CN110517195B - 无监督sar图像去噪方法 - Google Patents

无监督sar图像去噪方法 Download PDF

Info

Publication number
CN110517195B
CN110517195B CN201910680271.9A CN201910680271A CN110517195B CN 110517195 B CN110517195 B CN 110517195B CN 201910680271 A CN201910680271 A CN 201910680271A CN 110517195 B CN110517195 B CN 110517195B
Authority
CN
China
Prior art keywords
image
network
sar image
layer
loss
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
Application number
CN201910680271.9A
Other languages
English (en)
Other versions
CN110517195A (zh
Inventor
丁金闪
黄学军
温利武
梁毅
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201910680271.9A priority Critical patent/CN110517195B/zh
Publication of CN110517195A publication Critical patent/CN110517195A/zh
Application granted granted Critical
Publication of CN110517195B publication Critical patent/CN110517195B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (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 Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种无监督SAR图像去噪方法，主要解决现有SAR图像去噪时容易丢失图像边缘信息和细节信息的问题。其实现方案为：1)获取训练数据集；2)在用于无监督图像转换网络CycleGAN的基础上，构建SAR图像去噪网络；3)对CycleGAN网络的损失函数进行改进，得到SAR图像去噪网络的损失函数；4)利用训练数据集对SAR图像去噪网络进行训练，得到训练好的SAR图像去噪网络；5)将待去噪的SAR图像输入到训练好的SAR图像去噪网络中，得到去噪后的SAR图像。本发明能在保留图像边缘信息和细节信息的条件下有效地抑制实际SAR图像的相干斑噪声，可用于改善SAR图像质量和提高SAR图像的可解释性。

Description

无监督SAR图像去噪方法
技术领域
本发明属于图像处理技术领域，特别涉及一种无监督SAR图像去噪方法，可用于改善SAR图像质量和提高SAR图像的可解释性。
背景技术
合成孔径雷达SAR是一种主动式微波成像系统，具有在不同的气候和光照条件下对地面、海面进行全天候的观察能力，在地质资源勘探、海洋监测和城市规划等诸多应用中发挥了重要的作用。然而，由于SAR使用相干的电磁波成像，导致SAR图像中存在大量的相干斑噪声，给SAR图像的理解和解译造成了巨大的困难，因此相干斑噪声的抑制研究对SAR图像的可解释性和后续应用具有重要的意义。
传统的SAR图像去噪方法包括Frost滤波、Sigma滤波、均值滤波、中值滤波、Lee滤波等方法。这些图像滤波方法确实能抑制相干斑噪声，但会导致图像的边缘信息和细节信息的丢失，不利于SAR图像的后续应用。近年来，深度学习在计算机视觉领域展现出了强大有效的特征表征能力，被广泛应用于图像分类、图像恢复和图像超分辨等诸多图像处理任务。目前，基于深度学习的SAR图像去噪也被提出并得到了发展。
Puyang Wang、He Zhang和Vishal M.Patel在论文“SAR Image DespecklingUsing a Convolutional Neural Network”和“Generative Adversarial Network-BasedRestoration of Speckled SAR Images”中分别提出了采用卷积神经网络抑制SAR图像中相干斑噪声的方法和基于生成对抗网络的SAR图像去噪方法。然而这两种方法都假设相干斑噪声满足伽马分布这一条件并且采用有监督的方式进行学习，使得这两种方法仅能有效地抑制满足伽马分布的相干斑噪声。然而实际SAR图像的相干斑噪声分布常常不满足伽马分布，因此上述两种方法不适用于实际SAR图像去噪。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种无监督SAR图像去噪方法，以在保留图像边缘信息和细节信息的条件下有效地抑制实际SAR图像的相干斑噪声。
实现本发明目的的技术方案包括如下：
(1)制作数据集；
1a)获取SAR图像，将其裁剪成256×256大小的图像，得到有噪声图像数据集，并将该数据集称为初始域A；
1b)获取光学灰度图像，将其裁剪成256×256大小的图像，得到无噪声图像数据集，并将该数据集称为目标域B。
(2)在用于无监督图像转换网络CycleGAN的基础上，构建SAR图像去噪网络DnCycleGAN；
2a)对CycleGAN网络中的两个生成器结构进行改进，得到改进后的生成器G和F,其中G用于将初始域A中的图像x转换为类似于目标域B中图像的生成图像G(x)，F用于将目标域B中的图像y转换为类似于初始域A中图像的生成图像F(y)；
2b)对CycleGAN网络中的两个判别器结构进行改进，得到改进后的判别器DA和DB，其中DA用于判断它的输入图像是初始域A中的图像还是生成图像F(y)，DB用于判断它的输入图像是目标域B中的图像还是生成图像G(x)；
2c)在改进后的CycleGAN网络中添加两个判别器
Figure BDA0002144558690000021
和
Figure BDA0002144558690000022
得到SAR图像去噪网络DnCycleGAN，其包含改进后的两个生成器G和F、改进后的两个判别器DA和DB、新添加的两个判别器
Figure BDA0002144558690000023
和
Figure BDA0002144558690000024
其中
Figure BDA0002144558690000025
用于判断它的输入图像是初始域A中的图像还是重建图像F(G(x))，
Figure BDA0002144558690000026
用于判断它的输入图像是目标域B中的图像还是重建图像G(F(y))；
(3)在用于无监督图像转换网络CycleGAN的损失函数的基础上进行改进，得到SAR图像去噪网络DnCycleGAN的损失函数Loss：
Loss＝lossGAN+losscyc+lossglo,
其中，lossGAN、losscyc和lossglo分别表示SAR图像去噪网络DnCycleGAN的对抗损失函数、循环一致损失函数和全局一致损失函数；
(4)利用(1)中的数据集对(2)中的SAR图像去噪网络DnCycleGAN进行训练：
4a)从初始域A和目标域B中分别随机抽取两张图片作为SAR图像去噪网络DnCycleGAN的输入；
4b)采用后向传播算法更新SAR图像去噪网络DnCycleGAN的权值；
4c)学习率设为0.0001，重复步骤4a)和4b),直至损失函数Loss收敛，得到训练好的网络模型；
(5)将待去噪的SAR图像输入到训练好的SAR图像去噪网络DnCycleGAN的生成器G中得到去噪后的SAR图像。
本发明与现有技术相比具有以下优点：
1.本发明在无监督图像转换网络CycleGAN的基础上，构建了可用于SAR图像去噪的网络DnCycleGAN，该网络能在保留图像边缘信息和细节信息的条件下有效地抑制SAR图像中的相干斑噪声。
2.本发明采用图像转换网络CycleGAN的无监督学习方式首次实现了无监督的SAR图像去噪，相对于有监督的SAR图像去噪方法更适用于抑制实际SAR图像的相干斑噪声。
3.本发明选择光学灰度图像作为无噪声图像，使得去噪后的SAR图像和光学图像一样具有符合人眼视觉特性的优点。
附图说明
图1是本发明的实现流程图；
图2是本发明中密集块的结构图；
图3是本发明中新添加两个判别器
Figure BDA0002144558690000031
和
Figure BDA0002144558690000032
的网络结构图；
图4是用本发明进行SAR图像去噪的仿真结果图。
具体实施方式
下面结合附图对本发明的实施例和效果做进一步描述。
参照图1，本发明的实施步骤如下：
步骤一，制作数据集。
1a)获取SAR图像，将其裁剪成256×256大小的图像，得到有噪声图像数据集，并将该数据集称为初始域A；
1b)获取光学灰度图像，将其裁剪成256×256大小的图像，得到无噪声图像数据集，并将该数据集称为目标域B。
步骤二，在现有用于无监督图像转换网络CycleGAN的基础上，构建SAR图像去噪网络DnCycleGAN。
2a)对CycleGAN网络中的两个生成器结构进行改进，得到改进后的两个生成器G和F：
2a1)用6个密集块替换CycleGAN网络中的两个生成器中所有的残差块，每个密集块由六个Conv-InsNorm-ReLu层依次构成，如图2所示，密集块内的Conv-InsNorm-ReLu层与层之间采用密集连接方式，即后一层的输入由前面多个层的输出沿通道维组和而成，每个Conv-InsNorm-ReLu层由依次一个卷积层、一个实例归一化层和一个修正线性单元层组成，其中卷积层的卷积核尺寸为3×3，步长为1×1，输出特征图个数为64；
2a2)构建全局融合模块，用于融合6个密集块的输出，该模块依次由一个卷积核大小为1×1步长为1×1的卷积层、一个修正线性单元层、一个卷积核大小为3×3步长为1×1的卷积层和一个修正线性单元层组合而成；
2a3)将全局融合模块添加在最后一个密集块之后，得到改进后的两个生成器G和F，其中第一生成器F用于将目标域B中的图像y转换为类似于初始域A中图像的生成图像F(y)，第二生成器G用于将初始域A中的图像x转换为类似于目标域B中图像的生成图像G(x)；
2b)对CycleGAN网络中的两个判别器结构进行改进，即在CycleGAN网络中的两个判别器的第一个卷积层之前依次添加一个去均值层和一个连接层，得到改进后的两个判别器DA和DB，其中：
该去均值层用于对每张输入图像去均值，即将每张输入图像的所有像素值都减去这些像素值的均值；
该连接层用于将多张去均值后的输入图像沿通道维拼接在一起作为下一层的输入；
第一个判别器DA用于判断它的输入图像是初始域A中的图像还是生成图像F(y)；
第二个判别器DB用于判断它的输入图像是目标域B中的图像还是生成图像G(x)；
2c)用改进后的两个生成器G和F、改进后的两个判别器DA和DB替换CycleGAN网络中的两个生成器和两个判别器，得到改进后的CycleGAN网络；
2d)在改进后的CycleGAN网络中添加两个判别器
Figure BDA0002144558690000051
和
Figure BDA0002144558690000052
得到SAR图像去噪网络DnCycleGAN，即该去噪网络包含改进后的两个生成器G和F、改进后的两个判别器DA和DB、新添加的两个判别器
Figure BDA0002144558690000053
和
Figure BDA0002144558690000054
其中：
第一个新添加的判别器
Figure BDA0002144558690000055
用于判断它的输入图像是初始域A中的图像还是重建图像F(G(x))，该重建图像F(G(x))是初始域A中的图像x依次经过第二生成器G和第一生成器F后的输出图像；
第二个新添加的判别器
Figure BDA0002144558690000056
用于判断它的输入图像是目标域B中的图像还是重建图像G(F(y))，该重建图像G(F(y))是目标域B中的图像y依次经过第一生成器F和第二生成器G后的输出图像；
两个新添加的判别器
Figure BDA0002144558690000057
和
Figure BDA0002144558690000058
结构相同，如图3所示，每个判别器依次由一个连接层、4个Conv-InsNorm-LeakyReLu层和最后一个卷积层组成；
该连接层将多张输入图像沿通道维拼接在一起作为下一层的输入；
该4个Conv-InsNorm-LeakyReLu层的每个层依次由一个卷积层、一个实例归一化层和一个带泄露修正线性单元层组成，这4个Conv-InsNorm-LeakyReLu层中的卷积层输出特征图个数依次为64、128、256、512，每个卷积层的卷积核大小均为4×4，步长均为2×2；
该最后一个卷积层的卷积核大小为4×4，步长为1×1，输出特征图个数为1。
步骤三，在用于无监督图像转换网络CycleGAN的损失函数的基础上进行改进，得到SAR图像去噪网络DnCycleGAN的损失函数Loss。
3a)在CycleGAN网络的对抗损失函数的基础上，加上两个新添加的判别器
Figure BDA0002144558690000059
和
Figure BDA00021445586900000510
对应的对抗损失
Figure BDA00021445586900000511
，得到SAR图像去噪网络DnCycleGAN的对抗损失函数lossGAN：
Figure BDA0002144558690000061
其中，Ex～pdata(x)表示初始域A中的图像x的数学期望，Ey～pdata(y)表示目标域B中的图像y的数学期望，DA(·)表示第一个判别器DA的输出值，DB(·)表示第二个判别器DB的输出值，
Figure BDA0002144558690000062
表示第三个判别器
Figure BDA0002144558690000063
的输出值，
Figure BDA0002144558690000064
表示第四个判别器
Figure BDA0002144558690000065
的输出值。
3b)在CycleGAN网络的循环一致损失函数的基础上，加上结构差异损失2Ey～pdata(y)[1-SSIM(G(F(y)),y)]，得到SAR图像去噪网络DnCycleGAN的循环一致损失函数losscyc：
Figure BDA0002144558690000066
其中，||·||1表示1-范数，SSIM(·)是结构相似性函数；
3c)构造SAR图像去噪网络DnCycleGAN的全局一致损失函数lossglo：
lossglo＝Ex～pdata(x)[||Ave(G(x))-Ave(x)||1]+Ey～pdata(y)[||Ave(F(y))-Ave(y)||1]，
其中，Ave(·)表示步长为2池化核大小为4的平均池化操作。
3d)将3a)中的SAR图像去噪网络DnCycleGAN的对抗损失函数lossGAN、3b)中的SAR图像去噪网络DnCycleGAN的循环一致损失函数losscyc和3c)中的SAR图像去噪网络DnCycleGAN的全局一致损失函数lossglo相加，得到SAR图像去噪网络DnCycleGAN的损失函数Loss：
Loss＝lossGAN+losscyc+lossglo。
步骤四，利用步骤一中的数据集对步骤二中的SAR图像去噪网络DnCycleGAN进行训练。
4a)从初始域A和目标域B中分别随机抽取两张图片作为SAR图像去噪网络DnCycleGAN的输入；
4b)采用后向传播算法更新SAR图像去噪网络DnCycleGAN的权值；
4c)设置学习率为0.0001，重复步骤4a)和4b),直至SAR图像去噪网络DnCycleGAN的损失函数Loss收敛，得到训练好的SAR图像去噪网络DnCycleGAN。
步骤五，将待去噪的SAR图像输入到训练好的SAR图像去噪网络DnCycleGAN的生成器G中，得到去噪后的SAR图像，如图4所示。
图4中，按照从左到右的顺序，第一列是四张待去噪的SAR图像，第二列是本发明进行SAR图像去噪得到的四张去噪后的SAR图像。从图4可见，本发明的无监督SAR图像去噪方法，能够在在保留图像边缘信息和细节信息的条件下有效地抑制实际SAR图像的相干斑噪声。
以上描述仅是本发明的一个具体事例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (7)

1.一种无监督SAR图像去噪方法，其特征在于：
(1)制作数据集；
1a)获取SAR图像，将其裁剪成256×256大小的图像，得到有噪声图像数据集，并将该数据集称为初始域A；
1b)获取光学灰度图像，将其裁剪成256×256大小的图像，得到无噪声图像数据集，并将该数据集称为目标域B；
(2)在用于无监督图像转换网络CycleGAN的基础上，构建SAR图像去噪网络DnCycleGAN；
2a)对CycleGAN网络中的两个生成器结构进行改进，得到改进后的生成器G和F,其中G用于将初始域A中的图像x转换为类似于目标域B中图像的生成图像G(x)，F用于将目标域B中的图像y转换为类似于初始域A中图像的生成图像F(y)；
2b)对CycleGAN网络中的两个判别器结构进行改进，得到改进后的判别器DA和DB，其中DA用于判断它的输入图像是初始域A中的图像还是生成图像F(y)，DB用于判断它的输入图像是目标域B中的图像还是生成图像G(x)；
2c)在改进后的CycleGAN网络中添加两个判别器
Figure FDA0002144558680000011
和
Figure FDA0002144558680000012
得到SAR图像去噪网络DnCycleGAN，其包含改进后的两个生成器G和F、改进后的两个判别器DA和DB、新添加的两个判别器
Figure FDA0002144558680000013
和
Figure FDA0002144558680000014
其中
Figure FDA0002144558680000015
用于判断它的输入图像是初始域A中的图像还是重建图像F(G(x))，
Figure FDA0002144558680000016
用于判断它的输入图像是目标域B中的图像还是重建图像G(F(y))；
(3)在用于无监督图像转换网络CycleGAN的损失函数的基础上进行改进，得到SAR图像去噪网络DnCycleGAN的损失函数Loss：
Loss＝lossGAN+losscyc+lossglo,
其中，lossGAN、losscyc和lossglo分别表示SAR图像去噪网络DnCycleGAN的对抗损失函数、循环一致损失函数和全局一致损失函数；
(4)利用(1)中的数据集对(2)中的SAR图像去噪网络DnCycleGAN进行训练：
4a)从初始域A和目标域B中分别随机抽取两张图片作为SAR图像去噪网络DnCycleGAN的输入；
4b)采用后向传播算法更新SAR图像去噪网络DnCycleGAN的权值；
4c)设置学习率为0.0001，重复步骤4a)和4b),直至SAR图像去噪网络DnCycleGAN的损失函数Loss收敛，得到训练好的SAR图像去噪网络DnCycleGAN；
(5)将待去噪的SAR图像输入到训练好的SAR图像去噪网络DnCycleGAN的生成器G中，得到去噪后的SAR图像。
2.根据权利要求1所述的方法，其中步骤2a)中对CycleGAN网络中的两个生成器的网络结构进行改进，其实现如下：
2a1)用6个密集块替换CycleGAN网络中的两个生成器中所有的残差块，每个密集块由六个Conv-InsNorm-ReLu层依次构成，密集块内的Conv-InsNorm-ReLu层与层之间采用密集连接方式，即后一层的输入由前面多个层的输出沿通道维组和而成，每个Conv-InsNorm-ReLu层由依次一个卷积层、一个实例归一化层和一个修正线性单元层组成，其中卷积层的卷积核尺寸为3×3，步长为1×1，输出特征图个数为64；
2a2)在最后一个密集块之后加入全局融合模块，以融合6个密集块的输出，该全局融合模块依次由一个卷积核大小为1×1步长为1×1的卷积层、一个修正线性单元层、一个卷积核大小为3×3步长为1×1的卷积层和一个修正线性单元层组合而成。
3.根据权利要求1所述的方法，其中步骤2b)对CycleGAN网络中的两个判别器的网络结构进行改进，是在CycleGAN网络中的两个判别器的第一个卷积层之前依次添加一个去均值层和一个连接层，该去均值层用于对每张输入图像去均值，该连接层用于将多张去均值后的输入图像沿通道维拼接在一起作为下一层的输入。
4.根据权利要求1所述的方法，其中步骤3b)中在改进后的CycleGAN网络中添加的两个判别器
Figure FDA0002144558680000021
和
Figure FDA0002144558680000022
结构相同，每个判别器依次由一个连接层、4个Conv-InsNorm-LeakyReLu层和最后一个卷积层组成；
该连接层将多张输入图像沿通道维拼接在一起作为下一层的输入；
该4个Conv-InsNorm-LeakyReLu层的每个层依次由一个卷积层、一个实例归一化层和一个带泄露修正线性单元层组成，这4个Conv-InsNorm-LeakyReLu层中的卷积层输出特征图个数依次为64、128、256、512，每个卷积层的卷积核大小均为4×4，步长均为2×2，
该最后一个卷积层的卷积核大小为4×4，步长为1×1，输出特征图个数为1。
5.根据权利要求1所述的方法，其中步骤(3)中的SAR图像去噪网络DnCycleGAN的对抗损失函数lossGAN，表示如下：
Figure FDA0002144558680000031
其中，
Figure FDA0002144558680000032
表示初始域A中的图像x的数学期望，
Figure FDA0002144558680000033
表示目标域B中的图像y的数学期望，DA(·)表示第一个判别器DA的输出值，DB(·)表示第二个判别器DB的输出值，
Figure FDA0002144558680000034
表示第三个判别器
Figure FDA0002144558680000035
的输出值，
Figure FDA0002144558680000036
表示第四个判别器
Figure FDA0002144558680000037
的输出值。
6.根据权利要求1所述的方法，其中步骤3b)中的SAR图像去噪网络DnCycleGAN的循环一致损失函数losscyc，表示如下：
Figure FDA0002144558680000038
其中，
Figure FDA0002144558680000039
表示初始域A中的图像x的数学期望，
Figure FDA00021445586800000310
表示目标域B中的图像y的数学期望，||·||1表示1-范数，SSIM(·)是结构相似性函数。
7.根据权利要求1所述的方法，其中步骤(3)中的SAR图像去噪网络DnCycleGAN的全局一致损失函数lossglo，表示如下：
Figure FDA0002144558680000041
其中，
Figure FDA0002144558680000042
表示初始域A中的图像x的数学期望，
Figure FDA0002144558680000043
表示目标域B中的图像y的数学期望，||·||1表示1-范数，Ave(·)表示步长为2池化核大小为4的平均池化操作。
CN201910680271.9A 2019-07-26 2019-07-26 无监督sar图像去噪方法 Active CN110517195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910680271.9A CN110517195B (zh) 2019-07-26 2019-07-26 无监督sar图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910680271.9A CN110517195B (zh) 2019-07-26 2019-07-26 无监督sar图像去噪方法

Publications (2)

Publication Number Publication Date
CN110517195A CN110517195A (zh) 2019-11-29
CN110517195B true CN110517195B (zh) 2022-12-06

Family

ID=68623743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910680271.9A Active CN110517195B (zh) 2019-07-26 2019-07-26 无监督sar图像去噪方法

Country Status (1)

Country Link
CN (1) CN110517195B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111398955B (zh) * 2020-03-13 2022-04-08 中国科学院电子学研究所苏州研究院 一种基于生成对抗神经网络的sar图像去旁瓣方法
CN111667424B (zh) * 2020-05-28 2022-04-01 武汉大学 一种基于无监督的真实图像去噪方法
CN112132104B (zh) * 2020-10-09 2021-08-03 哈尔滨工业大学 一种基于环路生成对抗网络的isar舰船目标图像域增强识别方法
CN113297933A (zh) * 2021-05-11 2021-08-24 广州虎牙科技有限公司 一种图像生成方法及相关装置
CN113379638B (zh) * 2021-06-23 2023-07-25 西安理工大学 基于小波变换和间隔密集网络的sar图像去斑方法
CN113808042B (zh) * 2021-09-16 2024-04-05 沈阳工业大学 一种基于小波变换和生成对抗网络的sar图像去噪方法
CN113989163B (zh) * 2021-11-18 2024-08-02 电子科技大学长三角研究院(湖州) 利用生成对抗网络对isar微型集群目标实现噪声抑制方法及系统
CN116523790A (zh) * 2023-05-08 2023-08-01 广东海洋大学 一种sar图像去噪优化方法、系统和存储介质
CN116228609B (zh) * 2023-05-10 2023-07-21 中国人民解放军国防科技大学 一种基于零样本学习的雷达图像相干斑滤波方法及装置
CN118212153B (zh) * 2024-05-22 2024-09-13 成都信息工程大学 一种基于无监督学习模型的超声图像去噪方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765319A (zh) * 2018-05-09 2018-11-06 大连理工大学 一种基于生成对抗网络的图像去噪方法
WO2019015466A1 (zh) * 2017-07-17 2019-01-24 广州广电运通金融电子股份有限公司 人证核实的方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9916542B2 (en) * 2016-02-02 2018-03-13 Xerox Corporation Domain adaptation by multi-noising stacked marginalized denoising encoders

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019015466A1 (zh) * 2017-07-17 2019-01-24 广州广电运通金融电子股份有限公司 人证核实的方法及装置
CN108765319A (zh) * 2018-05-09 2018-11-06 大连理工大学 一种基于生成对抗网络的图像去噪方法

Also Published As

Publication number Publication date
CN110517195A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN110517195B (zh) 无监督sar图像去噪方法
CN106204467B (zh) 一种基于级联残差神经网络的图像去噪方法
CN111028163A (zh) 一种基于卷积神经网络的联合图像去噪与弱光增强方法
CN111598778B (zh) 一种绝缘子图像超分辨率重建方法
Yin et al. Highly accurate image reconstruction for multimodal noise suppression using semisupervised learning on big data
CN112699844B (zh) 一种基于多尺度残差层级密连接网络的图像超分辨率方法
CN111161360B (zh) 基于Retinex理论的端到端网络的图像去雾方法
US9443286B2 (en) Gray image processing method and apparatus based on wavelet transformation
CN112132758B (zh) 基于非对称光学系统点扩散函数模型的图像复原方法
CN113763268B (zh) 人脸图像盲修复方法及系统
CN104657951A (zh) 图像乘性噪声移除方法
CN105338219B (zh) 视频图像去噪处理方法和装置
CN110533614A (zh) 一种结合频域和空域的水下图像增强方法
CN107301631B (zh) 一种基于非凸加权稀疏约束的sar图像降斑方法
CN113191983A (zh) 一种基于深度学习注意力机制的图像去噪方法及装置
CN110838089A (zh) 一种基于OctBlock密集块的快速图像去噪方法
CN112488931A (zh) 一种卫星遥感影像中输电线路的超分辨率增强方法及系统
Liu et al. Facial image inpainting using multi-level generative network
CN114881879A (zh) 一种基于亮度补偿残差网络的水下图像增强方法
CN113947538A (zh) 一种多尺度高效卷积自注意力单幅图像除雨方法
CN114037843B (zh) 一种基于改进生成对抗网络的提高水下图像分辨率方法
Chen et al. Image denoising via generative adversarial networks with detail loss
CN112258394B (zh) 数据处理方法、船只跟踪方法、装置、设备及存储介质
Stolojescu-Crisan et al. Denoising and inpainting SONAR images
CN105678704B (zh) 一种基于视觉感知的非局部中值盲降噪方法

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