基于swintransformer和小波变换的SAR图像去噪方法技术

本发明专利技术公开了一种基于swin transformer和小波变换的SAR图像去噪方法，其实现步骤为：对生成的含噪样本集中的每个样本进行尺度为1的小波分解，得到每个样本的4个子带图片，训练构建的Swin Transformer网络，对SAR图像进行去噪。本发明专利技术利用小波变换后的样本训练构建的swin transformer的SAR图像去噪网络，利用小波变换的多尺度分析特性在不同尺度上对信号进行局部分析，使得滤除高频噪声成分的同时保留了原始图像的边缘纹理信息；利用swin transformer的局部窗口连接策略，增强了图像信息特征的同时降低了模型的参数量，减少了生成降噪后图像的时间。成降噪后图像的时间。成降噪后图像的时间。

【技术实现步骤摘要】
基于swin transformer和小波变换的SAR图像去噪方法


[0001]本专利技术属于计算机视觉和信号处理
，更进一步涉及SAR图像处理
中的一种基于swin transformer和小波变换的合成孔径雷达SAR(Synthetic Aperture Radar)图像去噪方法。本专利技术可用于在自然环境监测、灾害预警领域中使用的SAR图像进行散斑噪声的去除，并保留图像中的纹理信息。

技术介绍

[0002]SAR图像以其独有的全天候、全天时成像特点，广泛应用于自然环境监测、灾害预警等领域。然而，由于SAR图像的散斑噪声以及其成像机制，非专业人士很难直接从SAR图像中直接得到有用的信息。现有的去除SAR图像中的散斑噪声的技术，大多是基于卷积神经网络CNN(Convolutional Neural Network)来进行改进的，尽管与传统的方法相比，性能显著提高，但通常会遇到两个源于构建块的基本问题。其一，图像和卷积核之间的交互是内容无关的，使用相同的卷积核来恢复不同的图像区域可能不是一个好的选择。其二，相较而言CNN对全局特征的提取存在像模型参数量过大、物体边缘和纹理变模糊等问题，跟真实的图像还存在一定的差距。
[0003]Malsha V等人在其发表的文章“Transformer
‑
based SAR Image Despeckling”(IGARSS2022
‑
IEEE International Geoscience and Remote Sensing Symposium)中公开了一种基于transformer的SAR图像去噪方法。该方法的实现步骤为，基于transformer的编码器CNN解码器组成去噪网络，其中编码器允许网络学习不同图像区域之间的全局依赖性——有助于更好的去除散斑噪声，并使用复合损失函数通过合成生成的散斑图像进行端到端训练。对该方法详细阐述，首先，噪声输入图像y通过包含5个阶段的编码器，每个阶段包含一个重叠补丁嵌入块和一个transformer块。编码器的最后一级后面是充当解码器的卷积投影块。在每个编码器阶段，输入的分辨率减半，以允许transformer学习到粗略以及精细的细节。然后，除最后一级外的每个编码器的输出被馈送到下一个编码器级和卷积投影块。最终编码器阶段的输出仅传递到卷积投影块。与仅生成具有固定分辨率的特征图的VIT不同，该方法提出的transformer编码器的分层性质使网络能够生成SAR图像去噪所需的高分辨率精细特征以及低分辨率粗略特征。因此，编码器可以轻松适应不同的图像分辨率，而不会影响性能。但是，该方法仍然存在着不足之处：由于Transformer编码器在处理图像时是通过自注意力机制和多头注意力机制进行的，而这些机制是局部相关的，只能保证对同一区域内的像素进行有效的表示学习，在非同质区域中，不同区域之间存在较大的差异，当处理带有散斑噪声的SAR图像时，由于在非同质区域中，缺少纹理信息的Transformer编码器无法捕捉到这些特征，所以图像的边缘和纹理细节会变得模糊，不利于后续在目标检测、风格迁移
做进一步处理。
[0004]Liu等人在其发表的文章“MRDDANet:A Multiscale Residual Dense Dual Attention Network for SAR Image Denoising”(IEEE Transactions on Geoscience and Remote Sensing 2021)中公开了一种基于双注意力通道的SAR图像去噪方法。该方法
Transformer网络中，使用Charbonnier loss损失函数最小化真实图像分量与去噪图像分量的差值，对网络输出的4个降噪图像进行小波逆变换后合得到去噪后的图像。
[0014]本专利技术与现有技术相比具有以下优点：
[0015]第一，本专利技术采用小波变换的图像分解方法，将待去噪的SAR图像分解成不同尺度的频率成分，并利用小波变换的多尺度分析特性在不同尺度上对信号进行局部分析，滤除高频噪声成分的同时保留了原始的低频图像信息。克服了现有的去噪方法中在去噪的同时不能够保留图像的边缘纹理细节的问题，使得本专利技术可以更好地捕捉图像中的边缘信息，保持了SAR图像的完整性。
[0016]第二，本专利技术构建了基于Swin Transformer的网络，通过残差连接将局部特征信息从低层传递到更高层，克服了现有的去噪方法中普遍存在的梯度消失缺陷。使得本专利技术显著提高了去噪效果，并增强了降噪模型的泛化能力。
[0017]第三，本专利技术构建的基于Swin Transformer的网络中采用局部窗口连接策略，能够在每个窗口内部进行多头自注意力的计算，避免了模型参数过多或网络层数过深，克服了现有的去噪方法中因模型参数量过大导致生成降噪后图像的时间过长的不足。使得本专利技术在缩短生成降噪后图像时间的同时可以更好地处理边界处的像素信息，避免去噪后的SAR图像出现边界伪影。
附图说明
[0018]图1是本专利技术的流程图；
[0019]图2是本专利技术的去噪网络架构图；
[0020]图3是本专利技术的循环移位窗口原理图；
[0021]图4是本专利技术的仿真实验对比图；
具体实施方式
[0022]下面结合附图和实施例，对本专利技术做进一步的详细描述。
[0023]参照图1，对本专利技术实施例的实现步骤做进一步的描述。
[0024]本专利技术的实施例的样本是从UC Merced Land
‑
Use遥感图像数据集中采集的。该数据集是一个常用的图像数据集，包含了21类不同的地物覆盖类型，包括机场、森林、沙漠、高速公路等。
[0025]从UC Merced Land
‑
Use遥感图像数据集中挑选了12类具有去噪需求的场景图像，包括城市、工业区、高速公路等。然后，从每个类别中随机选择了100张图像，共计1200张图像作为训练样本集。
[0026]步骤1，对生成的含噪样本集中的每个样本进行尺度为1的小波分解，得到该样本的4个子带图片。
[0027]对于SAR图像的噪声模型，令Y∈R
W
×
H
为斑点噪声图像，X∈R
W
×
H
为无噪声图像，N
g
∈R
W
×
H
为噪声强度，则SAR图像的噪声模型可以定义为：
[0028]Y＝N
g
·
X
[0029]对于视数为L的SAR图像，噪声强度N
g
服从Gamma分布，下式为概率密度函数：
[0030][0031]其中：Γ(L)表示均值为1和方差为1/L的Gamma分布函数。因此，SAR图像的去噪过程是使用端到端的映射，从含噪声图像Y中估计出无噪图像X。
[0032]使用高斯噪声来模拟遥感图像中的噪声。高斯噪声是一种常见的噪声类型，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于swin transformer和小波变换的SAR图像去噪方法，其特征在于，对样本小波分解，构建Swin Transformer网络，去噪的同时对图像边缘特征信息进行有效捕获；该去噪方法的步骤包括如下：步骤1，对生成的含噪样本集中的每个样本进行尺度为1的小波分解，得到该样本的4个子带图片；步骤2，构建Swin Transformer网络：搭建Swin Transformer网络，其中，第1卷积层、深度特征提取模块、第1加法器、第2卷积层、激活函数层、第2加法器依次串联组成主干支路，主干支路中第1卷积层的输入端与第2加法器相连，第1卷积层的输出端与第1加法器相连；将第1、第2卷积层的卷积核大小均设置为3
×
3，卷积步长均设置为1，填充数均设置为1，激活函数层均采用斜率为0.2的LeakyReLU函数实现；步骤3，训练Swin Transformer网络；步骤4，对SAR图像进行去噪：采用与步骤1相同的方法，对待去噪的SAR图像小波分解后，输入到训练好的Swin Transformer网络中，对网络输出的4个降噪图像进行小波逆变换后合得到去噪后的图像。2.根据权利要求1所述基于swin transformer和小波变换的SAR图像去噪方法，其特征在于，步骤1中所述的含噪样本集中包括至少1000张大小为256
×
256、标准差为20的高斯噪声图像。3.根据权利要求1所述基于swin transformer和小波变换的SAR图像去噪方法，其特征在于，步骤1中所述的小波分解指的是，采用Harr小波基将含噪样本集中的每张256
×
256的二维样本图像，按行作一维数据的小波变换，将每张图像分解成两部分：左半部分是大小为128
×
256的低频子图像，右半部分是大小为128
×
256的高频子图像；将每个子图像再按列作一维小波变换，则将每张样本图像分解为低低频、高低频、低高频、高高频共4个子带图片。4.根据权利要求1所述基于swin transformer和小波变换的SAR图像去噪方法，其特征在于，步骤2中所述的深度特征提取模块由第1RSTB块、第2RSTB块、第3RSTB块、第4RSTB块、第5RSTB块、第6RSTB块、卷积层、激活函数层依次串联组成；第1至第6RSTB块的结构相同，均由第1STL层、第2STL层、第3STL层、第4STL层、第5STL层、第6STL层、卷积层、激活函数层依次串联组成；将卷积层的卷积核大小设置为3

【专利技术属性】
技术研发人员：王笛，张国盛，田玉敏，王泉，万波，刘锦辉，罗楠，赵辉，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：