CN111145102A - 一种基于卷积神经网络的合成孔径雷达图像去噪方法 - Google Patents

一种基于卷积神经网络的合成孔径雷达图像去噪方法 Download PDF

Info

Publication number
CN111145102A
CN111145102A CN201911163279.4A CN201911163279A CN111145102A CN 111145102 A CN111145102 A CN 111145102A CN 201911163279 A CN201911163279 A CN 201911163279A CN 111145102 A CN111145102 A CN 111145102A
Authority
CN
China
Prior art keywords
neural network
image
convolutional neural
activation function
layer
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.)
Withdrawn
Application number
CN201911163279.4A
Other languages
English (en)
Inventor
陈椿元
胡源源
刘巧煜
申仕煜
陶诗飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201911163279.4A priority Critical patent/CN111145102A/zh
Publication of CN111145102A publication Critical patent/CN111145102A/zh
Withdrawn legal-status Critical Current

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于卷积神经网络的合成孔径雷达图像去噪方法。方法为：首先搭建基于参数可学习激活函数的卷积神经网络模型；然后选取训练集，并设置参数可学习激活函数的卷积神经网络模型的训练参数；接着根据数可学习激活函数的卷积神经网络模型及其训练参数，使用均方误差MSE和总变分损失函数TV Loss作为损失函数，并以端到端训练参数可学习激活函数的卷积神经网络图像去噪模型；最后将待处理的图像输入到基于参数可学习激活函数的卷积神经网络的图像去噪模型中，得到去噪后的图像。本发明增强了神经网络的学习能力，建立了带噪声的合成孔径雷达图像到无噪声图像的准确映射，提高了合成孔径雷达图像去噪的效果。

Description

一种基于卷积神经网络的合成孔径雷达图像去噪方法
技术领域
本发明涉及合成孔径雷达图像处理技术领域，特别是一种基于卷积神经网络的合成孔径雷达图像去噪方法。
背景技术
合成孔径雷达(SAR)以其独特的全天候成像能力，已成为一项重要的遥感技术，然而经常受到散斑噪声等强乘性噪声的影响，严重阻碍了合成孔径雷达(SAR)图像的解译过程。因此在进一步的图像处理中，抑制SAR图像的斑点噪声是必不可少的一步。
从电磁理论角度来看，SAR图像可以看作是雷达波与目标散射相互作用的结果，包含着目标的散射信息。其中，形成的乘性散斑噪声可以建模为：y＝x*n，式中y表示散斑图像，x表示无噪声图像，n表示散斑噪声。从图像的本身结构来看，它包含了大规模的结构信息，在一定程度上可以由先验信息和场景的高水平理解能力直接解释。因此，基于SAR图像统计特性的乘积模型，研究者提出了各种先进的重构算法。除了传统的PPB以及SAR-BM3D等方法外，也探讨过将卷积神经网络(CNN)应用于SAR图像去噪的可行性，但是往往忽略图像的边缘信息，或者以像素失真为代价来保留图片边缘信息。
发明内容
本发明的目的在于提供一种神经网络的学习能力强、方法简单、去噪效果好的基于卷积神经网络的合成孔径雷达图像去噪方法。
实现本发明目的的技术解决方案为：一种基于卷积神经网络的合成孔径雷达图像去噪方法，包括以下步骤：
步骤1、搭建基于参数可学习激活函数的卷积神经网络模型；
步骤2、选取训练集，将训练集进行缩放和旋转操作，并设置参数可学习激活函数的卷积神经网络模型的训练参数；
步骤3、根据参数可学习激活函数的卷积神经网络模型及其训练参数，使用均方误差MSE和总变分损失函数TV Loss作为损失函数，并以端到端的方式训练基于参数可学习激活函数的卷积神经网络的图像去噪模型；
步骤4、将待处理的图像输入到基于参数可学习激活函数的卷积神经网络的图像去噪模型中，得到去噪后的图像。
进一步地，步骤1所述的搭建基于参数可学习激活函数的卷积神经网络模型，具体如下：
噪声图像首先经过单个普通卷积层加ReLU激活函数，然后由多个卷积层与参数可学习激活函数层进行串联，接着经过一层普通卷积层和ReLU激活函数，再利用跳跃连接将噪声图像与最后一层输出结果进行相除操作，最后进行双曲正切变换得到去噪图像。
进一步地，所述的参数可学习激活函数层，具体如下：
首先在普通卷积层输出yk之后加上ReLU激活函数层，然后添加深度可分离卷积层，输出为hk，关系式为：
hk＝Sk·yk
其中，Sk表示深度可分离卷积；
接着将输出的hk进行双曲正切变换使权重映射在[0,1]之间变化，设进行双曲正切变换后的结果为tk，最后将普通卷积层的输出yk与tk进行相乘操作。
进一步地，所述的多个卷积层，包括8个卷积核大小为3×3的普通卷积层以及6个卷积核大小为9×9的深度可分离卷积层。
进一步地，步骤2中所述的训练集，包括多张噪声图像和相应的无噪声图像。
进一步地，步骤3中所述的损失函数，具体为：
Figure BDA0002285763880000021
其中，系数λtv＝2×10-8，β＝2；L表示所采用的损失函数，MSE为均方误差；i、j分别表示图像行号、列号，xi,j-1表示第i行，第j-1列元素。
本发明与现有技术相比，其显著优点为：(1)基于卷积神经网络的学***滑。
附图说明
图1是本发明基于卷积神经网络的合成孔径雷达图像去噪方法的流程示意图。
图2是本发明中基于参数可学习激活函数的流程框图。
图3是本发明中基于参数可学习激活函数的卷积神经网络和跳跃连接的SAR图像去噪模型的流程示意图。
图4是本发明实施例中对图形的处理过程示意图，其中(a)为原始图，(b)为带噪声图，(c)为去噪后的图。
具体实施方式
本发明基于卷积神经网络的合成孔径雷达图像去噪方法，包括以下步骤：
步骤1、搭建基于参数可学习激活函数的卷积神经网络模型；
步骤2、选取训练集，将训练集进行缩放和旋转操作，并设置参数可学习激活函数的卷积神经网络模型的训练参数；
步骤3、根据参数可学习激活函数的卷积神经网络模型及其训练参数，使用均方误差MSE和总变分损失函数TV Loss作为损失函数，并以端到端的方式训练基于参数可学习激活函数的卷积神经网络的图像去噪模型；
步骤4、将待处理的图像输入到基于参数可学习激活函数的卷积神经网络的图像去噪模型中，得到去噪后的图像。
进一步地，步骤1所述的搭建基于参数可学习激活函数的卷积神经网络模型，具体如下：
噪声图像首先经过单个普通卷积层加ReLU激活函数，然后由多个卷积层与参数可学习激活函数层进行串联，接着经过一层普通卷积层和ReLU激活函数，再利用跳跃连接将噪声图像与最后一层输出结果进行相除操作，最后进行双曲正切变换得到去噪图像。
进一步地，所述的参数可学习激活函数层，具体如下：
首先在普通卷积层输出yk之后加上ReLU激活函数层，然后添加深度可分离卷积层，输出为hk，关系式为：
hk＝Sk·yk
其中，Sk表示深度可分离卷积；
接着将输出的hk进行双曲正切变换使权重映射在[0,1]之间变化，设进行双曲正切变换后的结果为tk，最后将普通卷积层的输出yk与tk进行相乘操作。
进一步地，所述的多个卷积层，包括8个卷积核大小为3×3的普通卷积层以及6个卷积核大小为9×9的深度可分离卷积层。
进一步地，步骤2中所述的训练集，包括多张噪声图像和相应的无噪声图像。
进一步地，步骤3中所述的损失函数，具体为：
Figure BDA0002285763880000041
其中，系数λtv＝2×10-8，β＝2；L表示所采用的损失函数，MSE为均方误差；i、j分别表示图像行号、列号，xi,j-1表示第i行，第j-1列元素。
下面结合附图对本发明作一步详细描述。
实施例
结合图1，本发明基于卷积神经网络的合成孔径雷达图像去噪方法，包括以下步骤：
步骤1、搭建基于参数可学习激活函数的卷积神经网络模型，具体如下：
噪声图像首先经过单个普通卷积层加ReLU激活函数，然后由多个卷积层与提出的激活函数层进行串联，接着经过一层普通卷积层和ReLU激活函数，再利用跳跃连接将噪声图像与最后一层输出结果进行相除操作，最后进行双曲正切变换得到去噪图像。；
进一步地，所述的参数可学习激活函数层，具体如下：
首先在普通卷积层输出yk之后加上ReLU激活函数层，然后添加深度可分离卷积层，输出为hk,关系式为：
hk＝Sk·yk
其中，Sk表示深度可分离卷积；
接着将输出的hk进行双曲正切变换，使权重映射在[0,1]之间变化，设进行双曲正切变换后的结果为tk，最后将普通卷积层的输出yk与tk相乘操作。
进一步地，所述的多个卷积层，包括8个卷积核大小为3×3的普通卷积层以及6个卷积核大小为9×9的深度可分离卷积层。
步骤2、选取训练集，将训练集进行缩放和旋转操作，并设置参数可学习激活函数的卷积神经网络模型的训练参数；
本发明选取光学遥感图像领域的400张图像作为训练集，每张图像分别有对应的噪声图像和无噪声图像；首先对400张图像进行缩放及图像数据增强操作，获得1600张图像；然后对训练集进行归一化操作，使图像像素值保持在0-1之间，加快收敛速度；最后设置模型的训练参数，设置padding为SAME，保证卷积层前后图像大小一致，图像深度设为1，表示灰度图的去噪。
步骤3、根据参数可学习激活函数的卷积神经网络模型及其训练参数，使用MSE和TV Loss作为损失函数，并以端到端的方式训练基于参数可学习激活函数的卷积神经网络的图像去噪模型；
其中损失函数为：
Figure BDA0002285763880000051
其中，系数λtv＝2×10-8，β＝2；L表示所采用的损失函数，MSE为均方误差；i、j分别表示图像行号、列号，xi,j-1表示第i行，第j-1列元素。
在本发明中，最小化损失函数采用Adam优化方法。
步骤4、将待处理的图像输入到基于参数可学习激活函数的卷积神经网络的图像去噪模型中，得到去噪后的图像。
用合成的SAR图像进行测试，如图4所示，图4(a)为原始图像，图4(b)为带噪声图像，也就是合成的SAR图像，图4(c)为去噪后的图像。
本发明增强了神经网络的学习能力，建立了带噪声的合成孔径雷达图像到无噪声图像的准确映射，提高了合成孔径雷达图像去噪的效果。

Claims (6)

1.一种基于卷积神经网络的合成孔径雷达图像去噪方法，其特征在于，包括以下步骤：
步骤1、搭建基于参数可学习激活函数的卷积神经网络模型；
步骤2、选取训练集，将训练集进行缩放和旋转操作，并设置参数可学习激活函数的卷积神经网络模型的训练参数；
步骤3、根据参数可学习激活函数的卷积神经网络模型及其训练参数，使用均方误差MSE和总变分损失函数TV Loss作为损失函数，并以端到端的方式训练基于参数可学习激活函数的卷积神经网络的图像去噪模型；
步骤4、将待处理的图像输入到基于参数可学习激活函数的卷积神经网络的图像去噪模型中，得到去噪后的图像。
2.根据权利要求1所述的基于卷积神经网络的合成孔径雷达图像去噪方法，其特征在于，步骤1所述的搭建基于参数可学习激活函数的卷积神经网络模型，具体如下：
噪声图像首先经过单个普通卷积层加ReLU激活函数，然后由多个卷积层与参数可学习激活函数层进行串联，接着经过一层普通卷积层和ReLU激活函数，再利用跳跃连接将噪声图像与最后一层输出结果进行相除操作，最后进行双曲正切变换得到去噪图像。
3.根据权利要求1或2所述的基于卷积神经网络的合成孔径雷达图像去噪方法，其特征在于，所述的参数可学习激活函数层，具体如下：
首先在普通卷积层输出yk之后加上ReLU激活函数层，然后添加深度可分离卷积层，输出为hk，关系式为：
hk＝Sk·yk
其中，Sk表示深度可分离卷积；
接着将输出的hk进行双曲正切变换使权重映射在[0，1]之间变化，设进行双曲正切变换后的结果为tk，最后将普通卷积层的输出yk与tk进行相乘操作。
4.根据权利要求2所述的基于卷积神经网络的合成孔径雷达图像去噪方法，其特征在于，所述的多个卷积层，包括8个卷积核大小为3×3的普通卷积层以及6个卷积核大小为9×9的深度可分离卷积层。
5.根据权利要求4所述的基于卷积神经网络的合成孔径雷达图像去噪方法，其特征在于，步骤2中所述的训练集，包括多张噪声图像和相应的无噪声图像。
6.根据权利要求1所述的基于卷积神经网络的合成孔径雷达图像去噪方法，其特征在于，步骤3中所述的损失函数，具体为：
Figure FDA0002285763870000021
其中，系数λtv＝2×10-8，β＝2；L表示所采用的损失函数，MSE为均方误差；i、j分别表示图像行号、列号，xi，j-1表示第i行，第j-1列元素。
CN201911163279.4A 2019-11-22 2019-11-22 一种基于卷积神经网络的合成孔径雷达图像去噪方法 Withdrawn CN111145102A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911163279.4A CN111145102A (zh) 2019-11-22 2019-11-22 一种基于卷积神经网络的合成孔径雷达图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911163279.4A CN111145102A (zh) 2019-11-22 2019-11-22 一种基于卷积神经网络的合成孔径雷达图像去噪方法

Publications (1)

Publication Number Publication Date
CN111145102A true CN111145102A (zh) 2020-05-12

Family

ID=70516613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911163279.4A Withdrawn CN111145102A (zh) 2019-11-22 2019-11-22 一种基于卷积神经网络的合成孔径雷达图像去噪方法

Country Status (1)

Country Link
CN (1) CN111145102A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819742A (zh) * 2021-02-05 2021-05-18 武汉大学 一种基于卷积神经网络的事件场合成孔径成像方法
CN113177465A (zh) * 2021-04-27 2021-07-27 江苏科技大学 基于深度可分离卷积神经网络的sar图像自动目标识别方法
CN113506233A (zh) * 2021-07-08 2021-10-15 西安电子科技大学 基于深度学习的sar自聚焦方法
CN113850269A (zh) * 2021-12-01 2021-12-28 西南石油大学 一种基于多分支选择性内核嵌套连接残差网络的方法
CN116430347A (zh) * 2023-06-13 2023-07-14 成都实时技术股份有限公司 一种雷达数据采集与存储方法
CN116681618A (zh) * 2023-06-13 2023-09-01 强联智创（北京）科技有限公司 图像去噪方法、电子设备及存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819742A (zh) * 2021-02-05 2021-05-18 武汉大学 一种基于卷积神经网络的事件场合成孔径成像方法
CN112819742B (zh) * 2021-02-05 2022-05-13 武汉大学 一种基于卷积神经网络的事件场合成孔径成像方法
CN113177465A (zh) * 2021-04-27 2021-07-27 江苏科技大学 基于深度可分离卷积神经网络的sar图像自动目标识别方法
CN113506233A (zh) * 2021-07-08 2021-10-15 西安电子科技大学 基于深度学习的sar自聚焦方法
CN113506233B (zh) * 2021-07-08 2024-04-19 西安电子科技大学 基于深度学习的sar自聚焦方法
CN113850269A (zh) * 2021-12-01 2021-12-28 西南石油大学 一种基于多分支选择性内核嵌套连接残差网络的方法
CN116430347A (zh) * 2023-06-13 2023-07-14 成都实时技术股份有限公司 一种雷达数据采集与存储方法
CN116430347B (zh) * 2023-06-13 2023-08-22 成都实时技术股份有限公司 一种雷达数据采集与存储方法
CN116681618A (zh) * 2023-06-13 2023-09-01 强联智创（北京）科技有限公司 图像去噪方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110599409B (zh) 基于多尺度卷积组与并行的卷积神经网络图像去噪方法
CN111145102A (zh) 一种基于卷积神经网络的合成孔径雷达图像去噪方法
CN108510485B (zh) 一种基于卷积神经网络的无参照图像质量评估方法
CN106204468B (zh) 一种基于ReLU卷积神经网络的图像去噪方法
CN107123089B (zh) 基于深度卷积网络的遥感图像超分辨重建方法及***
CN110045419B (zh) 一种感知器残差自编码网络地震资料去噪方法
CN109087273B (zh) 基于增强的神经网络的图像复原方法、存储介质及***
CN109961396B (zh) 一种基于卷积神经网络的图像超分辨率重建方法
CN112184577B (zh) 基于多尺度自注意生成对抗网络的单幅图像去雾方法
CN111553867B (zh) 一种图像去模糊方法、装置、计算机设备及存储介质
CN110060286B (zh) 一种单目深度估计方法
JP7353803B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN111738954B (zh) 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法
CN110930327A (zh) 基于级联深度残差网络的视频去噪方法
CN111932452B (zh) 基于可见光图像增强的红外图像卷积神经网络超分辨方法
CN115526779A (zh) 一种基于动态注意力机制的红外图像超分辨率重建方法
CN116757986A (zh) 一种红外与可见光图像融合方法及装置
CN109034070B (zh) 一种置换混叠图像盲分离方法及装置
CN113129300A (zh) 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质
CN117422653A (zh) 一种基于权重共享和迭代数据优化的低光照图像增强方法
CN110717913B (zh) 一种图像分割方法及装置
CN117333359A (zh) 基于可分离卷积网络的山水画图像超分辨率重建方法
CN113256528B (zh) 基于多尺度级联深度残差网络的低照度视频增强方法
CN115223033A (zh) 一种合成孔径声呐图像目标分类方法及***
CN115311149A (zh) 图像去噪方法、模型、计算机可读存储介质及终端设备

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200512

WW01 Invention patent application withdrawn after publication