【技术实现步骤摘要】
本专利技术涉及isar图像降噪，具体涉及一种基于神经网络的isar图像降噪方法、系统、设备、介质。
技术介绍
1、从复杂战场环境中准确获取目标情报信息是态势评估和战术行动决策的重要依据。isar具备不受天时和气候影响的传感器信息获取能力，可以有效获取各类雷达目标的影像数据，已成为目标情报信息获取的重要手段，在情报侦察、精确打击等领域具有广泛的应用需求。但在成像过程中，由于目标的复杂结构，成像结果中存在旁瓣噪声和系统噪声，如何有效降低成像过程中产生的噪声是实现高清晰度成像的基础。
2、经典的雷达信号处理领域通过加汉明窗的方法抑制旁瓣噪声，该方法具有降噪速度快，操作简单的优点，但该方法在降噪的同时也降低了成像分辨率。压缩感知是在过去十几年中发展起来的信号处理领域新理论，基于这一新理论，可通过求解优化问题的方式从低维观测样本中重构原高维信号。学者们将传统成像算法融入到稀疏重构算法中，提出了有效可行的一阶算法来求解此类压缩感知isar成像问题。另外，通过构建冗余字典替代正交字典来对isar数据进行稀疏表示，能够实现稀疏目标的超分辨。压缩感知算法成像效果好，可以有效抑制旁瓣噪声，但运算复杂度高，运算时间长。并且由于isar目标结构的特殊性，经典方法和压缩感知的方法都需要针对每一副图像单独处理，无法实现批量处理。
3、随着人工智能的快速发展，基于卷积神经网络的图像降噪技术为批量处理isar图像提供了新思路。dncnn(denoising convolutional neural network)在vgg(visual
技术实现思路
1、针对上述存在的问题，本专利技术提出一种新型降噪网络，在传统降噪网络中加入了空间注意力层，使降噪估计更集中于isar目标重点区域，综合使用最大池化层和平均池化层，使特征提取更加充分。
2、本专利技术所采用的技术方案如下：
3、一种基于神经网络的isar图像降噪方法，其特征在于，包括以下步骤：
4、步骤1：获取待检测的isar图像；
5、步骤2：建立双层注意力降噪网络；
6、步骤3：将待检测的isar图像输入到双层注意力降噪网络中进行去噪处理；
7、步骤4：输出降噪后的isar图像。
8、进一步地，步骤2建立的双层注意力降噪网络包括依次连接的特征提取层、多尺度降噪层和特征融合层；
9、特征提取层，用于提取输入的isar图像的特征；
10、多尺度降噪层，用于对输入的特征图进行多尺度降噪；
11、特征融合层，用于输入的去噪特征图进行融合，输出最终的特征图。
12、进一步地，所述特征提取层包括通道注意力模块和空间注意力模块，
13、其中：
14、通道注意力模块，用于对通过卷积变换后的特征进行权重学习；
15、空间注意力模块，用于获得空间权重。
16、进一步地，所述多尺度降噪层基于五级金字塔，采用五个并行的全局池化层将输入的特征图降采样为不同大小的多个特征图，再通过双线性内插法将多个特征图上采样到相同大小，最后将相同大小的特征图依次连接，输出最终的多尺度去噪特征图。
17、进一步地，所述特征融合层包括内核选择模块，用于为不同通道选择大小不同的内核，并根据内核计算出最终的特征图。
18、进一步地，步骤3的具体实现包括：
19、步骤31：将输入的isar图像输入到通道注意力模块，得到通道特征，再将通道特征进行全局平均池化操作和全局最大池化操作，并将处理后的通道特征输入到空间注意力模块；
20、步骤32：空间注意力模块通过一个7*7的卷积层获得空间权重，根据空间权重得到空间特征，将通道特征和空间特征合并后输入到多尺度去噪层；
21、步骤33：多尺度去噪层通过并行的5个全局池化层对输入的特征图进行降采样，得到5个不同大小的去噪特征，再通过双线性内插法将5个去噪特征上采样到相同大小，并将得到的相同大小的去噪特征依次连接，输出多尺度去噪特征图；
22、步骤34：将多尺度去噪特征图输入到内核选择模块，先通过式(1)获取所有分支的信息：
23、
24、其中，u′∈rh×w×c、u″∈rh×w×c和u″′∈rh×w×c为经过不同大小卷积核后的特征图；
25、步骤35：通过一个全局平均层和两个全连接层对u进行收缩和扩展，输出α′∈r1×1×c、β′∈r1×1×c和γ′∈r1×1×c；
26、步骤36：基于α′、β′、γ′，通过式(2)进行softmax操作：
27、
28、其中，kc表示第c个元素的softmax的值；α′，β′和γ′表示注意力向量；α'c、β′c和γ′c分别是；α′，β′和γ′的第c个元素；
29、步骤37：通过式(3)计算得到最终的特征图vc：
30、vc＝αc'·u′+β'c·u″+γc'·u″′ (3)
31、其中，αc'+βc'+γc'＝1且v＝[v1,v2,...,vc],vc∈rh×w。
32、基于神经网络的isar图像降噪系统，其特征在于，包括isar图像获取模块、双层注意力降噪模型构建模块、去噪处理模块以及输出模块；
33、isar图像获取模块，用于获取待检测的isar图像；
34、双层注意力降噪模型构建模块，用于建立双层注意力降噪网络；
35、去噪处理模块，用于将待检测的isar图像输入到双层注意力降噪网络中进行去噪处理；
36、输出模块，用于输出降噪后的isar图像。
37、一种电子设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求6所述的基于神经网络的isar图像降噪方法。
38、一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1所述的基于神经网络的is本文档来自技高网...
【技术保护点】
1.一种基于神经网络的ISAR图像降噪方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于神经网络的ISAR图像降噪方法，其特征在于，步骤2建立的双层注意力降噪网络包括依次连接的特征提取层、多尺度降噪层和特征融合层；
3.如权利要求2所述的基于神经网络的ISAR图像降噪方法，其特征在于，所述特征提取层包括通道注意力模块和空间注意力模块，其中：
4.如权利要求3所述的基于神经网络的ISAR图像降噪方法，其特征在于，所述多尺度降噪层基于五级金字塔，采用五个并行的全局池化层将输入的特征图降采样为不同大小的多个特征图，再通过双线性内插法将多个特征图上采样到相同大小，最后将相同大小的特征图依次连接，输出最终的多尺度去噪特征图。
5.如权利要求4所述的基于神经网络的ISAR图像降噪方法，其特征在于，所述特征融合层包括内核选择模块，用于为不同通道选择大小不同的内核，并根据内核计算出最终的特征图。
6.如权利要求3所述的基于神经网络的ISAR图像降噪方法，其特征在于，步骤3的具体实现包括：
7.基于神经网络的ISAR
8.一种电子设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求6所述的基于神经网络的ISAR图像降噪方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1所述的基于神经网络的ISAR图像降噪方法。
...【技术特征摘要】
1.一种基于神经网络的isar图像降噪方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于神经网络的isar图像降噪方法，其特征在于，步骤2建立的双层注意力降噪网络包括依次连接的特征提取层、多尺度降噪层和特征融合层；
3.如权利要求2所述的基于神经网络的isar图像降噪方法，其特征在于，所述特征提取层包括通道注意力模块和空间注意力模块，其中：
4.如权利要求3所述的基于神经网络的isar图像降噪方法，其特征在于，所述多尺度降噪层基于五级金字塔，采用五个并行的全局池化层将输入的特征图降采样为不同大小的多个特征图，再通过双线性内插法将多个特征图上采样到相同大小，最后将相同大小的特征图依次连接，输出最终的多尺度去噪特征图。
5.如权利要求4所述的基于神经网络的isar图像降噪方法，其特征在于，所述特征融合层包括内...
【专利技术属性】
技术研发人员：徐嘉华，张小宽，宗彬锋，王赵隆，李宁辉，吕帆，戴斌泉，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。