CN110415180B - 一种基于小波卷积神经网络的sar图像去噪方法 - Google Patents
一种基于小波卷积神经网络的sar图像去噪方法 Download PDFInfo
- Publication number
- CN110415180B CN110415180B CN201910498585.7A CN201910498585A CN110415180B CN 110415180 B CN110415180 B CN 110415180B CN 201910498585 A CN201910498585 A CN 201910498585A CN 110415180 B CN110415180 B CN 110415180B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- image
- neural network
- activation function
- feature extraction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims description 61
- 230000004913 activation Effects 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 40
- 238000010586 diagram Methods 0.000 description 10
- 230000001629 suppression Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation 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
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于小波卷积神经网络的SAR图像去噪方法,包括:构建小波卷积神经网络;通过预设训练集对所述小波卷积神经网络进行训练,得到训练后的小波卷积神经网络;通过原始图像和所述训练后的小波卷积神经网络获取去噪图像。本发明提供的一种基于小波卷积神经网络的SAR图像去噪方法,考虑到小波系数能够反映图像的细节,利用多个网络分别预测获取小波系数,然后再进行重建,其结合了卷积神经网络的特征提取能力,在去除图像噪声的同时有效保持了图像的细节信息和结构特性。
Description
技术领域
本发明属于数字图像处理技术领域,具体涉及一种基于小波卷积神经网络的SAR图像去噪方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率成像雷达,可以在能见度极低的气象条件下获得类似光学成像的高分辨雷达图像,在遥感、军事、水文、地矿等领域有着广泛的应用。而SAR成像系统在成像过程中受到随机分布散射体发射波的影响所产生纹斑噪声,会严重影响到SAR图像的解读和辨识。
在现有的SAR图像去噪的方法可分为基于先验概率的去噪方法和基于深度学习的去噪方法两大类。其中,基于先验概率的去噪方法需要选取合适的先验模型,计算量小,但是去噪效果却难以达到理想效果;基于深度学习的去噪方法通过学习大量数据集,具有较强的泛化能力和更好的去噪效果,典型方法有ID-CNN(Wang,Puyang,He Zhang,and VishalM.Patel."SAR image despeckling using a convolutional neural network."IEEESignal Processing Letters 24.12(2017):1763-1767.),SAR-CNN(Chierchia,Giovanni,et al."SAR image despeckling through convolutional neural networks."2017IEEEInternational Geoscience and Remote Sensing Symposium(IGARSS).IEEE,2017.)等。但是,它们目前提取特征的能力还有较大的提升空间,可通过优化设计网络结构以进一步提高深度学习模型的特征提取能力,从而获得更好的去噪效果。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于小波卷积神经网络的SAR图像去噪方法。本发明要解决的技术问题通过以下技术方案实现:
一种基于小波卷积神经网络的SAR图像去噪方法,包括:
构建小波卷积神经网络;
通过预设训练集对所述小波卷积神经网络进行训练,得到训练后的小波卷积神经网络;
通过原始图像和所述训练后的小波卷积神经网络获取去噪图像。
在本发明的一个实施例中,构建小波卷积神经网络,包括:
通过多个第一残差模块构建特征提取子网络;
通过所述特征提取子网络和多条所述小波预测子网络构建所述小波卷积神经网络。
在本发明的一个实施例中,通过多个第一残差模块构建特征提取子网络,包括:
构建所述第一残差模块;
通过多个所述第一残差模块串行连接构建所述特征提取子网络。
在本发明的一个实施例中,所述第一残差模块包括依次连接的第一卷积层、第一激活函数、第二卷积层、第二激活函数、第三卷积层和第三激活函数;其中,所述第一激活函数、所述第二激活函数和所述第三激活函数为Relu线性修正单元;
所述第一残差模块包括第一旁路,所述第一旁路连接所述第一激活层的输出端和所述第三卷积层的输出端,用于将所述第一激活层的输出结果和所述第三卷积层的输出结果进行相加。
在本发明的一个实施例中,通过多个第二残差模块和多个第四卷积层构建所述小波预测子网络,包括:
构建所述第二残差模块;
将多个所述第二残差模块依次连接后与多个所述第四卷积层依次连接,构建所述小波预测子网络。
在本发明的一个实施例中,所述第二残差模块包括依次连接的第一特征提取单元、第二特征提取单元和第三特征提取单元;
所述第二残差模块包括第二旁路,所述第二旁路连接所述第一特征提取单元的输出端和所述第三特征提取单元的输出端,用于将所述第一特征提取单元的输出结果和所述第三特征提取单元的输出结果进行相加。
在本发明的一个实施例中,所述第一特征提取单元、所述第二特征提取单元和所述第三特征提取单元均为多尺度特征提取单元;
所述多尺度特征提取单元包括第五卷积层、第四激活函数、第六卷积层、第五激活函数、第七卷积层、第六激活函数、第八卷积层和第七激活函数;
所述第五卷积层、所述第六卷积层、所述第七卷积层的输入端连接,且所述第五卷积层、所述第六卷积层、所述第七卷积层的输出端分别通过所述第四激活函数、所述第五激活函数、所述第六激活函数按照通道方向拼接后连接至所述第八卷积层的输入端,所述第八卷积层的输出端连接所述第七激活函数;
所述第四激活函数、所述第五激活函数、所述第六激活函数、所述第七激活函数为Relu线性修正单元。
在本发明的一个实施例中,通过预设训练集对所述小波卷积神经网络进行训练,得到训练后的小波卷积神经网络,包括:
获取原始训练数据集;
对所述原始训练数据集进行处理获取所述预设训练集;
通过所述预设训练集对所述小波卷积神经网络进行训练,得到训练后的小波卷积神经网络。
本发明的有益效果:
本发明提供的一种基于小波卷积神经网络的SAR图像去噪方法利用多个网络分别预测获取小波系数,然后再进行重建,其结合了卷积神经网络的特征提取能力与小波系数对图像细节的反映能力,有效地将图像中闪烁噪声去除,很好的保持图像的细节,较好的去除图像噪声。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于小波卷积神经网络的SAR图像去噪方法的流程示意图;
图2是本发明实施例提供的一种基于小波卷积神经网络的SAR图像去噪方法的第一残差模块结构示意图;
图3是本发明实施例提供的一种基于小波卷积神经网络的SAR图像去噪方法的第二残差模块结构示意图;
图4是本发明实施例提供的多尺度特征提取单元结构示意图;
图5是本发明实施例提供的基于小波卷积神经网络的结构示意图;
图6a是本发明实施例提供的含有纹斑噪声的原始图像;
图6b是本发明实施例提供的去除原始图像噪声后的图像;
图6c是本发明实施例提供的采用SAR-CNN方法对原始图像进行噪声抑制后的图像;
图6d是本发明实施例提供的采用ID-CNN方法对原始图像进行噪声抑制后的图像;
图6e是本发明实施例提供的采用本发明方法对噪声图像进行噪声抑制后的图像。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1至图5,图1是本发明实施例提供的一种基于小波卷积神经网络的SAR图像去噪方法的流程示意图;图2是本发明实施例提供的一种基于小波卷积神经网络的SAR图像去噪方法的第一残差模块结构示意图;图3是本发明实施例提供的一种基于小波卷积神经网络的SAR图像去噪方法的第二残差模块结构示意图;图4是本发明实施例提供的多尺度特征提取单元结构示意图;图5是本发明实施例提供的基于小波卷积神经网络的结构示意图;图6a是本发明实施例提供的含有纹斑噪声的原始图像;图6b是本发明实施例提供的去除原始图像噪声后的图像;图6c是本发明实施例提供的采用SAR-CNN方法对原始图像进行噪声抑制后的图像;图6d是本发明实施例提供的采用ID-CNN方法对原始图像进行噪声抑制后的图像;图6e是本发明实施例提供的采用本发明方法对噪声图像进行噪声抑制后的图像。本发明实施例提供了一种基于小波卷积神经网络的SAR图像去噪方法,利用训练好的小波卷积神经网络进行SAR图像去噪,如图1所示,包括:
构建小波卷积神经网络;
通过预设训练集对所述小波卷积神经网络进行训练,得到训练后的小波卷积神经网络;
通过原始图像和所述训练后的小波卷积神经网络获取去噪图像的小波系数,进而重建成去噪图像。
具体地,小波变换(wavelet transform,WT)是一种新的变换分析方法,它继承和发展了短时傅立叶变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征,能对时间(空间)频率的局部化分析,通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节,解决了傅里叶变换的困难问题,成为继傅里叶变换以来在科学方法上的重大突破。
进一步地,构建小波卷积神经网络,包括:
通过多个第一残差模块构建特征提取子网络;
通过所述特征提取子网络和多条所述小波预测子网络构建所述小波卷积神经网络。
具体地,如图5所示,特征提取子网络包括N个依次连接的第一残差模块,用于对原始图像进行特征提取,获取第一特征图像;小波预测子网络包括多个第二残差模块和多个卷积层,其中,多个第二残差模块利用其多尺度特征提取能力进行更高层的特征提取,获取第二特征图像,多个卷积层用于对第二特征图进行小波预测,获取小波系数,然后通过小波重建,获取去噪图像。本发明实施例通过特征提取网络对原始图像进行处理,获取第一特征图像,然后通过多个并行的第二残差模块对第一特征图像进行处理,获取多个第二特征图像;在每个第二残差模块获取第二特征图像之后,再通过多个卷积层对该第二特征图像进行处理,获取小波系数,即通过多个并行的小波预测子网络对特征提取子网络输出的第一特征图像进行处理,获取多个小波系数,最后经过小波重建,获取去噪图像。优选的,在本实施例中,卷积支路为4条。
进一步地,通过多个第一残差模块构建特征提取子网络,包括:
构建所述第一残差模块;
通过多个所述第一残差模块串行连接构建所述特征提取子网络。
进一步地,特征提取子网络包括多个依次串行连接的第一残差模块,如图2所示,第一残差模块包括依次连接的第一卷积层、第一激活函数、第二卷积层、第二激活函数、第三卷积层和第三激活函数;其中,第一激活函数、第二激活函数和第三激活函数为Relu线性修正单元;第一残差模块包括第一旁路,第一旁路连接第一激活层的输出端和第三卷积层的输出端,用于将第一激活层的输出结果和第三卷积层的输出结果进行相加。
进一步,第一卷积层、第二卷积层和第三卷积层的卷积核大小为W×H,卷积核数量为O,步进值为S,边缘填充为P。优选的,在本实施例中,特征提取子网络包括2个第一残差模块,W设置为3,H设置为3,第一残差模块的O分别依次设置为64和128,S设置为1,P设置为补零操作。
进一步地,根据多个第二残差模块和多个第四卷积层构建小波预测子网络,包括:
构建第二残差模块;
通过多个第二残差模块和多个第四卷积层构建所述小波预测子网络。
具体地,如图3所示,第二残差模块包括依次连接的第一特征提取单元、第二特征提取单元和第三特征提取单元;
所述第二残差模块包括第二旁路,所述第二旁路连接所述第一特征提取单元的输出端和所述第三特征提取单元的输出端,用于将所述第一特征提取单元的输出结果和所述第三特征提取单元的输出结果进行相加。
进一步地,所述第一特征提取单元、所述第二特征提取单元和所述第三特征提取单元均为多尺度特征提取单元;
如图4所示,多尺度特征提取单元包括第五卷积层、第四激活函数、第六卷积层、第五激活函数、第七卷积层、第六激活函数、第八卷积层和第七激活函数;第五卷积层、第六卷积层、第七卷积层的输入端连接,用于连接上一级的输出,且第五卷积层、第六卷积层、第七卷积层的输出端分别通过第四激活函数、第五激活函数、第六激活函数按照通道方向拼接后连接至第八卷积层的输入端,第八卷积层的输出端连接第七激活函数;第四激活函数、第五激活函数、第六激活函数、第七激活函数为Relu线性修正单元。
进一步地,第四卷积层、第五卷积层、第六卷积层、第七卷积层和第八卷积层的卷积核大小为W×H,卷积核数量为O,步进值为S,边缘填充为P,膨胀率为D。优选的,在本实施例中,小波预测子网络包括2个第二残差模块和2个第四卷积层,其中,W设置为3,H设置为3,对于第一个第二残差模块,O分别设置为16、8和16,S设置为1,P设置为补零操作,D分别设置为2、1和3,对于第二个第二残差模块,O分别设置为32、16和32,S设置为1,P设置为补零操作,D分别设置为2、1和3。第四卷积层的W设置为3,H设置为3,S设置为1,P设置为补零操作,D设置为1,对于第一个第四卷积层,O设置为64,对于第二个第四卷积层,O设置为1。
具体地,第一特征图像经过多条小波预测子网络处理获取多个小波系数之后,经小波重建,得到降噪图像。
进一步地,小波变换采取哈尔离散小波变换,使用马拉特算法进行小波分解与重建,4种小波系数分别记为LL、HL、LH和HH。
进一步地,通过预设训练集对所述小波卷积神经网络进行训练,得到训练后的小波卷积神经网络,包括:
获取原始训练数据集;
对所述原始训练数据集进行处理获取所述预设训练集;
通过所述预设训练集对所述小波卷积神经网络进行训练,得到训练后的小波卷积神经网络。
具体地,在通过上述方法获取小波卷积神经网络,通过处理获得预设训练集对该小波卷积神经网络进行训练,从而获取训练后的小波卷积神经网络。
具体地,原始训练集选取为伯克利图像分割数据集400数据集,将原始训练集通过分割、旋转、镜像等手段来产生142848个尺寸为64×64的图像块,从而获取预设训练集,该预设训练集可以覆盖大多数场景,在图像处理领域比较有代表性。图像噪声一般近似分布服从Gamma分布,优选的,在本实例中,噪声取0.9<α=β<10.1的随机噪声。具体的训练过程为:使用Adam优化器优化目标函数loss,以0.0005的学习率训练30回合,再以0.0001的学习率训练20回合,得到训练后的校正网络结构,其中,训练数据的批次大小设置为64。
优化的目标函数loss为:
具体地,在获取经过训练后的小波卷积神经网络之后,将原始图像输入该训练后的小波卷积神经网络,该神经网络会对原始图像进行去噪处理,从而得到噪声抑制后的图像。
为了评估本实施例提供的SAR图像去噪方法的去噪效果,通过以下实验进行进一步说明。
具体地,我们采用公认的12张标准图像集,通过计算峰值信噪比的平均值来进行比较。将原始图像(噪声图像)输入训练后的小波卷积神经网络中,经小波重建后,获得降噪图像。
如图6a至图6e所示,分别采用SAR-CNN方法、ID-CNN方法和本发明实施例提供的SAR图像去噪方法,对图6a的原始图像进行去噪处理,分别获取图6c、图6d和图6e的噪声抑制后的图像。通过图6c、图6d和图6e以及与去除噪声后的原始图像(即无噪声的原始图像)进行对比,可以看出,经本发明实施例提供的SAR图像去噪方法去噪后的图像较之另外两种方法去噪后图像,噪声残留的更少、峰值信噪比更高、且边缘更清晰。
下面,分别采用峰值信噪比(PSNR)来量化对照评估本发明提出的基于小波卷积神经网络的SAR图像去噪方法与现有的SAR-CNN方法以及ID-CNN方法的性能,实验结果如下表所示:
评价指标 | SAR-CNN | ID-CNN | 本发明方法 |
PSNR | 27.71 | 28.79 | 29.26 |
SSIM | 0.786 | 0.821 | 0.915 |
由上表可见:经本发明实施例提供的SAR图像去噪方法去噪后的图像的峰值信噪比(PSNR)与结构相似度(SSIM)明显高于ID-CNN方法和SAR-CNN方法的结果,说明经本发明方法去噪后的图像保留了更多的图像细节信息与结构特性,对噪声也具有很好的抑制能力。
本实例的基于小波卷积神经网络的SAR图像去噪方法参考了分多条支路去预测小波系数的思想,并结合了卷积神经网络的特征提取能力,可以有效地将图像中闪烁噪声去除,与现有的噪声抑制方法相比,在校正过程中保护了图像的细节信息和结构特性,具有更高的峰值信噪比。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (5)
1.一种基于小波卷积神经网络的SAR图像去噪方法,其特征在于,包括:
构建第一残差模块;
通过多个所述第一残差模块串行连接构建特征提取子网络;
构建第二残差模块;
将多个所述第二残差模块依次连接后与多个第四卷积层依次连接,构建小波预测子网络;
通过所述特征提取子网络和多条小波预测子网络构建所述小波卷积神经网络;
通过预设训练集对所述小波卷积神经网络进行训练,得到训练后的小波卷积神经网络;
通过原始图像和所述训练后的小波卷积神经网络获取去噪图像;
所述通过原始图像和所述训练后的小波卷积神经网络获取去噪图像,包括:将原始图像输入训练后的小波卷积神经网络中,经小波重建后,获得降噪图像:
将原始图像输入训练后的小波卷积神经网络中,经小波重建后,获得降噪图像,包括:
通过特征提取子网络对原始图像进行处理,获取第一特征图像;
通过多个并行的第二残差模块对第一特征图像进行处理,获取多个第二特征图像;在每个第二残差模块获取第二特征图像之后,再通过多个卷积层对该第二特征图像进行处理,获取小波系数,即通过多个并行的小波预测子网络对特征提取子网络输出的第一特征图像进行处理,获取多个小波系数,最后经过小波重建,获取去噪图像。
2.根据权利要求1所述的SAR图像去噪方法,其特征在于,所述第一残差模块包括依次连接的第一卷积层、第一激活函数、第二卷积层、第二激活函数、第三卷积层和第三激活函数;其中,所述第一激活函数、所述第二激活函数和所述第三激活函数为Relu线性修正单元;
所述第一残差模块包括第一旁路,所述第一旁路连接所述第一激活层的输出端和所述第三卷积层的输出端,用于将所述第一激活层的输出结果和所述第三卷积层的输出结果进行相加。
3.根据权利要求2所述的SAR图像去噪方法,其特征在于,所述第二残差模块包括依次连接的第一特征提取单元、第二特征提取单元和第三特征提取单元;
所述第二残差模块包括第二旁路,所述第二旁路连接所述第一特征提取单元的输出端和所述第三特征提取单元的输出端,用于将所述第一特征提取单元的输出结果和所述第三特征提取单元的输出结果进行相加。
4.根据权利要求3所述的SAR图像去噪方法,其特征在于,所述第一特征提取单元、所述第二特征提取单元和所述第三特征提取单元均为多尺度特征提取单元;
所述多尺度特征提取单元包括第五卷积层、第四激活函数、第六卷积层、第五激活函数、第七卷积层、第六激活函数、第八卷积层和第七激活函数;
所述第五卷积层、所述第六卷积层、所述第七卷积层的输入端连接,且所述第五卷积层、所述第六卷积层、所述第七卷积层的输出端分别通过所述第四激活函数、所述第五激活函数、所述第六激活函数按照通道方向拼接后连接至所述第八卷积层的输入端,所述第八卷积层的输出端连接所述第七激活函数;
所述第四激活函数、所述第五激活函数、所述第六激活函数、所述第七激活函数为Relu线性修正单元。
5.根据权利要求1所述的SAR图像去噪方法,其特征在于,通过预设训练集对所述小波卷积神经网络进行训练,得到训练后的小波卷积神经网络,包括:
获取原始训练数据集;
对所述原始训练数据集进行处理获取所述预设训练集;
通过所述预设训练集对所述小波卷积神经网络进行训练,得到训练后的小波卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910498585.7A CN110415180B (zh) | 2019-06-10 | 2019-06-10 | 一种基于小波卷积神经网络的sar图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910498585.7A CN110415180B (zh) | 2019-06-10 | 2019-06-10 | 一种基于小波卷积神经网络的sar图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415180A CN110415180A (zh) | 2019-11-05 |
CN110415180B true CN110415180B (zh) | 2021-11-02 |
Family
ID=68358919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910498585.7A Active CN110415180B (zh) | 2019-06-10 | 2019-06-10 | 一种基于小波卷积神经网络的sar图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415180B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992295B (zh) * | 2019-12-20 | 2022-04-19 | 电子科技大学 | 基于小波-red卷积神经网络的低剂量ct重建方法 |
CN112348255B (zh) * | 2020-11-06 | 2024-04-09 | 湖南大学 | 基于小波时频图像化的超短期风电功率预测方法 |
CN112434590B (zh) * | 2020-11-18 | 2023-11-24 | 中国人民解放军国防科技大学 | 一种基于小波变换的sar影像风条纹识别方法 |
CN113256508A (zh) * | 2021-04-09 | 2021-08-13 | 浙江工业大学 | 一种改进的小波变换与卷积神经网络图像去噪声的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996039642A1 (en) * | 1995-06-05 | 1996-12-12 | University Of South Florida | Nuclear imaging enhancer |
CN101882304A (zh) * | 2010-06-24 | 2010-11-10 | 西北工业大学 | 一种sar图像自适应去噪和特征增强方法 |
CN102842122A (zh) * | 2012-06-21 | 2012-12-26 | 哈尔滨工业大学 | 基于小波神经网络的增强现实图像方法 |
US9730643B2 (en) * | 2013-10-17 | 2017-08-15 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
CN109816599A (zh) * | 2018-12-07 | 2019-05-28 | 西安电子科技大学 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
-
2019
- 2019-06-10 CN CN201910498585.7A patent/CN110415180B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996039642A1 (en) * | 1995-06-05 | 1996-12-12 | University Of South Florida | Nuclear imaging enhancer |
CN101882304A (zh) * | 2010-06-24 | 2010-11-10 | 西北工业大学 | 一种sar图像自适应去噪和特征增强方法 |
CN102842122A (zh) * | 2012-06-21 | 2012-12-26 | 哈尔滨工业大学 | 基于小波神经网络的增强现实图像方法 |
US9730643B2 (en) * | 2013-10-17 | 2017-08-15 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
CN109816599A (zh) * | 2018-12-07 | 2019-05-28 | 西安电子科技大学 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
Non-Patent Citations (2)
Title |
---|
Wavelet deep neural network for stripe noise removal;Juntao Guan et al.;《IEEE Access》;20190415;44544-44554 * |
基于小波与双边滤波的SAR图像去噪算法研究;张飞;《中国优秀硕士学位论文全文数据库信息科技辑》;20170415;I136-204 * |
Also Published As
Publication number | Publication date |
---|---|
CN110415180A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415180B (zh) | 一种基于小波卷积神经网络的sar图像去噪方法 | |
CN109816599B (zh) | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 | |
Pourhadi et al. | A robust digital image watermarking scheme based on bat algorithm optimization and SURF detector in SWT domain | |
CN101847257B (zh) | 基于非局部均值与多级定向图像的图像降噪方法 | |
US9443286B2 (en) | Gray image processing method and apparatus based on wavelet transformation | |
CN110211084B (zh) | 一种基于权重小波变换的图像多分辨率重建方法 | |
Teng et al. | Modified pyramid dual tree direction filter‐based image denoising via curvature scale and nonlocal mean multigrade remnant filter | |
Liu et al. | Mixed noise removal via robust constrained sparse representation | |
Jerhotová et al. | Biomedical image volumes denoising via the wavelet transform | |
Thakur et al. | Agsdnet: Attention and gradient-based sar denoising network | |
CN114781430A (zh) | 一种局部放电信号去噪方法 | |
Witwit et al. | Satellite image resolution enhancement using discrete wavelet transform and new edge-directed interpolation | |
CN112037151A (zh) | 基于小波分析的图像去噪方法 | |
CN113327205B (zh) | 基于卷积神经网络的相位去噪方法 | |
CN109724693B (zh) | 一种基于平稳小波的融合光谱去噪方法 | |
CN110780349A (zh) | 一种基于增强块匹配精度的加权核范数最小化算法及沙漠地震中低频噪声抑制方法和应用 | |
Singh et al. | A homomorphic non-subsampled contourlet transform based ultrasound image despeckling by novel thresholding function and self-organizing map | |
Lu et al. | SAR image despeckling via structural sparse representation | |
Ahn et al. | Block-matching convolutional neural network (BMCNN): improving CNN-based denoising by block-matched inputs | |
CN108269246B (zh) | 一种低频小波系数插值的图像均衡增强方法 | |
Indira et al. | Pixel based medical image fusion techniques using discrete wavelet transform and stationary wavelet transform | |
Khmag et al. | Natural image noise removal using non local means and hidden Markov models in stationary wavelet transform domain | |
Ling et al. | Denoising and contrast enhancement of medical image using wavelet thresholding approach | |
Zhang et al. | Joint image denoising using self-similarity based low-rank approximations | |
Koç et al. | Image Restoration by Lifting‐Based Wavelet Domain E‐Median Filter |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |