1,x2,...x
m
，
[0023][0024][0025][0026][0027]前两步计算输入数据的均值和方差，第三步做归一化处理，其中ε是一个很小的正数，为了防止方差趋于0，导致结果溢出；经过归一化后大部分数据会分布在激活函数的中间线性段，而在神经网络中，非线性变换非常重要，为了平衡非线性变换和梯度，第四步引入两个参数对输出数据进行调整；γ对数据做尺度变换，β对数据做平移变换，训练过程中网络自动学习这些参数。
[0028]本专利技术进一步的技术方案：所述的误差函数使用均方误差，公式如下：
[0029][0030]式中，N为每一批数据的数量，y0为网络的实际输出，y为原始无噪图像。
[0031]一种基于卷积神经网络的SAR图像去噪新方法的应用，其特征在于应用于机载SAR图像的去噪中。
[0032]一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
[0033]一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被
执行时用于实现上述的方法。
[0034]有益效果
[0035]本专利技术提供的一种基于卷积神经网络的SAR图像去噪新方法，与传统去噪方法相比，采用本专利技术方法对SAR图像去噪时，有以下两方面的有益效果：一方面，去噪后的图像很好地保留了原图像的边缘信息和细节，有利于后续的目标检测与识别任务；另一方面，只需要少次的训练就能达到很好的去噪效果，这克服了传统去噪方法效率低的问题，有利于大规模应用。
附图说明
[0036]附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。
[0037]图1常用激活函数图像；
[0038]图2本专利技术的网络结构图；
[0039]图3本专利技术的SAR图像去噪流程图；
[0040]图4(a)训练损失值与训练次数关系图；
[0041]图4(b)验证损失值与训练次数关系图。
[0042]图5不同去噪方法对比结果图：(a)原始SAR图像；(b)SAR
‑
BM3D方法去噪后的图像；(c)SAR
‑
NL方法去噪后的图像；(d)本专利技术方法去噪后的图像。
具体实施方式
[0043]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的SAR图像去噪新方法，其特征在于步骤如下：步骤1：将带噪SAR图像作为神经网络的输入；步骤2：利用卷积层获取带噪SAR图像的深层特征信息；步骤3：利用池化层对获取得到的SAR图像深层特征信息进行降维处理；步骤4：利用ReLU激活函数和批归一化处理加速网络训练过程，其中Relu函数用于解决梯度消失，批归一化处理用于缓解梯度弥散问题；步骤5：通过反卷积层输出与输入尺寸大小一样的图像；步骤6：将步骤5产生的图像与原始无噪图像对比，利用产生的误差驱动网络优化器朝着使误差函数最小的方向更新各网络参数；步骤7：循环上述操作，直至SAR图像残差满足约束条件。2.根据权利要求1所述基于卷积神经网络的SAR图像去噪新方法，其特征在于：所述的卷积层采用3
×
3的卷积核，第一至三层的卷积层输出通道为64，第四至五层卷积层的输出通道为128，第六层卷积层的输出通道为256。3.根据权利要求1所述基于卷积神经网络的SAR图像去噪新方法，其特征在于：所述的池化层采用2
×
2的最大值池化，步长为2。4.根据权利要求2所述基于卷积神经网络的SAR图像去噪新方法，其特征在于：所述的反卷积层采用3
×
3的卷积核，输出通道数与卷积层输出通道数恰好相反。5.根据权利要求1所述基于卷积神经网络的SAR图像去噪新方法，其特征在于：所述的ReLU激活函数的表达式...

【专利技术属性】
技术研发人员：马智，田斌，单永志，宋文青，呼斌，
申请(专利权)人：西安电子工程研究所，
类型：发明
国别省市：