CN110517196B - 一种sar图像降噪方法及系统 - Google Patents
一种sar图像降噪方法及系统 Download PDFInfo
- Publication number
- CN110517196B CN110517196B CN201910741697.0A CN201910741697A CN110517196B CN 110517196 B CN110517196 B CN 110517196B CN 201910741697 A CN201910741697 A CN 201910741697A CN 110517196 B CN110517196 B CN 110517196B
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- noise reduction
- noise
- training
- 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 52
- 238000012549 training Methods 0.000 claims abstract description 126
- 230000009467 reduction Effects 0.000 claims abstract description 116
- 239000013598 vector Substances 0.000 claims abstract description 113
- 238000012360 testing method Methods 0.000 claims abstract description 43
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims description 65
- 230000009466 transformation Effects 0.000 claims description 50
- 238000010586 diagram Methods 0.000 claims description 41
- 230000004927 fusion Effects 0.000 claims description 32
- 238000001914 filtration Methods 0.000 claims description 21
- 230000000295 complement effect Effects 0.000 claims description 20
- 239000013589 supplement Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 description 11
- 238000010276 construction Methods 0.000 description 10
- 230000001502 supplementing effect Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013101 initial test Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于数字图像处理技术领域,具体涉及一种SAR图像降噪方法及系统,对含噪训练图像与不含噪训练图像分别进行小波变换处理得到含噪训练小波域信息、不含噪训练小波域信息;根据初始下采样参数对含噪训练图像进行下采样操作得到空间域信息;根据初始特征补增参数和空间域信息对含噪训练小波域信息进行补增操作得到训练降噪特征向量;将训练降噪特征向量与不含噪训练小波域信息作比较得到网络权重;根据网络权重优化初始下采样参数与初始特征补增参数,得到降噪模型;根据降噪模型对含噪测试图像进行降噪处理得到降噪特征向量;对降噪特征向量进行重建操作得到降噪测试图像。本申请结构相似度高、散斑噪声残留少、图像特征完整。
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SAR图像降噪方法及系统。
背景技术
合成孔径雷达(SAR)是一种应用于舰载、机载和星载的高分辨率成像雷达系统。SAR系统具有独特的优势:雷达波具有很强的穿透能力,成像距离远;不受天气影响,可全天时全天候工作;空间分辨率高,可获取目标的高质量影像,因此,SAR系统广泛应用于灾害监测、资源勘查、目标探测跟踪和精确制导等军事与民用领域。然而,SAR数据由于其本身特质容易被散斑噪声(乘性噪声)破坏,进而影响成像质量。
SAR图像降噪可以看作是一个噪声估计的逆问题。现有的SAR图像降噪方法有:多视野处理方法、空域滤波方法、小波域降噪方法,BM3D(BlockMatching 3d,三维块匹配)算法和IDCNN(Image Despeckling ConvolutionalNeural Network,图像去散斑神经网络)方法。其中一些方法通过同态处理,将乘性噪声通过数据观测的方法转化为了加性噪声进行消除,而另一些方法则直接基于图像局部结构先验估计噪声。然而,现有的方法在面临强噪声环境时,难以兼顾噪声抑制和细节保持两个方面,降噪后的图像噪声残留明显,并且细节损失严重,难以满足实际使用需求。
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SAR图像降噪方法及系统。本发明要解决的技术问题通过以下技术方案实现:
一种SAR图像降噪方法,包括:
对含噪训练图像与不含噪训练图像分别进行小波变换处理得到含噪训练小波域信息、不含噪训练小波域信息;
根据初始下采样参数对所述含噪训练图像进行下采样操作得到空间域信息;
根据初始特征补增参数和所述空间域信息对所述含噪训练小波域信息进行补增操作得到训练降噪特征向量;
将所述训练降噪特征向量与所述不含噪训练小波域信息作比较得到网络权重;
根据所述网络权重优化所述初始下采样参数与所述初始特征补增参数,得到降噪模型;
根据所述降噪模型对含噪测试图像进行降噪处理得到降噪特征向量;
对所述降噪特征向量进行重建操作得到降噪测试图像。
在本发明的一个实施例中,对含噪训练图像与不含噪训练图像分别进行小波变换处理得到含噪训练小波域信息、不含噪训练小波域信息,所述含噪训练小波域信息包括补增高频特征向量X_HH、第一补增中频特征向量X_HL、第二补增中频特征向量X_LH和补增低频特征向量X_LL,具体步骤包括:
对含噪训练图像进行两次高通滤波得到补增高频特征向量X_HH;
对含噪训练图像依次进行高通滤波和低通滤波得到第一补增中频特征向量X_HL;
对所述含噪训练图像依次进行低通滤波和高通滤波得到第二补增中频特征向量X_LH;
对所述含噪训练图像进行两次低通滤波得到补增低频特征向量X_LL。
在本发明的一个实施例中,根据初始下采样参数对所述含噪训练图像进行下采样操作得到空间域信息,包括:
对所述含噪训练图像进行提取操作得到第一整体特征图;
对所述第一整体特征图进行提取操作得到第二整体特征图;
对所述第二整体特征图进行下采样特征提取操作得到下采样特征图;
对所述下采样特征图进行提取操作得到第三整体特征图;
对所述第三整体特征图进行提取操作得到空间域信息。
在本发明的一个实施例中,所述提取操作包括:
对所述含噪训练图像或上一步得到的所述第一整体特征图像或所述第二整体特征图进行特征提取得到对应初始特征图;
对所述初始特征图进行非线性变换得到变换特征图;
对所述变换特征图进行重新标定得到对应整体特征图。
在本发明的一个实施例中,对所述变换特征图进行重新标定得到整体特征图,包括:
对变换特征图进行空间维度特征选择得到空间域特征;
根据所述空间域特征进行通道维度特征选择得到对应整体特征图。
在本发明的一个实施例中,根据初始特征补增参数和所述空间域信息对所述含噪训练小波域信息进行补增操作得到训练降噪特征向量,所述训练降噪特征向量包括降噪高频特征向量Y_HH、第一降噪中频特征向量Y_HL、第二降噪中频特征向量Y_LH和降噪低频特征向量Y_LL,具体步骤包括:
根据所述空间域信息对所述补增高频特征向量X_HH进行拼接操作得到第一拼接图像;
根据所述初始特征补增参数对所述第一拼接图像进行融合操作得到第一特征图;
对所述第一特征图进行降噪特征提取得到降噪高频特征向量Y_HH;
根据所述第一特征图像对所述第一补增中频特征向量X_HL进行拼接操作得到第二拼接图像;
根据所述初始特征补增参数和所述第二拼接图像进行融合操作得到第二特征图;
对所述第二特征图进行降噪特征提取得到第一降噪中频特征向量Y_HL;
根据所述第二特征图对所述第二补增中频特征向量X_LH进行拼接操作得到第三拼接图像;
根据所述初始特征补增参数和所述第三拼接图像进行融合操作得到第三特征图;
对所述第三特征图进行降噪特征提取得到第二降噪中频特征向量Y_LH;
根据所述第三特征图对所补增低频特征向量X_LL进行拼接操作得到第四拼接图像;
根据所述初始特征补增参数和所述第四拼接图像进行融合操作得到第四特征图;
对所述第四特征图进行降噪特征提取得到降噪低频特征向量Y_LL。
本发明还提供了一种SAR图像降噪系统,包括:
小波变换模块,用于对含噪训练图像、不含噪训练图像和含噪测试图像分别进行小波变换处理得到含噪训练小波域信息、不含噪训练小波域信息和含噪测试小波域信息;
下采样模块,用于根据初始下采样参数对所述含噪训练图像和含噪测试图像分别进行下采样操作得到对应空间域信息;
特征补增模块,根据初始特征补增参数和所述含噪训练图像的空间域信息对所述含噪训练小波域信息进行补增操作得到训练降噪特征向量,还用于根据所述含噪测试图像的空间域信息和所述含噪测试小波域信息进行补增操作得到降噪特征向量;
比较模块,将所述训练降噪特征向量与所述不含噪训练小波域信息作比较得到网络权重;
小波逆变换模块,用于对所述降噪特征向量进行重建操作得到降噪测试图像。
在本发明的一个实施例中,所述下采样模块包括:
特征第一提取单元,用于对所述含噪训练图像进行提取操作得到第一整体特征图;
特征第二提取单元,用于对所述第一整体特征图进行提取操作得到第二整体特征图;
下采样特征提取单元,用于对所述第二整体特征图进行下采样特征提取操作得到下采样特征图;
特征第三提取单元,用于对所述下采样特征图进行提取操作得到第三整体特征图;
特征第四提取单元,用于对所述第三整体特征图进行提取操作得到空间域信息。
本发明的有益效果:
本申请通过对含噪训练图像进行降噪处理得到处理后的降噪特征向量,再将不含噪训练图像的小波域信息与降噪特征向量进行比较得到网络权重,根据网络权重对初始下采样参数和初始特征补增参数进行优化、补充,再通过优化、补充后的SAR图像降噪网络对需要降噪的含噪测试图像进行降噪处理得到降噪测试图像,本申请可以有效的将图像的空域特性与小波域特性相结合,减少了散斑噪声的残留,降噪后的图像结构相似度更高,图像特征更完整。
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SAR图像降噪方法的流程框图;
图2是本发明实施例提供的一种SAR图像降噪方法的验证试验中L’=1时散斑噪声污染图像;
图3是本发明实施例提供的一种SAR图像降噪方法的验证试验中采用BM3D方法对噪声图像降噪后的图像;
图4是本发明实施例提供的一种SAR图像降噪方法的验证试验中采用IDCNN方法对噪声图像降噪后的图像;
图5是本发明实施例提供的一种SAR图像降噪方法的验证试验中采用本申请降噪方法对噪声图像降噪后的图像;
图6是本发明实施例提供的一种SAR图像降噪系统的结构框图;
图7是本发明实施例提供的另一种SAR图像降噪系统的结构框图;
图8是本发明实施例提供的一种SAR图像降噪系统下采样模块的结构框图;
图9是本发明实施例提供的一种SAR图像降噪系统特征权重子单元的结构框图;
图10是本发明实施例提供的一种SAR图像降噪系统特征补增模块的结构框图。
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。
请参见图1,图1是本发明实施例提供的一种SAR图像降噪方法的流程框图,包括:
对含噪训练图像与不含噪训练图像分别进行小波变换处理得到含噪训练小波域信息、不含噪训练小波域信息;
根据初始下采样参数对所述含噪训练图像进行下采样操作得到空间域信息;
根据初始特征补增参数和所述空间域信息对所述含噪训练小波域信息进行补增操作得到训练降噪特征向量;
将所述训练降噪特征向量与所述不含噪训练小波域信息作比较得到网络权重;
根据所述网络权重优化所述初始下采样参数与所述初始特征补增参数,得到降噪模型;
根据所述降噪模型对含噪测试图像进行降噪处理得到降噪特征向量;
对所述降噪特征向量进行重建操作得到降噪测试图像。
本申请通过对含噪训练图像进行降噪处理得到处理后的训练降噪特征向量,再将不含噪训练图像的小波域信息与训练降噪特征向量进行比较得到网络权重,根据网络权重对初始下采样参数和初始特征补增参数进行优化、补充,有效的将图像的空域特性与小波域特性相结合,减少了散斑噪声的残留,降噪后的图像结构相似度更高,图像特征更完整。
在本发明的一个实施例中,在本发明的一个实施例中,对含噪训练图像与不含噪训练图像分别进行小波变换处理得到含噪训练小波域信息、不含噪训练小波域信息,所述含噪训练小波域信息包括补增高频特征向量X_HH、第一补增中频特征向量X_HL、第二补增中频特征向量X_LH和补增低频特征向量X_LL,具体步骤包括:
对含噪训练图像进行两次高通滤波得到补增高频特征向量X_HH;
对含噪训练图像依次进行高通滤波和低通滤波得到第一补增中频特征向量X_HL;
对所述含噪训练图像依次进行低通滤波和高通滤波得到第二补增中频特征向量X_LH;
对所述含噪训练图像进行两次低通滤波得到补增低频特征向量X_LL。
具体的,利用小波变换公式将含噪训练图像或不含噪训练图像或含噪测试图像分解为降噪高频特征向量X_HH、降噪第一中频特征向量X_HL、降噪第二中频特征向量X_LH和补增高频特征向量X_LL,小波变换公式如下:
x为进行小波变换的图像(含噪训练图像或不含噪训练图像或含噪测试图像),H为高频滤波参数,L为低频滤波参数,X为输出的四个特征向量,Q为小波交换矩阵。
在本发明的一个实施例中,根据初始下采样参数对所述含噪训练图像进行下采样操作得到空间域信息,包括:
对所述含噪训练图像进行提取操作得到第一整体特征图;
对所述第一整体特征图进行提取操作得到第二整体特征图;
对所述第二整体特征图进行下采样特征提取操作得到下采样特征图;
对所述下采样特征图进行提取操作得到第三整体特征图;
对所述第三整体特征图进行提取操作得到空间域信息。
在本发明的一个实施例中,所述提取操作包括:
对所述含噪训练图像或上一步得到的所述第一整体特征图像或所述第二整体特征图进行特征提取得到对应初始特征图;
对所述初始特征图进行非线性变换得到变换特征图;
对所述变换特征图进行重新标定得到对应整体特征图。
在本发明的一个实施例中,对所述变换特征图进行重新标定得到整体特征图,包括:
对变换特征图进行空间维度特征选择得到空间域特征;
根据所述空间域特征进行通道维度特征选择得到对应整体特征图。
具体的,对含噪训练图像(含噪测试图像)的第一整体特征进行提取操作时卷积核大小W×H=3×3,卷积核数量F=128,步进值为J=1,边缘填充为D=1,通过采用激活函数ReLU(Rectified Linear Unit,线性整流函数)对初始特征图进行非线性变换,输出的第一整体特征图和第二整体特征图的感受野都为3×3;在对第二整体特征图进行下采样特征提取时,卷积核大小W×H=64×64,卷积核数量F=128,步进值为J=2,边缘填充为D=1,通过采用激活函数ReLU对第二整体特征图进行非线性变换,输出的下采样特征图感受野为3×3;对下采样特征图与第三整体特征图进行提取操作时卷积核大小W×H=3×3,卷积核数量F=128,步进值为J=1,边缘填充为D=1,通过采用激活函数ReLU对初始特征图进行非线性变换,输出的第一整体特征图和第二整体特征图的感受野均为3×3。
在本发明的一个实施例中,根据初始特征补增参数和所述空间域信息对所述含噪训练小波域信息进行补增操作得到训练降噪特征向量,所述训练降噪特征向量包括降噪高频特征向量Y_HH、第一降噪中频特征向量Y_HL、第二降噪中频特征向量Y_LH和降噪低频特征向量Y_LL,具体步骤包括:
根据所述空间域信息对所述补增高频特征向量X_HH进行拼接操作得到第一拼接图像;
根据所述初始特征补增参数对所述第一拼接图像进行融合操作得到第一特征图;
对所述第一特征图进行降噪特征提取得到降噪高频特征向量Y_HH;
根据所述第一特征图像对所述第一补增中频特征向量X_HL进行拼接操作得到第二拼接图像;
根据所述初始特征补增参数和所述第二拼接图像进行融合操作得到第二特征图;
对所述第二特征图进行降噪特征提取得到第一降噪中频特征向量Y_HL;
根据所述第二特征图对所述第二补增中频特征向量X_LH进行拼接操作得到第三拼接图像;
根据所述初始特征补增参数和所述第三拼接图像进行融合操作得到第三特征图;
对所述第三特征图进行降噪特征提取得到第二降噪中频特征向量Y_LH;
根据所述第三特征图对所补增低频特征向量X_LL进行拼接操作得到第四拼接图像;
根据所述初始特征补增参数和所述第四拼接图像进行融合操作得到第四特征图;
对所述第四特征图进行降噪特征提取得到降噪低频特征向量Y_LL。
具体的,对第一拼接图像进行融合操作时卷积核大小W×H=3×3,卷积核数量F=64,步进值为J=1,边缘填充为D=1,采用LeakyReLU激活参数对调整图像进行非线性变换,并保留一些负轴值,使得部分负轴信息得以保留,融合后得到第一特征图,通过对第一特征图进行降噪特征提取得到感受野为的3×3降噪高频特征向量Y_HH,其中降噪特征提取时卷积核大小W×H=3×3,卷积核数量F=1,步进值为J=1,边缘填充为D=1,同理分别得到第一降噪中频特征向量Y_HL、第二降噪中频特征向量Y_LH和降噪低频特征向量Y_LL;LeakyReLU激活函数的表达式为:
f(x)=max(0,x)+leak*min(0,x),其中x为融合后图像,leak为负斜率常数。
进一步地,对不含噪训练图像进行小波变换处理后得到不含噪训练小波域信息,对降噪网络中的初试下采样参数、初试特征补增参数的卷积核大小设定初始值;将降噪高频特征向量Y_HH、第一降噪中频特征向量Y_HL、第二降噪中频特征向量Y_LH和降噪低频特征向量Y_LL分别对应的不含噪训练小波域信息设为标签,对应的MSE损失函数为:
M、N为处理图像的大小,φ是生成降噪输出的网络学习的参数,z代表标签特征输出,网络的总损失函数为:
Ctotal=0.25CHH(φ)+0.25CHL(φ)+0.25CLH(φ)+0.25CLL(φ);
利用训练数据集对所述SAR图像降噪网络进行训练,得到训练后的降噪网络权重,再利用训练后的降噪网络结构对需要降噪处理的含噪测试图像进行处理,并对对应的四个降噪后的特征向量进行重建得到降噪后的降噪测试图像。
更进一步地,融合操作包括步骤相同的第一融合操作和第二融合操作,第一融合操作中先根据初始特征补增参数对拼接图像进行第一次特征补增得到初始融合特征图,再对初始融合特征图进行非线性变换得到变换融合特征图,最后对变换融合特征图进行重标定得到第一融合特征,同理第二融合操作对第一融合特征进行融合操作最终得到特征图(第一特征图、第二特征图、第三特征图或第四特征图);通过对特征图进行降噪特征提取得到降噪特征向量(降噪高频特征向量Y_HH、第一降噪中频特征向量Y_HL、第二降噪中频特征向量Y_LH或降噪低频特征向量Y_LL)。
本实施例中,采用的训练数据集为BSD400数据集,BSD400是一种伯克利图像分割数据集,可以覆盖大多数场景,是在图像处理领域比较有代表性的数据集。具体的训练过程为:使用Adam优化器(亚当优化器),以0.001的学习率训练10回合,再以0.0001的学习率训练8回合,得到训练后的降噪网络权重,其中,训练数据的批次大小设置为128,图像大小为64x64。
此外,本实施例还通过实验验证本申请的可行性,请参见图2、图3、图4、图5,图2是本发明实施例提供的一种SAR图像降噪方法的验证试验中有效视数L’=1时散斑噪声污染图像,图3是本发明实施例提供的一种SAR图像降噪方法的验证试验中采用BM3D方法对噪声图像降噪后的图像,图4是本发明实施例提供的一种SAR图像降噪方法的验证试验中采用IDCNN方法对噪声图像降噪后的图像,图5是本发明实施例提供的一种SAR图像降噪方法的验证试验中采用本申请降噪方法对噪声图像降噪后的图像,对比后可以看出,经本申请方法降噪后的图像较之另外两种方法的降噪后图像,噪声残留少、保留细节多、峰值信噪比高、结构相似度高、边缘清晰。
在L’=1、L’=4和L’=10情况下分别采用峰值信噪比PSNR(Peak Signal toNoiseRatio)和结构相似度SSIM(Structural Similarity)来量化对照评估本申请实施例提出的基于空间域与变换域联合深度学习的SAR图像与现有的BM3D方法以及IDCNN方法的性能,实验结果参见测试结果对比表。
L’=1测试结果对比表
L’=4测试结果对比表
L’=10测试结果对比表
综上可知,(1)经本申请方法降噪后的图像峰值信噪比(PSNR)高于BM3D方法和IDCNN方法,说明本申请所采用的的降噪方法对含噪图像降噪后,降噪后的含噪图像噪声残留减少、图像特征信息保留更多;(2)经本申请方法降噪后的含噪图像结构相似度(SSIM)高于BM3D方法和IDCNN方法,说明经本申请方法降噪后的图像结构细节信息更多、降噪方法更有效。上述结果充分说明,本申请所实现的降噪方法针对SAR图像噪声的去噪效果更好,得到的图像中细节更加清晰。
请参见图6,图6是本发明实施例提供的一种SAR图像降噪系统的结构框图,包括:
小波变换模块,用于对含噪训练图像、不含噪训练图像和含噪测试图像分别进行小波变换处理得到含噪训练小波域信息、不含噪训练小波域信息和含噪测试小波域信息;
下采样模块,用于根据初始下采样参数对所述含噪训练图像和含噪测试图像分别进行下采样操作得到对应空间域信息;
特征补增模块,根据初始特征补增参数和所述含噪训练图像的空间域信息对所述含噪训练小波域信息进行补增操作得到训练降噪特征向量,还用于根据所述含噪测试图像的空间域信息和所述含噪测试小波域信息进行补增操作得到降噪特征向量;
比较模块,将所述训练降噪特征向量与所述不含噪训练小波域信息作比较得到网络权重;
小波逆变换模块,用于对所述降噪特征向量进行重建操作得到降噪测试图像。
在本发明的一个实施例中,所述下采样模块包括:
特征第一提取单元,用于对所述含噪训练图像进行提取操作得到第一整体特征图;
特征第二提取单元,用于对所述第一整体特征图进行提取操作得到第二整体特征图;
下采样特征提取单元,用于对所述第二整体特征图进行下采样特征提取操作得到下采样特征图;
特征第三提取单元,用于对所述下采样特征图进行提取操作得到第三整体特征图;
特征第四提取单元,用于对所述第三整体特征图进行提取操作得到空间域信息。
请参见图7,图7是本发明实施例提供的另一种SAR图像降噪系统的结构框图,下采样模块中特征第一提取单元、特征第二提取单元、特征第三提取单元和特征第四提取单元结构相同,均包括特征第一提取层、非线性变换层和特征权重子单元;下采样特征提取单元包括下采样特征提取层、非线性变换层和特征权重子单元;当含噪测试图像或含噪训练图像输入下采样图像模块后,特征第一提取单元中的第一提取层对含噪测试图像或含噪训练图像进行特征提取,将特征提取结果输入采用ReLU激活函数的非线性变换层进行非线性变换,特征权重子单元对非线性变换后的结果进行重标定得到第一整体特征图,同理特征第二提取单元对第一整体特征图进行提取操作得到第二整体特征图,下采样特征提取单元中的下采样特征提取层对第二整体特征图进行下采样提取得到下采样提取后的图像,非线性变换层对下采样提取后的图像进行非线性变换,特征权重子单元对非线性变换后的图像进行重标定得到下采样特征图,与特征第一提取单元和特征第二提取单元进行的操作相同,特征第三提取单元对下采样特征图进行提取操作得到第三整体特征图,特征第四提取单元对第三整体特征图进行提取操作得到空间域信息,具体详见图8。
具体的,请参见图9,图9是本发明实施例提供的一种SAR图像降噪系统特征权重子单元的结构框图,特征权重子单元包括空域特征标定单元和通道特征标定单元,其中空域特征标定单元包括特征第一构建单元、第二构建单元、第三构建单元,第一构建单元包括特征第一构建层、非线性变换层,第二构建单元包括特征第二构建层、非线性变换层;第三构建单元包括特征第三构建层、第二非线性变换层;第一构建单元、第二构建单元根据输入特征权重子单元的图像构建该输入图像的空间域特征,第三构建单元通过采用第二非线性变换层对空间域特征进行非线性变换形成权重开关,第二非线性变换层采用Sigmoid激活函数对构建后的图像进行非线性变换,经Sigmoid激活函数变换后的图像与输入特征权重子单元的图像相乘实现对空间域的特征进行选择。通道特征标定单元包括特征全局池化层、第一特征全连接单元、第二特征全连接单元、第三特征全连接单元,第一特征全连接单元包括特征全连接一层、非线性变换层;第二特征全连接单元包括特征全连接二层、非线性变换层;第三特征全连接单元包括特征全连接三层、第二非线性变换层;通过全局池化层将空间域特征选择的结果特征注意力集中到通道维度,第一特征全连接单元、第二特征全连接单元根据集中到通道维度的空间域特征选择结果构建通道维度的特征,第三特征全连接单元根据构建的通道维度特征形成权重开关,最终将形成的权重开关与空间域特征选择的结果特征相乘得到通道维度特征的选择,再将得到的通道维度特征选择结果与空间域特征选择的结果特征相加,以避免随着模块叠加,特征值不断衰减。
在本发明的一个实施例中,请参见图10,图10是本发明实施例提供的一种SAR图像降噪系统特征补增模块的结构框图,包括第一特征补增单元、第二特征补增单元和降噪特征提取单元,其中第一特征补增单元包括特征补增子单元一、第三非线性变换层、特征权重子单元;第二特征补增单元包括特征补增子单元二、第三非线性变换层、特征权重子单元。根据上一模块的输出与本特征补增模块对应降噪特征向量拼接图像,第一特征补增单元中的特征补增子单元一对拼接图像进行第一次特征补增得到初始融合特征图,其中第一特征补增单元中的第三非线性变换层对初始融合特征图进行非线性变换得到变换融合特征图,特征权重子单元再对变换融合特征图进行重标定得到第一融合特征,同理第二特征补增单元对第一融合特征进行融合操作得到特征图,降噪特征提取单元对特征图进行降噪特征提取得到降噪特征向量,特征图还被输出至下一特征补增模块。
接着,图像获取模块获取到的不含噪训练图像经小波变换模块得到的不含噪训练小波域信息;在对比模块中,经过小波变换模块得到的四个不含噪训练小波信息分别输入至对应四个对比单元中,比较单元中不含噪训练小波信息与训练降噪特征向量进行对比,比较单元中采用LOSS函数(损失函数)作比较得到网络权重,再根据网络权重更新对应初始特征补增参数和初始下采样参数;最后将含噪测试图像输入本系统,并根据更新后的初始特征补增参数和更新后的初始下采样参数对含噪测试图像进行降噪处理得到降噪特征向量,再经过小波逆变换模块对降噪特征向量进行重建操作得到降噪图像。
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 (3)
1.一种SAR图像降噪方法,其特征在于,包括:
对含噪训练图像与不含噪训练图像分别进行小波变换处理得到含噪训练小波域信息、不含噪训练小波域信息,所述含噪训练小波域信息包括补增高频特征向量X_HH、第一补增中频特征向量X_HL、第二补增中频特征向量X_LH和补增低频特征向量X_LL,具体步骤包括:
对含噪训练图像进行两次高通滤波得到补增高频特征向量X_HH;
对含噪训练图像依次进行高通滤波和低通滤波得到第一补增中频特征向量X_HL;
对所述含噪训练图像依次进行低通滤波和高通滤波得到第二补增中频特征向量X_LH;
对所述含噪训练图像进行两次低通滤波得到补增低频特征向量X_LL;
根据初始下采样参数对所述含噪训练图像进行下采样操作得到空间域信息;
根据初始特征补增参数和所述空间域信息对所述含噪训练小波域信息进行补增操作得到训练降噪特征向量,所述训练降噪特征向量包括降噪高频特征向量Y_HH、第一降噪中频特征向量Y_HL、第二降噪中频特征向量Y_LH和降噪低频特征向量Y_LL,具体步骤包括:
根据所述空间域信息对所述补增高频特征向量X_HH进行拼接操作得到第一拼接图像;
根据所述初始特征补增参数对所述第一拼接图像进行融合操作得到第一特征图;
对所述第一特征图进行降噪特征提取得到降噪高频特征向量Y_HH;
根据所述第一特征图像对所述第一补增中频特征向量X_HL进行拼接操作得到第二拼接图像;
根据所述初始特征补增参数和所述第二拼接图像进行融合操作得到第二特征图;
对所述第二特征图进行降噪特征提取得到第一降噪中频特征向量Y_HL;
根据所述第二特征图对所述第二补增中频特征向量X_LH进行拼接操作得到第三拼接图像;
根据所述初始特征补增参数和所述第三拼接图像进行融合操作得到第三特征图;
对所述第三特征图进行降噪特征提取得到第二降噪中频特征向量Y_LH;
根据所述第三特征图对所补增低频特征向量X_LL进行拼接操作得到第四拼接图像;
根据所述初始特征补增参数和所述第四拼接图像进行融合操作得到第四特征图;
对所述第四特征图进行降噪特征提取得到降噪低频特征向量Y_LL;
将所述训练降噪特征向量与所述不含噪训练小波域信息作比较得到网络权重;
根据所述网络权重优化所述初始下采样参数与所述初始特征补增参数,得到降噪模型;
根据所述降噪模型对含噪测试图像进行降噪处理得到降噪特征向量;
对所述降噪特征向量进行重建操作得到降噪测试图像。
2.根据权利要求1所述的SAR图像降噪方法,其特征在于,根据初始下采样参数对所述含噪训练图像进行下采样操作得到空间域信息,包括:
对所述含噪训练图像进行提取操作得到第一整体特征图;
对所述第一整体特征图进行提取操作得到第二整体特征图;
对所述第二整体特征图进行下采样特征提取操作得到下采样特征图;
对所述下采样特征图进行提取操作得到第三整体特征图;
对所述第三整体特征图进行提取操作得到空间域信息;
所述对所述含噪训练图像进行提取操作得到第一整体特征图、所述对所述第一整体特征图进行提取操作得到第二整体特征图和所述对所述第二整体特征图进行下采样特征提取操作得到下采样特征图的所述提取操作包括:
对所述含噪训练图像或上一步得到的所述第一整体特征图像或所述第二整体特征图进行特征提取得到对应初始特征图;
对所述初始特征图进行非线性变换得到变换特征图;
对所述变换特征图进行重新标定得到对应整体特征图。
3.根据权利要求2所述的SAR图像降噪方法,其特征在于,对所述变换特征图进行重新标定得到整体特征图,包括:
对变换特征图进行空间维度特征选择得到空间域特征;
根据所述空间域特征进行通道维度特征选择得到对应整体特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910741697.0A CN110517196B (zh) | 2019-08-12 | 2019-08-12 | 一种sar图像降噪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910741697.0A CN110517196B (zh) | 2019-08-12 | 2019-08-12 | 一种sar图像降噪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110517196A CN110517196A (zh) | 2019-11-29 |
CN110517196B true CN110517196B (zh) | 2022-04-22 |
Family
ID=68625894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910741697.0A Active CN110517196B (zh) | 2019-08-12 | 2019-08-12 | 一种sar图像降噪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517196B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523592B (zh) * | 2020-04-21 | 2023-05-09 | 易元数字(北京)科技集团有限公司 | 一种基于深度学习的文物艺术品领域图像相似度度量方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839240A (zh) * | 2014-03-06 | 2014-06-04 | 西安电子科技大学 | 基于概率模型和nsdt的sar图像去斑方法 |
CN104637037A (zh) * | 2015-03-13 | 2015-05-20 | 重庆大学 | 一种基于非本地分类稀疏表示的sar图像降噪方法 |
CN106096652A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于稀疏编码和小波自编码器的极化sar图像分类方法 |
CN106886549A (zh) * | 2016-08-30 | 2017-06-23 | 阿里巴巴集团控股有限公司 | 一种网络图片的加载方法、装置和系统 |
CN107749054A (zh) * | 2017-10-31 | 2018-03-02 | 努比亚技术有限公司 | 一种图像处理方法、装置及存储介质 |
CN108898155A (zh) * | 2018-05-18 | 2018-11-27 | 浙江工业大学 | 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9569843B1 (en) * | 2015-09-09 | 2017-02-14 | Siemens Healthcare Gmbh | Parameter-free denoising of complex MR images by iterative multi-wavelet thresholding |
-
2019
- 2019-08-12 CN CN201910741697.0A patent/CN110517196B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839240A (zh) * | 2014-03-06 | 2014-06-04 | 西安电子科技大学 | 基于概率模型和nsdt的sar图像去斑方法 |
CN104637037A (zh) * | 2015-03-13 | 2015-05-20 | 重庆大学 | 一种基于非本地分类稀疏表示的sar图像降噪方法 |
CN106096652A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于稀疏编码和小波自编码器的极化sar图像分类方法 |
CN106886549A (zh) * | 2016-08-30 | 2017-06-23 | 阿里巴巴集团控股有限公司 | 一种网络图片的加载方法、装置和系统 |
CN107749054A (zh) * | 2017-10-31 | 2018-03-02 | 努比亚技术有限公司 | 一种图像处理方法、装置及存储介质 |
CN108898155A (zh) * | 2018-05-18 | 2018-11-27 | 浙江工业大学 | 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法 |
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 (5)
Title |
---|
Fusion method of SAR and optical images for urban object extraction;Jia Yonghong 等;《SPIE》;20071231;第1-6页 * |
Speckle Noise Reduction Technique for SAR Images Using Statistical Characteristics of Speckle Noise and Discrete Wavelet Transform;Hyunho Choi 等;《remote sensing》;20190518;第1-27页 * |
Wavelet Deep Neural Network for Stripe Noise Removal;JUNTAO GUAN 等;《IEEE Access》;20190415;第7卷;第44544-44554页 * |
基于小波变换的干涉SAR图像的降噪方法;袁运能 等;《北京航空航天大学学报》;19991031;第25卷(第5期);第509-512页 * |
基于小波域的深度残差网络图像超分辨率算法;段立娟 等;《软件学报》;20190430;第30卷(第4期);第941-953页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110517196A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7876973B2 (en) | Edge ringing artifact suppression methods and apparatuses | |
CN110675347B (zh) | 一种基于组稀疏表示的图像盲复原方法 | |
CN103533214B (zh) | 一种基于卡尔曼滤波和双边滤波的视频实时去噪方法 | |
CN103873743A (zh) | 一种基于结构张量和卡尔曼滤波的视频去噪方法 | |
JP6727642B2 (ja) | 学習型アルゴリズムによるフォーカス補正処理方法 | |
WO2011049565A1 (en) | Real-time video deblurring | |
Teng et al. | Modified pyramid dual tree direction filter‐based image denoising via curvature scale and nonlocal mean multigrade remnant filter | |
CN102945548A (zh) | 一种基于方向金字塔滤波的图像处理方法及装置 | |
CN109685730A (zh) | 一种基于自适应非局域均值的小波去噪方法 | |
Rani et al. | A brief review on image restoration techniques | |
CN111968047A (zh) | 一种基于生成式对抗网络的自适应光学图像盲复原方法 | |
CN110517196B (zh) | 一种sar图像降噪方法及系统 | |
CN115082336A (zh) | 一种基于机器学习的sar图像相干斑抑制方法 | |
Priyadharsini et al. | Underwater acoustic image enhancement using wavelet and KL transform | |
KR101707337B1 (ko) | 영상 디노이징을 위한 다중해상도 nlm 필터링 방법 | |
Kim et al. | Vaguelette-wavelet decomposition for frequency adaptive image restoration using directional wavelet bases | |
Sun et al. | Color image denoising based on guided filter and adaptive wavelet threshold | |
CN115409872A (zh) | 一种水下摄像机图像优化方法 | |
Nitin | A hybrid image denoising method based on discrete wavelet transformation with pre-gaussian filtering | |
CN112927169A (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 | |
Jiang et al. | Research on multiplicative speckle noise denoising method of side-scan sonar image based on analysis sparse decomposition | |
CN107154019B (zh) | 一种基于lr-几何插值的电磁成像超分辨方法 | |
Jain et al. | Review on Denoising techniques for AWGN signal introduced in a stationary image | |
Kaur et al. | Study of Image Denoising and Its Techniques | |
Zhang et al. | An Interference Suppression Method For Spaceborne Sar Image Via Space-Channel Attention Network |
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 |