CN110674930A - 一种基于学习下采样和跳跃连接网络sar图像去噪方法 - Google Patents
一种基于学习下采样和跳跃连接网络sar图像去噪方法 Download PDFInfo
- Publication number
- CN110674930A CN110674930A CN201910927416.0A CN201910927416A CN110674930A CN 110674930 A CN110674930 A CN 110674930A CN 201910927416 A CN201910927416 A CN 201910927416A CN 110674930 A CN110674930 A CN 110674930A
- Authority
- CN
- China
- Prior art keywords
- image
- sar
- learning
- downsampling
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005070 sampling Methods 0.000 title claims description 11
- 238000012549 training Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000002441 reversible effect Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 230000008034 disappearance Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 101001013832 Homo sapiens Mitochondrial peptide methionine sulfoxide reductase Proteins 0.000 claims description 3
- 102100031767 Mitochondrial peptide methionine sulfoxide reductase Human genes 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 abstract description 3
- 208000001840 Dandruff Diseases 0.000 abstract 1
- 238000013507 mapping Methods 0.000 abstract 1
- 230000001629 suppression Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011438 discrete method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于学习下采样和跳跃连接网络SAR图像去噪方法,利用学习下采样和跳跃连接网络(SAR‑DSCN)实现噪声图像和干净SAR图像之间非线性端到端映射。将跳跃连接网络添加到去噪模型中,以保持图像的细节和减少消失梯度问题。采用下采样也可以有效地扩展接收域。在SAR图像上的大量实验表明,该方法比目前最先进的散斑抑制方法具有更好的性能,速度比传统方法更快。结果表明,SAR‑DSCN的有效性和高效性使其在SAR图像去屑处理中的应用具有一定的吸引力。
Description
技术领域
本发明涉及SAR图像去噪的技术领域,具体涉及一种基于学习下采样和跳跃连接网络SAR图像去噪方法。
背景技术
合成孔径雷达(SAR)是一种主动相干微波雷达,能产生高空间分辨率的图像。它具有全天候、昼夜成像、高分辨率等特点,在遥感领域具有重要的应用价值,在军事和民用领域发挥着重要作用。然而,在相干辐射下,原始图像具有后向散射系数,且在同一区域内颗粒噪声均匀,即散斑噪声。它是由每个分辨率单元内的smal反射器散射的相干回波的建设性和破坏性干扰引起的。SAR图像中散斑噪声的存在,常常给计算机视觉***和人类解释器的处理和解释带来困难。因此,去除斑点噪声是预处理中的一项关键任务,是后续图像处理中分割、检测和分类不可缺少的一部分。
现有的SAR图像去噪的解决方案主要有:采用空域滤波和频域滤波的传统方法、基于小波变换的图像去噪方法,基于多尺度几何分析方法。然而,上述的几种图像去噪方案均存在各自的缺陷:
对于空域去噪算法来说,其能较好地抑制噪声,而且能保存纹理信息、边缘、线性特征和点目标响应。然而,由于局部处理的特点,空间线性滤波方法往往不能完整地保留边缘和细节。其存在以下不足:1)无法保持平均值,特别是对于等效的SAR图像的视程(ENL)较小;2)强反射的点、小的地表特征等特定目标容易被模糊或擦除;3)黑暗场景中的斑点噪声未被去除。
对于频域去噪算法来说,频域图像去噪则因为振铃现象,常常会模糊掉边缘和部分高频纹理信息,这些信息在经过频域变换映射时被丢失,让图像损失部分的高频信息。
基于小波变换的图像去噪方法,其假设噪声主要存在于高频小波分量中,通过对变换域的小波系数进行滤波来消除噪声,该方法在降低加性高斯白噪声方面是非常成功的。为了将小波变换应用于SAR去噪,通常采用对数变换将散斑噪声转化为高斯噪声。然而,对数运算在去噪后往往会使SAR图像的辐射特性发生畸变。
对于多尺度几何分析方法,其中轮廓波和剪切波在图像去噪中应用最为广泛。轮廓波不仅具有足够的方向性,而且保持了小波的多尺度特性和时频局域特性。但轮廓波变换是基于离散方法的,不符合多分辨率分析(MRA)理论,数学理论分析存在各种困难。剪切波具有轮廓线的优点,克服了其缺点。Shearlet变换不仅在理论上符合MRA,而且可以对图像进行稀疏表示,生成最优逼近,因此可以用于边缘提取、目标检测等图像处理任务。在实现灵活的方向选择性的同时,Shearlet变换更容易实现。然而,它也有一些缺点,如平移鲁棒性差和边缘伪吉布斯失真。
发明内容
本发明所要解决的问题是:提供一种基于学习下采样和跳跃连接网络SAR图像去噪方法,能够在不同散斑等级的环境下性能表现优良、且在不牺牲去斑性能的前提下提高算法的速度以及在控制噪声降低和细节保存之间的权衡时,不引入任何视觉伪影。
本发明为解决上述问题所提供的技术方案为:一种基于学习下采样和跳跃连接网络SAR图像去噪方法,所述方法包括以下步骤,
S1:搭建由可逆下采样、噪声估计部分和上采样组成的整体深度卷积神经网络模型,神经网络最后的输出与源图像相加,构成残差学习层;
S2:选取训练集,并设置步骤S1中深度卷积神经网络模型的学习速率,衰减速率,训练次数;
S3:根据步骤S2中设置的超参数和步骤S1中深度卷积神经网络的结构,设定损失函数;
S4:采用随机梯度下降算法,不断最小化步骤S3中设定的损失函数,得到新的深度卷积神经网络模型;
S5:将SAR噪声图像输入到步骤S4最后得到的新的深度卷积神经网络模型中,输出去噪后的SAR图像。
优选的,所述步骤S1搭建的整体深度卷积神经网络模型中的可逆下采样将输入的源图像重构成四个大小为源图像四分之一的子图像,作为CNN的输入,可以有效的扩展接收域,从而提高算法速率。
优选的,所述步骤S1搭建的整体深度卷积神经网络模型中的噪声估计部分由12个卷积层以及批量归一化和ReLU激活函数组成,利用跳跃连接结构可以将前一层的特征信息传递到后一层,从而可以维护图像细节,避免或减少深度网络中梯度消失的问题。
优选的,输出的子图像减去估计的散斑噪声,得到去噪后的子图像。
优选的,所述去噪后的子图像通过上采样得到去噪后的图像。
优选的,所述步骤S2中的训练集是通过向干净的数据集中添加不同等级散斑,从而得到含噪等级不同的SAR图像训练集,且包含的噪声图像以步长为128分割成40X40的噪声图像块。
优选的,所述步骤S3中的损失函数为欧氏距离函数:
式中,Θ表示网络结构参数,N为样本总数,Yi和Xi为所述训练集中图像的斑点图像和原始图像。
优选的,所述步骤S4中的网络模型的权值初始化使用MSRA算法生成,随机梯度下降算法使用其改进的Adam优化算法。
与现有技术相比,本发明的优点是:
1、搭建的整体深度卷积神经网络模型中的可逆下采样将输入的源图像重构成四个大小为源图像四分之一的子图像,作为CNN的输入,可以有效的扩展接收域,从而提高算法速率。
2、所述步骤S1搭建的整体深度卷积神经网络模型中的噪声估计部分由12个卷积层(以及批量归一化和ReLU激活函数)组成,利用跳跃连接结构可以将前一层的特征信息传递到后一层,从而可以维护图像细节,避免或减少深度网络中梯度消失的问题。
3、增加了残差学习,通过多层网络后可以获得更好的学习效果,快速减少训练损耗。并且,残差学习可以有效地在非直接连接的层之间传输不同层次的特征信息,且无衰减。残差学习可以将梯度下降过程转化为一个光滑得多的超表面损失到滤波参数。因此,寻找一个接近于网络参数最优的分配变得更快更容易,允许我们向网络添加更多可训练的层,并提高其性能。利用残差单元的学习过程,通过更深层次、内在的线性特征提取和表达,更容易逼近原始的乘性散斑噪声,可以更好地减弱光学图像与SAR图像之间的距离差。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明一种基于学习下采样和跳跃连接网络SAR图像去噪方法的流程框图。
图2为跳跃连接结构
图3为图像去噪的网络结构。
图4为不同方法在L=4情况下飞机场景的去噪效果图(a)原始图像(b)斑点图像(c)frost-filter.(d)Shearlet.(e)SAR-DM3D.(f)SAR-DRN.(g)SAR-DSCN;
图5为不同方法在L=4情况下建筑物场景的去噪效果图(a)原始图像(b)斑点图像(c)frost-filter.(d)Shearlet.(e)SAR-DM3D.(f)SAR-DRN.(g)SAR-DSCN;
图6为不同方法在L=4情况下体育场场景的去噪效果图(a)原始图像(b)斑点图像(c)frost-filter.(d)Shearlet.(e)SAR-DM3D.(f)SAR-DRN.(g)SAR-DSCN。
具体实施方式
以下将配合附图及实施例来详细说明本发明的实施方式,藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
如图1所示,一种基于学习下采样和跳跃连接网络SAR图像去噪方法,包括以下步骤:
S1:搭建由可逆下采样、噪声估计部分和上采样组成的整体深度卷积神经网络模型,神经网络最后的输出与源图像相加,构成残差学习层;
搭建的整体深度卷积神经网络模型中的可逆下采样将输入的源图像重构成四个大小为源图像四分之一的子图像,作为CNN的输入,可以有效的扩展接收域,从而提高算法速率。噪声估计部分由12个卷积层(以及批量归一化和ReLU激活函数)组成,更具体地说,第一个卷积层采用“Conv+ReLU”,中间层采用“Conv+BN+ReLU”,最后一个卷积层采用“Conv”。填充为零,以确保每一层的输出与输入图像的尺寸相同,同时利用跳跃连接结构(如图2所示)可以将前一层的特征信息传递到后一层,从而可以维护图像细节,避免或减少深度网络中梯度消失的问题。利用上采样将去噪后的子图像还原。
S2:选取训练集,并设置步骤S1中深度卷积神经网络模型的学习速率,衰减速率,训练次数;
本实例为了训练SAR-DSCN模型,准备一个输入-输出对的训练数据集。式中,Y通过向潜像X添加散斑得到(如图3所示)。考虑到没有斑点的SAR图像很难获得,在此使用UC Merced land use dataset作为模拟SAR图像去噪的训练数据集。它包含21个场景类,每个类包含100个图像。所有的图像都被调整到256x256。为了训练提出的SAR-DSCN,我们从这个数据集中选择了400张图像,并将每个图像块的大小设置为40x40。然后裁剪193,664个图像块用于训练SAR-CNN,最小批量大小为128,用于并行计算。将图像的深度设置为1;学习速率设置为0.0001,每次训练时的衰减速率设置为0.0001;每训练500次进行一次测试,观察目前模型的效果和修正的参数值,总共迭代训练1000000次。
S3:根据步骤S2中设置的超参数和步骤S1中深度卷积神经网络的结构,设定损失函数;
损失函数为欧氏距离函数:
式中,Θ表示网络结构参数,N为样本总数,Yi和Xi为所述训练集中图像的斑点图像和原始图像。
S4:使用随机梯度下降算法,不断最小化步骤S3中设定的损失函数,得到新的深度卷积神经网络模型;
在本实施例中,优化网络结构的算法选用的是Adam,其中Adam优化方法是梯度下降算法的一个改进版,引入了可变的学***均梯度和平均梯度的平方根衰减量。因此能够一定程度地表面梯度下降法收敛于局部最优解的缺陷。其中初始化权值的算法采用了MSRA,避免了因为卷积核尺寸不一样而导致的收敛慢问题。使得生成的权值足够随机,从而更能在一定范围内收敛到最接近全局最优的解。
S5:将含噪图像输入步骤S4最后得到的模型中,输出去噪后的图像。
为了测试所提模型的性能,分别以飞机、建筑和体育场三个类作为仿真图像。在真实SAR图像去噪实验中,我们使用了经典的Frost SAR和Snowberg SAR这两种在真实的SAR数据图像去噪中常用的图像。实验在四种不同的噪声水平1、2、4、8下进行。以峰值信噪比(PSNR)和结构相似度指数(SSIM)作为实验评价指标。通过将SAR-dscn方法与Frost-Filter,、SAR-BM3D、剪切波SAR图像去噪和SAR-DRN进行了比较。并以粗体标出最佳性能。
从表一、表二和表三可以看出,SAR-DSCN模型在四个噪声水平下得到了12个最佳PSNR结果中的11个,以及12个最佳SSIM结果中的8个,本文提出的SAR-DSCN方法总体效果优于其他四种方法。从表四我们可以知道,该方法的平均PSNR值比SAR-CNN方法的值大约0.87dB/1.03dB/1.1dB/2.06dB,从表五我们可以知道,该方法的平均价值SSIM相比于SAR-CNN方法的值在不同噪声水平下大约0.02/0.036/0.039/0.041。结合图4、图5、图6可以看出,本发明提出的方法在定量和视觉评估上都比现有的方法表现出更好的性能,特别是在强散斑噪声下。
表一 在L=1、2、4和8时飞机的PSNR(DB)和SSIM的结果
表二 在L=1、2、4和8时建筑的PSNR(DB)和SSIM的结果
表三 在L=1、2、4和8时体育场的PSNR(DB)和SSIM的结果
表四 在L=1、2、4、8时不同方法在三种不同场景下的平均PSNR(DB)结果
表五 在L=1、2、4、8时不同方法在三种不同场景下的平均SSIM结果
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
以上仅就本发明的最佳实施例作了说明,但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例,其具体结构允许有变化。凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明保护范围内。
Claims (8)
1.一种基于学习下采样和跳跃连接网络SAR图像去噪方法,其特征在于:所述方法包括以下步骤,
S1:搭建由可逆下采样、噪声估计部分和上采样组成的整体深度卷积神经网络模型,神经网络最后的输出与源图像相加,构成残差学习层;
S2:选取训练集,并设置步骤S1中深度卷积神经网络模型的学习速率,衰减速率,训练次数;
S3:根据步骤S2中设置的超参数和步骤S1中深度卷积神经网络的结构,设定损失函数;
S4:采用随机梯度下降算法,不断最小化步骤S3中设定的损失函数,得到新的深度卷积神经网络模型;
S5:将SAR噪声图像输入到步骤S4最后得到的新的深度卷积神经网络模型中,输出去噪后的SAR图像。
2.根据权利要求1所述的一种基于学习下采样和跳跃连接网络SAR图像去噪方法,其特征在于:所述步骤S1搭建的整体深度卷积神经网络模型中的可逆下采样将输入的源图像重构成四个大小为源图像四分之一的子图像,作为CNN的输入,可以有效的扩展接收域,从而提高算法速率。
3.根据权利要求1所述的一种基于学习下采样和跳跃连接网络SAR图像去噪方法,其特征在于:所述步骤S1搭建的整体深度卷积神经网络模型中的噪声估计部分由12个卷积层以及批量归一化和ReLU激活函数组成,利用跳跃连接结构可以将前一层的特征信息传递到后一层,从而可以维护图像细节,避免或减少深度网络中梯度消失的问题。
4.根据权利要求2所述的一种基于学习下采样和跳跃连接网络SAR图像去噪方法,其特征在于:输出的子图像减去估计的散斑噪声,得到去噪后的子图像。
5.根据权利要求4所述的一种基于学习下采样和跳跃连接网络SAR图像去噪方法,其特征在于:所述去噪后的子图像通过上采样得到去噪后的图像。
6.根据权利要求1所述的一种基于学习下采样和跳跃连接网络SAR图像去噪方法,其特征在于:所述步骤S2中的训练集是通过向干净的数据集中添加不同等级散斑,从而得到含噪等级不同的SAR图像训练集,且包含的噪声图像以步长为128分割成40X40的噪声图像块。
8.根据权利要求1所述的一种基于学习下采样和跳跃连接网络SAR图像去噪方法,其特征在于:所述步骤S4中的网络模型的权值初始化使用MSRA算法生成,随机梯度下降算法使用其改进的Adam优化算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910927416.0A CN110674930A (zh) | 2019-09-27 | 2019-09-27 | 一种基于学习下采样和跳跃连接网络sar图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910927416.0A CN110674930A (zh) | 2019-09-27 | 2019-09-27 | 一种基于学习下采样和跳跃连接网络sar图像去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110674930A true CN110674930A (zh) | 2020-01-10 |
Family
ID=69079699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910927416.0A Pending CN110674930A (zh) | 2019-09-27 | 2019-09-27 | 一种基于学习下采样和跳跃连接网络sar图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674930A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114173137A (zh) * | 2020-09-10 | 2022-03-11 | 北京金山云网络技术有限公司 | 视频编码方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120020A (zh) * | 2019-04-30 | 2019-08-13 | 西北工业大学 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
CN110147807A (zh) * | 2019-01-04 | 2019-08-20 | 上海海事大学 | 一种船舶智能识别跟踪方法 |
-
2019
- 2019-09-27 CN CN201910927416.0A patent/CN110674930A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147807A (zh) * | 2019-01-04 | 2019-08-20 | 上海海事大学 | 一种船舶智能识别跟踪方法 |
CN110120020A (zh) * | 2019-04-30 | 2019-08-13 | 西北工业大学 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
Non-Patent Citations (4)
Title |
---|
KAI ZHANG等: "FFDNet:Toward a Fast and Flexible Solution for CNN Based Image Denoising", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
徐曾春等: "基于改进型WGAN的低剂量CT图像去噪方法", 《光学与光电技术》 * |
杜康宁等: "基于多层神经网络的中分辨SAR图像时间序列建筑区域提取", 《雷达学报》 * |
马德娇等: "基于卷积神经网络的SAR图像去噪方法", 《第五届高分辨率对地观测学术年会》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114173137A (zh) * | 2020-09-10 | 2022-03-11 | 北京金山云网络技术有限公司 | 视频编码方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Y-net: Multi-scale feature aggregation network with wavelet structure similarity loss function for single image dehazing | |
JP6057881B2 (ja) | ノイズを含む画素からなる入力画像のノイズを除去する方法 | |
CN109035189B (zh) | 基于柯西模糊函数的红外与弱可见光图像融合方法 | |
CN110517195B (zh) | 无监督sar图像去噪方法 | |
Sulam et al. | Image denoising through multi-scale learnt dictionaries | |
CN103295204B (zh) | 一种基于非下采样轮廓波变换的图像自适应增强方法 | |
CN103020922A (zh) | 基于pca变换的sar图像相干斑抑制方法 | |
Teng et al. | Modified pyramid dual tree direction filter‐based image denoising via curvature scale and nonlocal mean multigrade remnant filter | |
CN104657951A (zh) | 图像乘性噪声移除方法 | |
Kaur et al. | Image de-noising using wavelet transform and various filters | |
Moghimi et al. | Real-time underwater image resolution enhancement using super-resolution with deep convolutional neural networks | |
CN103871031A (zh) | 基于核回归的sar图像相干斑抑制 | |
CN110674930A (zh) | 一种基于学习下采样和跳跃连接网络sar图像去噪方法 | |
Tian et al. | Underwater sonar image denoising through nonconvex total variation regularization and generalized Kullback–Leibler fidelity | |
Santoso et al. | Performance of various speckle reduction filters on Synthetic Aperture Radar image | |
Santosh et al. | Efficient techniques for denoising of speckle and highly corrupted impulse noise images | |
Wang et al. | An edge-preserving adaptive image denoising | |
CN107945142B (zh) | 一种合成孔径雷达图像去噪方法 | |
Stolojescu-Crisan et al. | Denoising and inpainting SONAR images | |
Muthuraman et al. | Contrast improvement on side scan sonar images using retinex based edge preserved technique | |
CN114240990A (zh) | Sar图像点目标分割方法 | |
Lu et al. | Application of improved CNN in SAR image noise reduction | |
Rela et al. | Efficient image enhancement techniques applied on medical imaging-A state-of-the art survey | |
Bhargava et al. | An Effective Method for Image Denoising Using Non-local Means and Statistics based Guided Filter in Nonsubsampled Contourlet Domain. | |
Xia et al. | Low SNR sonar image restoration based on mixed probability statistical model in wavelet domain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200110 |
|
WD01 | Invention patent application deemed withdrawn after publication |