基于深度学习的遥感图像复合噪声去除方法技术

本发明专利技术涉及一种基于深度学习的遥感图像复合噪声去除方法，属于图像识别领域。将遥感图像原始图片输入噪声识别分类网络进行噪声类型识别分类，得到单类噪声图像或混合噪声图像以及其对应的噪声类型；将单类噪声图像输入对应的训练完成的单一噪声去噪模型进行去噪得到最终去噪图像；将混合噪声图像按照其噪声类型数量进行复制，并分别将复制后的混合噪声图像输入对应的单一噪噪声去噪模型得到多张部分噪声去噪图像；根据部分噪声去噪图像对去噪后的图像背景和其余噪声信息进行调整，得到初步去噪图像；通过离散小波变换和逆离散小波变换对初步去噪图像进行重组得到最终去噪图像。本发明专利技术能够对混合噪声进行分类和去噪，且尽量保留图像细节信息。

【技术实现步骤摘要】

本专利技术属于图像识别领域，涉及一种基于深度学习的遥感图像复合噪声去除方法。

技术介绍

1、遥感图像在成像过程中经常受到多种噪声污染，包括传感器本身的噪声、大气扰动、地表特征对光线的影响、数字信号处理中的误差以及数据传输和存储过程中的错误因素等。由于这些噪声的存在，会严重影响相关的图像视觉任务的性能，所以去噪是图像处理中十分重要的环节。其中常见的噪声模型包括高斯噪声、脉冲噪声、泊松噪声、条带噪声等。

2、根据过去数十年遥感图像去噪的方法和技术，可以将遥感图像去噪算法分为传统算法和基于深度学习的算法。传统算法通常基于数学模型和统计方法，包括滤波、小波变换、边缘保持等技术。其中，常见的滤波方法有均值滤波、中值滤波、高斯滤波等。这些方法通过对图像进行像素级的处理尝试去除噪声并保留图像细节。基于深度学习的算法则是利用深度学习神经网络模型来学习图像去噪的特征表示。2017年，提出的dncnn网络是最早应用于图像去噪中的深度学习算法，相比于传统算法，去噪速度、效果和泛化能力有很大提升；2018年，提出的ffdnet网络，通过引入逐级反馈机制和可变权重的策略本文档来自技高网...

【技术保护点】

1.一种基于深度学习的遥感图像复合噪声去除方法，其特征在于：所述方法包括以下步骤：

2.根据权利要求1所述的基于深度学习的遥感图像复合噪声去除方法，其特征在于：在步骤S1中，噪声识别分类网络以卷积层+ReLU和最大池化的组合对图像进行特征提取和降维，通过全连接层得到类别张量，最后通过Sigmoid函数对数值归一化以代表各类噪声概率，通过阈值判断噪声是否存在；

3.根据权利要求2所述的基于深度学习的遥感图像复合噪声去除方法，其特征在于：在步骤S1中，所述噪声识别分类网络识别出的图像噪声类型至少包括高斯噪声、椒盐噪声、条带噪声。

4.根据权利要求3所述的基...

【技术特征摘要】

1.一种基于深度学习的遥感图像复合噪声去除方法，其特征在于：所述方法包括以下步骤：

2.根据权利要求1所述的基于深度学习的遥感图像复合噪声去除方法，其特征在于：在步骤s1中，噪声识别分类网络以卷积层+relu和最大池化的组合对图像进行特征提取和降维，通过全连接层得到类别张量，最后通过sigmoid函数对数值归一化以代表各类噪声概率，通过阈值判断噪声是否存在；

3.根据权利要求2所述的基于深度学习的遥感图像复合噪声去除方法，其特征在于：在步骤s1中，所述噪声识别分类网络识别出的图像噪声类型至少包括高斯噪声、椒盐噪声、条带噪声。

4.根据权利要求3所述的基于深度学习的遥感图像复合噪声去除方法，其特征在于：在步骤s2中，去噪网络模型至少分为上网络和下网络，其中，上网络层的第1-12层中的第1层为可变形卷积层deformable conv+lrelu，第2-12层为conv+bn+lrelu卷积层，第1-12层用于提取噪声特征；第13-16层中的第13层为膨胀卷积层di...

【专利技术属性】
技术研发人员：邓天民，代永康，唐将，杨泽宇，邓天清，丁元浩，刘宇莘，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：