CN113066023B - 一种基于自校准卷积神经网络的sar图像去斑方法 - Google Patents
一种基于自校准卷积神经网络的sar图像去斑方法 Download PDFInfo
- Publication number
- CN113066023B CN113066023B CN202110297462.4A CN202110297462A CN113066023B CN 113066023 B CN113066023 B CN 113066023B CN 202110297462 A CN202110297462 A CN 202110297462A CN 113066023 B CN113066023 B CN 113066023B
- Authority
- CN
- China
- Prior art keywords
- self
- calibration
- neural network
- convolutional neural
- sar image
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000011176 pooling Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 2
- 239000011800 void material Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 10
- 230000001629 suppression Effects 0.000 abstract description 5
- 230000002401 inhibitory effect Effects 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229920011250 Polypropylene Block Copolymer Polymers 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012360 testing method 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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
- 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
本发明属于计算机视觉与图像处理技术领域,具体涉及一种基于自校准卷积神经网络的SAR图像去斑方法。本发明通过在卷积神经网络中自校准模块的平均池化、双线性插值和空洞卷积操作,以及能够在不增加网络参数及复杂性的前提下,使得网络的感受野获得极大提升,从而实现更有效的SAR图像中斑点噪声抑制。本发明通过将卷积神经网络中自校准模块的特征分为两个分支特征进行处理,能够提取不同尺寸的上下文信息,从而在有效抑制SAR图像斑点噪声的前提下,实现更精准的SAR图像细节纹理保护。本发明实现了SAR图像的精准去斑,可以用于抑制SAR图像的斑点噪声,从而提高SAR图像清晰度,增强SAR图像的视觉效果。
Description
技术领域
本发明属于计算机视觉与图像处理技术领域,具体涉及一种基于自校准卷积神经网络的SAR图像去斑方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)利用主动式微波进行成像,能够全天时、全天候的对地面目标进行信息采集,同时具有不受云层、雾等天气影响的特点。因此,SAR已在遥感领域的诸多应用中发挥了关键的作用,例如检测植被和森林环境、跟踪地面的移动目标。然而,由于相干成像的固有特性,SAR图像不可避免地收到斑点噪声的污染,从而导致了SAR图像的直观视觉质量较差,严重影响了SAR的应用。为了提高SAR图像清晰度,抑制斑点噪声是必不可少的关键步骤,并对后续使用SAR图像的遥感应用具有重要意义。
传统的SAR图像去斑方法包括概率补丁算法(Probabilistic Patch-BasedAlgorithm,PPB)、拉格朗日增值乘法图像去噪(Multiplicative Image Denoising byAugmented LaGrange,MIDAL)、SAR块匹配3D算法(SAR Block-Matching 3-D Algorithm,SAR-BM3D)和基于转换域和补丁排序SAR图像去斑滤波算法(Patch-Ordering Based SARImage Despeckling Method via Transform-Domain Filtering,SAR-POTDF)。这些传统方法能在一定程度上实现SAR图像的斑点噪声抑制。然而,这些方法的性能有时很大程度上取决于算法参数的选择,而参数主要基于主观经验,这有时导致了去斑点图像中丢失了重要的细节纹理或出现了不期望的块状伪像。另外,对于大尺寸的SAR图像,这些算法的执行效率通常较低。
近年来,卷积神经网络(Convolutional Neural Network,CNN)在许多图像处理任务中表现出了惊人的性能提升,这为SAR图像去斑提供了一个新的思路。如中国发明专利“一种基于学习下采样和跳跃连接网络SAR图像去噪方法”(CN201910927416.0)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,该方法通过下采样有效地扩展了感受野,并通过跳跃连接保持图像的细节同时减少梯度消失问题。中国发明专利“一种基于多尺度空洞残差注意力网络的SAR图像去噪方法”(CN201910358602.7)公开了一种基于多尺度空洞残差注意力网络的SAR图像去噪方法,该方法通过多尺度卷积完成对图像不同尺寸特征的提取,采用空洞卷积增大了网络的感受野,并基于注意力机制提高网络性能。此外,Huanfeng Shen,Chenxia Zhou,Jie Li和Qiangqiang Yuan在论文“SAR ImageDespeckling Employing a Recursive Deep CNN Prior”中提出了一种用于SAR图像去斑的递归深度CNN先验模型(Recursive Deep CNN Prior Model,SAR-RDCP),该模型结合了传统的变分模型和基于通道注意力机制的CNN,采用递归方式提高特征提取的性能。相比于传统方法,上述基于CNN的SAR图像去斑方法大大提高了去斑性能。然而,为了获得更精准的去斑SAR图像,如何提取更丰富和纹理特征并将它们与斑点噪声更有效地分离仍然是一个困难的挑战。
通过国内外专利和文献检索,目前关于SAR图像去斑的研究比较多,但是现有的研究一般采用基于平铺式的卷积神经网络或基于空洞卷积的神经网络进行SAR图像去斑,未见利用自校准卷积神经网络的SAR图像去斑方法。
发明内容
本发明的目的在于提供实现SAR图像的精准去斑的一种基于自校准卷积神经网络的SAR图像去斑方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:利用光学遥感图像构建训练数据集,共包含M个无斑点噪声的原始图像和对应包含不同强度斑点噪声的M个加噪图像;
包含不同强度斑点噪声的加噪图像,形式化地按照下式进行构建:
其中,P(Ni)表示Ni的概率密度函数;Γ表示Gamma函数;L表示SAR图像的视数,代表了斑点噪声的强度;
步骤2:搭建基于自校准的卷积神经网络;
所述的基于自校准的卷积神经网络包含一个预处理模块、七个自校准模块和一个重建模块;其中,预处理模块由一个3×3卷积、修正线性单元组成;七个自校准模块的结构相同,所用的空洞卷积的扩张系数d不同;重建模块由一个3×3卷积和Sigmoid函数组成;
步骤4:将待去斑的SAR图像输入至训练完毕的基于自校准的卷积神经网络中,得到该SAR图像的去斑结果。
本发明还可以包括:
所述的步骤3中将训练数据集输入至基于自校准的卷积神经网络中进行训练的过程具体为:
步骤3.1:预处理模块对输入的含斑点噪声的加噪图像进行特征提取,并将提取到的特征输入至七个自校准模块;
步骤3.2:七个自校准模块的结构相同,所用的空洞卷积的扩张系数d不同;将每个自校准模块接收到的特征记为F,使用两个带有ReLU的1×1卷积,将F分别分为两个分支特征,记为F1和F2;F1和F2的通道数均减少为F通道数的一半;每一个自校准模块执行的全部操作为:
步骤3.2.1:对于F1,利用平均池化操作将其尺寸缩减为原来的四分之一,形式化地表示为下式:
T1=AvgPool(F1)
其中,AvgPool表示平均池化操作;T1表示经过平均池化后的特征;
步骤3.2.2:使用3×3的空洞卷积和双线性插值操作进行特征提取,并将T1的尺寸恢复为与F1相同的尺寸,形式化地表示为下式:
F′1=Up(DConv(T1))
其中,DConv表示扩张系数为d的空洞卷积;Up表示双线性插值操;,F′1表示经过空洞卷积和双线性插值操作后的特征;
步骤3.2.3:执行自校准操作,形式化地表示为下式:
其中,σ表示Sigmoid函数;G′1表示经过自校准操作后的特征;
步骤3.2.4:通过带有ReLU的空洞卷积对G′1进行特征加强,形式化表示为下式:
G1=δ(DConv(G′1))
其中,δ表示为ReLU函数;G1表示经过特征加强后的第一个分支特征;
步骤3.2.5:对于F2,通过带有ReLU的空洞卷积进行特征加强,形式化地表示为下式:
G2=δ(DConv(F2))
其中,G2表示经过特征加强后的第二个分支特征;
步骤3.2.6:将经过特征加强后的第一个分支特征G1和第二个分支特征G2进行通道叠加,采用1×1卷积、跳跃连接和ReLU得到该模块最终的输出,形式化地表示为下式:
G=δ(Conv(G1-2)+F)
其中,G1-2表示对G1和G2进行通道叠加后的特征;G表示该自校准模块最终的输出;
步骤3.3:将第七个自校准模块的输出输入至重建模块中,得到基于自校准的卷积神经网络的最终输出。
本发明的有益效果在于:
本发明通过在卷积神经网络中自校准模块的平均池化、双线性插值和空洞卷积操作,以及能够在不增加网络参数及复杂性的前提下,使得网络的感受野获得极大提升,从而实现更有效的SAR图像中斑点噪声抑制。本发明通过将卷积神经网络中自校准模块的特征分为两个分支特征进行处理,能够提取不同尺寸的上下文信息,从而在有效抑制SAR图像斑点噪声的前提下,实现更精准的SAR图像细节纹理保护。本发明实现了SAR图像的精准去斑,可以用于抑制SAR图像的斑点噪声,从而提高SAR图像清晰度,增强SAR图像的视觉效果。
附图说明
图1为一种基于自校准卷积神经网络的SAR图像去斑方法的流程图。
图2为本发明中自校准卷积神经网络结构示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明涉及一种基于自校准卷积神经网络的SAR图像去斑方法,属于计算机视觉、图像处理技术领域。本发明的目的是为了实现SAR图像的精准去斑,可以用于抑制SAR图像的斑点噪声,从而提高SAR图像清晰度,增强SAR图像的视觉效果。
本发明一种基于自校准卷积神经网络的SAR图像去斑方法,如图1所示,主要实施步骤如下:
步骤一:利用光学遥感图像建立的训练数据集;
步骤二:搭建基于自校准的卷积神经网络;
步骤三:使用训练数据集训练基于自校准的卷积神经网络;
步骤四:使用训练后的网络进行对测试SAR图像的去斑。
所述的步骤一:利用光学遥感图像建立的训练数据集,共包含M个无斑点噪声的原始图像和对应包含不同强度斑点噪声的M个加噪图像。对应包含不同强度斑点噪声的加噪图像,形式化地按照下式进行构建:
其中,P(Ni)表示Ni的概率密度函数,Γ表示Gamma函数,L表示SAR图像的视数,代表了斑点噪声的强度,L越小,斑点噪声强度越大。为了包含不同强度的斑点噪声,对于每张加噪图像,L被随机地设定为1,2,4,8;
所述的步骤二:搭建基于自校准的卷积神经网络,如图2所示,共包含一个预处理模块、七个自校准模块和一个重建模块。其中,预处理模块由一个3×3卷积、修正线性单元(Rectified Linear Unit,ReLU)组成,将预处理模块提取到的特征送至接下来的七个自校准模块进行进一步处理。
进一步的,对于七个自校准模块,每一个模块的结构相同。将每个自校准模块接收到的特征记为F。使用两个带有ReLU的1×1卷积,将F分别分为两个分支特征,记为F1和F2。F1和F2的通道数均减少为F通道数的一半。对于F1,首先利用平均池化操作将其尺寸缩减为原来的四分之一,形式化地表示为下式:
T1=AvgPool(F1)
其中,AvgPool表示平均池化操作,T1表示经过平均池化后的特征。接下来使用3×3的空洞卷积和双线性插值操作进行特征提取,并将T1的尺寸恢复为与F1相同的尺寸,形式化地表示为下式:
F′1=Up(DConv(T1))
其中,DConv表示扩张系数为d的空洞卷积,Up表示双线性插值操作,F′1表示经过空洞卷积和双线性插值操作后的特征。接下来实现自校准操作,形式化地表示为下式:
其中,σ表示Sigmoid函数,G′1表示经过自校准操作后的特征。接下来,通过带有ReLU的空洞卷积对G′1进行特征加强,形式化表示为下式:
G1=δ(DConv(G′1))
其中,δ表示为ReLU函数,G1表示经过特征加强后的第一个分支特征。至此,在每一个自校准模块中,对于第一个分支特征F1的操作已完成。接下来对第二个分支特征F2进行处理。对于F2,直接通过带有ReLU的空洞卷积进行特征加强,形式化地表示为下式:
G2=δ(DConv(F2))
其中,G2表示经过特征加强后的第二个分支特征。在每一个自校准模块的最后,将处理后的两个分支特征,即,G1和G2,进行通道叠加。进而,采用1×1卷积、跳跃连接和ReLU得到该模块最终的输出,形式化地表示为下式:
G=δ(Conv(G1-2)+F)
其中,G1-2表示对G1和G2进行通道叠加后的特征,G表示该自校准模块最终的输出。至此,完成了对该自校准模块的全部操作,七个自校准模块的结构相同,均如上面描述。不同之处在于,七个自校准模块中所用的空洞卷积的扩张系数d不同,分别设置为1,2,3,4,3,2,1。
进一步的,对于重建模块,由一个3×3卷积和Sigmoid函数组成。将最后一个自校准模块,也就是第七个自校准模块的输出,输入至该重建模块中,得到自校准的卷积神经网络的最终输出。
所述的步骤三:训练数据集用于训练一个基于自校准的卷积神经网络过程中,采用均方差损失对网络进行训练,可以形式化地表示为下式:
其中,φ表示所述的基于自校准的卷积神经网络,φ(Yi)表示将Yi输入至φ中得到的输出,表示φ(Yi)-Xi的L2范数的平方,表示均方差损失。在训练过程中,使用Adam优化器对网络进行训练直至收敛。最终得到训练完毕的基于自校准的卷积神经网络φ。
所述的步骤四:所述的训练后的网络进行对测试SAR图像的去斑,待去斑的测试SAR图像记为Y′,将Y′输入至训练完毕的基于自校准的卷积神经网络φ中,得到该测试SAR图像的去斑结果,即,φ(Y′)。
与现有技术相比,本发明的有益效果是:
1.通过在卷积神经网络中自校准模块的平均池化、双线性插值和空洞卷积操作,以及能够在不增加网络参数及复杂性的前提下,使得网络的感受野获得极大提升,从而实现更有效的SAR图像中斑点噪声抑制。
2.通过将卷积神经网络中自校准模块的特征分为两个分支特征进行处理,能够提取不同尺寸的上下文信息,从而在有效抑制SAR图像斑点噪声的前提下,实现更精准的SAR图像细节纹理保护。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于自校准卷积神经网络的SAR图像去斑方法,其特征在于,包括以下步骤:
步骤1:利用光学遥感图像构建训练数据集,共包含M个无斑点噪声的原始图像和对应包含不同强度斑点噪声的M个加噪图像;
包含不同强度斑点噪声的加噪图像,形式化地按照下式进行构建:
其中,P(Ni)表示Ni的概率密度函数;Γ表示Gamma函数;L表示SAR图像的视数,代表了斑点噪声的强度;
步骤2:搭建基于自校准的卷积神经网络;
所述的基于自校准的卷积神经网络包含一个预处理模块、七个自校准模块和一个重建模块;其中,预处理模块由一个3×3卷积、修正线性单元组成;七个自校准模块的结构相同,所用的空洞卷积的扩张系数d不同;重建模块由一个3×3卷积和Sigmoid函数组成;
步骤4:将待去斑的SAR图像输入至训练完毕的基于自校准的卷积神经网络中,得到该SAR图像的去斑结果;
所述的步骤3中将训练数据集输入至基于自校准的卷积神经网络中进行训练的过程具体为:
步骤3.1:预处理模块对输入的含斑点噪声的加噪图像进行特征提取,并将提取到的特征输入至七个自校准模块;
步骤3.2:七个自校准模块的结构相同,所用的空洞卷积的扩张系数d不同;将每个自校准模块接收到的特征记为F,使用两个带有ReLU的1×1卷积,将F分别分为两个分支特征,记为F1和F2;F1和F2的通道数均减少为F通道数的一半;每一个自校准模块执行的全部操作为:
步骤3.2.1:对于F1,利用平均池化操作将其尺寸缩减为原来的四分之一,形式化地表示为下式:
T1=AvgPool(F1)
其中,AvgPool表示平均池化操作;T1表示经过平均池化后的特征;
步骤3.2.2:使用3×3的空洞卷积和双线性插值操作进行特征提取,并将T1的尺寸恢复为与F1相同的尺寸,形式化地表示为下式:
F′1=Up(DConv(T1))
其中,DConv表示扩张系数为d的空洞卷积;Up表示双线性插值操;F′1表示经过空洞卷积和双线性插值操作后的特征;
步骤3.2.3:执行自校准操作,形式化地表示为下式:
其中,σ表示Sigmoid函数;G′1表示经过自校准操作后的特征;
步骤3.2.4:通过带有ReLU的空洞卷积对G′1进行特征加强,形式化表示为下式:
G1=δ(DConv(G′1))
其中,δ表示为ReLU函数;G1表示经过特征加强后的第一个分支特征;
步骤3.2.5:对于F2,通过带有ReLU的空洞卷积进行特征加强,形式化地表示为下式:
G2=δ(DConv(F2))
其中,G2表示经过特征加强后的第二个分支特征;
步骤3.2.6:将经过特征加强后的第一个分支特征G1和第二个分支特征G2进行通道叠加,采用1×1卷积、跳跃连接和ReLU得到该模块最终的输出,形式化地表示为下式:
G=δ(Conv(G1-2)+F)
其中,G1-2表示对G1和G2进行通道叠加后的特征;G表示该自校准模块最终的输出;
步骤3.3:将第七个自校准模块的输出输入至重建模块中,得到基于自校准的卷积神经网络的最终输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297462.4A CN113066023B (zh) | 2021-03-19 | 2021-03-19 | 一种基于自校准卷积神经网络的sar图像去斑方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297462.4A CN113066023B (zh) | 2021-03-19 | 2021-03-19 | 一种基于自校准卷积神经网络的sar图像去斑方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113066023A CN113066023A (zh) | 2021-07-02 |
CN113066023B true CN113066023B (zh) | 2022-12-13 |
Family
ID=76562599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110297462.4A Active CN113066023B (zh) | 2021-03-19 | 2021-03-19 | 一种基于自校准卷积神经网络的sar图像去斑方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113066023B (zh) |
Citations (3)
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 |
CN111047515A (zh) * | 2019-12-29 | 2020-04-21 | 兰州理工大学 | 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法 |
CN112233026A (zh) * | 2020-09-29 | 2021-01-15 | 南京理工大学 | 一种基于多尺度残差注意力网络的sar图像去噪方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8224114B2 (en) * | 2008-09-05 | 2012-07-17 | The Neat Company, Inc. | Method and apparatus for despeckling an image |
US8041139B2 (en) * | 2008-09-05 | 2011-10-18 | The Neat Company, Inc. | Method and apparatus for calculating the background color of an image |
US10282826B2 (en) * | 2016-10-10 | 2019-05-07 | Carestream Health, Inc. | Despeckling method for radiographic images |
CN110941494A (zh) * | 2019-12-02 | 2020-03-31 | 哈尔滨工程大学 | 一种面向深度学习的gpu并行计算的数据处理方法 |
CN111028277B (zh) * | 2019-12-10 | 2023-01-10 | 中国电子科技集团公司第五十四研究所 | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 |
CN111260591B (zh) * | 2020-03-12 | 2022-04-26 | 武汉大学 | 一种基于注意力机制的图像自适应去噪方法 |
-
2021
- 2021-03-19 CN CN202110297462.4A patent/CN113066023B/zh active Active
Patent Citations (3)
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 |
CN111047515A (zh) * | 2019-12-29 | 2020-04-21 | 兰州理工大学 | 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法 |
CN112233026A (zh) * | 2020-09-29 | 2021-01-15 | 南京理工大学 | 一种基于多尺度残差注意力网络的sar图像去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113066023A (zh) | 2021-07-02 |
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 | |
CN109872288B (zh) | 用于图像去噪的网络训练方法、装置、终端及存储介质 | |
CN108564549B (zh) | 一种基于多尺度稠密连接网络的图像去雾方法 | |
CN114140353A (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
CN112233026A (zh) | 一种基于多尺度残差注意力网络的sar图像去噪方法 | |
CN108510451B (zh) | 一种基于双层卷积神经网络的重建车牌的方法 | |
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 | |
CN112270654A (zh) | 基于多通道gan的图像去噪方法 | |
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 | |
Teng et al. | Modified pyramid dual tree direction filter‐based image denoising via curvature scale and nonlocal mean multigrade remnant filter | |
CN115170410A (zh) | 融合小波变换和注意力机制的图像增强方法及装置 | |
CN109064402A (zh) | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 | |
CN113269691B (zh) | 一种基于卷积稀疏进行噪声仿射拟合的sar图像去噪方法 | |
CN107292855A (zh) | 一种结合自适应非局部样本和低秩的图像去噪方法 | |
CN113240581A (zh) | 一种针对未知模糊核的真实世界图像超分辨率方法 | |
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 | |
Zin et al. | Local image denoising using RAISR | |
CN113066023B (zh) | 一种基于自校准卷积神经网络的sar图像去斑方法 | |
Yang et al. | Mixed noise removal by residual learning of deep cnn | |
CN113012071B (zh) | 一种基于深度感知网络的图像失焦去模糊方法 | |
Xu et al. | Deep residual convolutional network for natural image denoising and brightness enhancement | |
CN113379647A (zh) | 一种优化psf估计的多特征图像复原方法 | |
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 | |
Tojo et al. | Image Denoising Using Multi Scaling Aided Double Decker Convolutional Neural Network | |
Chen et al. | GADO-Net: an improved AOD-Net single image dehazing algorithm |
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 |