CN113269691A - 一种基于卷积稀疏进行噪声仿射拟合的sar图像去噪方法 - Google Patents

Abstract

本发明公开的属于SAR图像去噪方法技术领域，具体为一种基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法，该基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法的具体实施方案如下：利用图像增广和图像重进消除噪声特性对于模型训练过程的影响，本发明构建的网络具有训练初期收敛效率高，末期收敛情况与其他基准模型相同的特征，利用稀疏表示与卷积滤波器的特性，进一步节省了训练时间，提高了模型的迭代效率，借助图像增广丰富数据以及图像重建消除噪声特性的设计，本发明有效地降低了SAR图像去噪过程对无噪声SAR图像的需求度，减少了实际任务中在无噪声SAR图像获取过程投入的开支，并取得更为优秀的SAR图像去噪效果。

Description

一种基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法

技术领域

本发明涉及SAR图像去噪方法技术领域，具体为一种基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种用微波波段中的电磁波来处理接收信号的幅度和相位以产生图像的高分辨率成像雷达，其具有很多优点。例如：不受光照、季节等恶劣条件的限制，在能见度极低的气象条件下也可有效工作；可以全天候生成高分辨率遥感图像；可以在太空或高海拔地区工作；具有强大的穿透能力，不仅能穿透雨水、灰尘，甚至可以有效地识别伪装并穿透土壤、植被等。由于SAR图像具有许多优势，它已成为许多领域中不可替代的观测工具，如军事探测、环境监测、城市规划和农作物估产等，在民用与军用领域都发挥着重要作用。

然而，由于SAR成像系统的有限分辨率和相干性，在SAR成像过程中必然会产生一种称为相干斑的噪声，它使SAR图像的视觉解译变得非常困难，对SAR图像的后续处理产生了严重的影响。而SAR图像去噪技术可以在实际应用中帮助我们提高SAR图像质量、美化图像轮构，甚至在很多场景中，SAR图像去噪技术作为基于此类图像的各类计算机视觉任务(如SAR小目标检测、语义分割等)的上游任务，极大地决定了其下游任务的精准度上限，在各自对应的场景中发挥着越来越重要的作用。因此，SAR图像去噪在图像处理和模式识别领域成为了非常重要的一方面，其主要着眼点在于抑制或者消除相干斑噪声，是一种针对SAR图像发现偏差和消除偏差的方法。这类方法通过拟合或者模拟噪声产生的原因去消解噪声，达到恢复原图的目的。

在SAR图像去噪成为一个具体的研究领域之前，类似于均值滤波器方法、中值滤波器方法和小波去噪方法已经被提出并被广泛运用。这类方法比较简单且易于实现，仅仅是通过当前像素点与周边像素点的联系关系来实现图像平滑，进而实现对噪声的抑制。但是由于这类方法只是简单地考虑了相邻关系，容易引起模糊现象，并且模糊的程度与进行滤波的领域半径成正比。

基于模型的方法大多从变换域的角度出发，从空间的角度对图像的像素进行映射并去噪。其基本思想为：获得图像源信息之后，在变换域上对信号和噪声进行分离，把噪声过滤掉，仅留下信号信息，最后将过滤完毕的信号从变换域向源信息域进行映射变换，这就完成了去噪的过程。比较具有代表性的变换方法有傅立叶变换、离散余弦变换和小波变换等。基于深度学习的去噪方法也在图像去噪领域大放异彩。基于深度学习的方法通过模拟噪声的产生过程，发现噪声信号在原图像中的影响成分，并对影响因子和图像特征因子进行区分，进而达到图像去噪的效果。在本发明中运用的方法正是基于网络模拟的方法进行的。

卷积神经网络(Convolutional Neural Networks,CNN)是一种基于通过卷积滤波进行图像特征提取的网络结构，其在深度神经网络的基础上，应用卷积运算和采样操作，不仅缩小了特征参数，且对于图像的少量平移、旋转以及缩放等微小变化有着空间不变性。其通过对卷积核的训练来对图像的单个像素块或多个像素块之间的联系进行学习和模拟。另外，通过加入池化层，可以最大限度上减少计算量，并保留像素块之间的联系信息(如最大池化保留的是该像素块的最大像素点信息)。

本发明提出并研究设计了一种基于卷积稀疏编码的SAR图像去噪方法，其能够不依赖于无噪图像集合，将基本的统计推理方法应用到机器学习问题中的信号重建和噪声消除工作中。该方法是将稀疏编码与卷积神经网络运用到SAR图像去噪领域的一种尝试，在提高样本质量的同时，精简了SAR图像去噪的结构复杂程度。

发明内容

本发明的目的在于提供一种基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法，以解决上述背景技术中提出的以往的去噪方法需要依赖无噪图像集合，去噪质量较低，结构复杂的问题。

为实现上述目的，本发明提供如下技术方案：一种基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法，该基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法的具体实施方案如下：

(1)利用图像增广和图像重进消除噪声特性对于模型训练过程的影响：

由于SAR图像获取成本较高，需要进行图像增广技术对训练图像做一系列的随机改变，来产生相似又不完全相同的图像样本，以此来获取更多训练集图像，进而扩大训练集的规模，具体步骤如下：

1)通过图像增广，由于图像的相似不变性，数据集规模和数据质量得到了很大的提升，为了给模型更好的训练空间，在原先有噪图像的基础上进行噪声叠加，图像集准备好后，在进入模型前，需要对图像进行一些预处理，预处理过程包括像素点归一化、边缘去锯齿、边缘平滑滤波等，预处理完成后，将图像组织成数据流，构成模型的输入；

2)假设无噪图分布为I，对应的有噪图分布为I'，噪声分布为N，总可以通过噪点的分布得到一个多项式模型的拟合如下：

f(I′)＝f(I)*g(N)^a+b*g(N)

其中，加性模型和乘性模型分别对应于a＝0,b＝1和a＝1,b＝0的情况，实际上是寻找一个数z使得测量值的损失计算最小化，即

arg(min_zE_y{L(z,y)})

对于L＝L2，满足条件的最优解z'可以取值为测量值的算数平均值：

z＝mean(y)

对于L＝L1，满足条件的最优解z'可以取值为测量值的中位数值：

z＝medium(y)

对于L＝L0，满足条件的最优解z'可以取值为测量值的众数值：

z＝mode(y)

从统计学角度，这类求解最优化问题的过程均是在最小化损失函数的过程，称之为最大似然估计过程，同样的，在实际问题当中，需要优化的问题可以表达为类似的形式：

arg(min_gE_f{L(f(I),f(I′)|g(N))})

3)考虑用一种图像重建的方法消除噪声特性对于模型训练过程的影响，首先对图像的像素点分布用较低的置信度进行拟合估计，然后取真实分布与估计分布的差值作为损失函数中的真值进行损失函数构建，在构建过程中，对L0、L1和L2做多项式拟合，拟合系数分别为P0、P1、P2和P3，其中P3为截距项；

4)消除噪声特性对于网络参数的影响，拟合估计与真实分布的差值实际上是一个自归一化的过程，通过自归一化，图像分布可以根据其自身加噪的情况映射到一个统一的量度标准上，省去了人工判断的过程。

5)拓展损失函数对于各类情况处理的普适性，损失函数加权是一种非常常见的提升模型鲁棒性的方法，且损失函数的权重P是可训练的，这就极大提升了模型效果的上限；

(2)基于UNet和SRResNet不依赖于无噪图像的卷积稀疏去噪：

CNN作为可训练滤波器中表达能力极强的一支，训练时层级越高，抽象程度越强，泛化和表征的能力也越强，更高的稀疏性可以保证模型在训练的过程中具有更快的收敛速度和更好的迭代质量，Unet网络前半部分作用是特征提取，后半部分是上采样，SRResNet建立恒等关系拟合图像与其超分辨率表示，旨在通过网络堆叠实现SAR图像的稀疏去噪，具体步骤如下：

1)通过UNet对SAR图像中的图像点或图像集进行平滑分割，Unet网络前半部分作用是特征提取，后半部分是上采样，构建思想实际上遵循了编码器-解码器(Encoder toDecoder)的设计理念，在整条链路当中，编码器逐渐减少池化层的空间维度，解码器逐步修复物体的细节和空间维度，通常，编码器和解码器之间存在快捷连接，这有助于解码器更好地修复目标的细节，通常这种思路更多地会被用在图像分割或语义分割的场景当中，因为实际上UNet中对于CNN功能的利用，还是更集中在利用滑窗机制的便利，针对滑窗的稳定性对图像中的像素点或像素集进行分割；

2)SRResNet建立恒等关系拟合图像与其超分辨率表示，SRResNet来源于SRGAN的生成器部分，其中SR的含义为“超分辨率”，顾名思义，SRResNet是一种通过建立恒等关系拟合图像与其超分辨率表示的一种网络结构，其通过从常规ResNet架构中删除不必要的模块，在使得模型结构更加紧凑的同时，模型参数变得更少，且梯度下降的速度增快，大大提升了训练的效率，另外，在SRResNet中实现了一种残差缩放技术，这种技术能够保证模型的精度不衰减的情况下，尽可能多地进行模型模块的堆叠，这样一方面增强了模型的泛化能力和表达能力，另一方面也能够适配更大容量的训练集合；

(3)交叉堆叠：

事实上，通过单个UNet和SRResNet，可以非常快速地建立起数据通路和训练流程，但是，由于两种模型各有优缺点，但为了满足UNet中Encoder to Decoder的设计思想，以及能够加入ResNet中的残差模块对模型进行恒等映射的拟合，按照“UNet encoder层+UNetdecoder层+SRResNet后16个Block层”的结构进行网络交叉堆叠；

(4)新的SAR目标样本通过该网络得到去噪结果。

与现有技术相比，本发明的有益效果是：

本发明构建的网络具有训练初期收敛效率高，末期收敛情况与其他基准模型相同的特征，利用稀疏表示与卷积滤波器的特性，进一步节省了训练时间，提高了模型的迭代效率，借助图像增广丰富数据以及图像重建消除噪声特性的设计，本发明有效地降低了SAR图像去噪过程对无噪声SAR图像的需求度，减少了实际任务中在无噪声SAR图像获取过程投入的开支，并取得更为优秀的SAR图像去噪效果。

附图说明

图1为本发明的总体技术路线。

图2为图像增广过程的展开。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例：

请参阅图1-2，本发明提供一种技术方案：一种基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法，该基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法的具体实施方案如下：

(1)利用图像增广和图像重进消除噪声特性对于模型训练过程的影响：

由于SAR图像获取成本较高，需要进行图像增广技术对训练图像做一系列的随机改变，来产生相似又不完全相同的图像样本，以此来获取更多训练集图像，进而扩大训练集的规模，具体步骤如下：

1)通过图像增广，由于图像的相似不变性，数据集规模和数据质量得到了很大的提升，为了给模型更好的训练空间，在原先有噪图像的基础上进行噪声叠加，图像集准备好后，在进入模型前，需要对图像进行一些预处理，预处理过程包括像素点归一化、边缘去锯齿、边缘平滑滤波等，预处理完成后，将图像组织成数据流，构成模型的输入；

2)假设无噪图分布为I，对应的有噪图分布为I'，噪声分布为N，总可以通过噪点的分布得到一个多项式模型的拟合如下：

f(I′)＝f(I)*g(N)^a+b*g(N)

其中，加性模型和乘性模型分别对应于a＝0,b＝1和a＝1,b＝0的情况，实际上是寻找一个数z使得测量值的损失计算最小化，即

arg(min_zE_y{L(z,y)})

对于L＝L2，满足条件的最优解z'可以取值为测量值的算数平均值：

z＝mean(y)

对于L＝L1，满足条件的最优解z'可以取值为测量值的中位数值：

z＝medium(y)

对于L＝L0，满足条件的最优解z'可以取值为测量值的众数值：

z＝mode(y)

从统计学角度，这类求解最优化问题的过程均是在最小化损失函数的过程，称之为最大似然估计过程，同样的，在实际问题当中，需要优化的问题可以表达为类似的形式：

arg(min_gE_f{L(f(I),f(I′)|g(N))})

3)考虑用一种图像重建的方法消除噪声特性对于模型训练过程的影响，首先对图像的像素点分布用较低的置信度进行拟合估计，然后取真实分布与估计分布的差值作为损失函数中的真值进行损失函数构建，在构建过程中，对L0、L1和L2做多项式拟合，拟合系数分别为P0、P1、P2和P3，其中P3为截距项；

4)消除噪声特性对于网络参数的影响，拟合估计与真实分布的差值实际上是一个自归一化的过程，通过自归一化，图像分布可以根据其自身加噪的情况映射到一个统一的量度标准上，省去了人工判断的过程。

5)拓展损失函数对于各类情况处理的普适性，损失函数加权是一种非常常见的提升模型鲁棒性的方法，且损失函数的权重P是可训练的，这就极大提升了模型效果的上限；

(2)基于UNet和SRResNet不依赖于无噪图像的卷积稀疏去噪：

CNN作为可训练滤波器中表达能力极强的一支，训练时层级越高，抽象程度越强，泛化和表征的能力也越强，更高的稀疏性可以保证模型在训练的过程中具有更快的收敛速度和更好的迭代质量，Unet网络前半部分作用是特征提取，后半部分是上采样，SRResNet建立恒等关系拟合图像与其超分辨率表示，旨在通过网络堆叠实现SAR图像的稀疏去噪，具体步骤如下：

1)通过UNet对SAR图像中的图像点或图像集进行平滑分割，Unet网络前半部分作用是特征提取，后半部分是上采样，构建思想实际上遵循了编码器-解码器(Encoder toDecoder)的设计理念，在整条链路当中，编码器逐渐减少池化层的空间维度，解码器逐步修复物体的细节和空间维度，通常，编码器和解码器之间存在快捷连接，这有助于解码器更好地修复目标的细节，通常这种思路更多地会被用在图像分割或语义分割的场景当中，因为实际上UNet中对于CNN功能的利用，还是更集中在利用滑窗机制的便利，针对滑窗的稳定性对图像中的像素点或像素集进行分割；

2)SRResNet建立恒等关系拟合图像与其超分辨率表示，SRResNet来源于SRGAN的生成器部分，其中SR的含义为“超分辨率”，顾名思义，SRResNet是一种通过建立恒等关系拟合图像与其超分辨率表示的一种网络结构，其通过从常规ResNet架构中删除不必要的模块，在使得模型结构更加紧凑的同时，模型参数变得更少，且梯度下降的速度增快，大大提升了训练的效率，另外，在SRResNet中实现了一种残差缩放技术，这种技术能够保证模型的精度不衰减的情况下，尽可能多地进行模型模块的堆叠，这样一方面增强了模型的泛化能力和表达能力，另一方面也能够适配更大容量的训练集合；

(3)交叉堆叠：

事实上，通过单个UNet和SRResNet，可以非常快速地建立起数据通路和训练流程，但是，由于两种模型各有优缺点，但为了满足UNet中Encoder to Decoder的设计思想，以及能够加入ResNet中的残差模块对模型进行恒等映射的拟合，按照“UNet encoder层+UNetdecoder层+SRResNet后16个Block层”的结构进行网络交叉堆叠；

(4)新的SAR目标样本通过该网络得到去噪结果。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明；因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (1)

1.一种基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法，其特征在于，该基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法的具体实施方案如下：

(1)利用图像增广和图像重进消除噪声特性对于模型训练过程的影响：

由于SAR图像获取成本较高，需要进行图像增广技术对训练图像做一系列的随机改变，来产生相似又不完全相同的图像样本，以此来获取更多训练集图像，进而扩大训练集的规模，具体步骤如下：

1)通过图像增广，由于图像的相似不变性，数据集规模和数据质量得到了很大的提升，为了给模型更好的训练空间，在原先有噪图像的基础上进行噪声叠加，图像集准备好后，在进入模型前，需要对图像进行一些预处理，预处理过程包括像素点归一化、边缘去锯齿、边缘平滑滤波等，预处理完成后，将图像组织成数据流，构成模型的输入；

2)假设无噪图分布为I，对应的有噪图分布为I'，噪声分布为N，总可以通过噪点的分布得到一个多项式模型的拟合如下：

f(I′)＝f(I)*g(N)^a+b*g(N)

其中，加性模型和乘性模型分别对应于a＝0,b＝1和a＝1,b＝0的情况，实际上是寻找一个数z使得测量值的损失计算最小化，即

arg(min_zE_y{L(z,y)})

对于L＝L2，满足条件的最优解z'可以取值为测量值的算数平均值：

z＝mean(y)

对于L＝L1，满足条件的最优解z'可以取值为测量值的中位数值：

z＝medium(y)

对于L＝L0，满足条件的最优解z'可以取值为测量值的众数值：

z＝mode(y)

从统计学角度，这类求解最优化问题的过程均是在最小化损失函数的过程，称之为最大似然估计过程，同样的，在实际问题当中，需要优化的问题可以表达为类似的形式：

arg(min_gE_f{L(f(I),f(I′)|g(N))})

3)考虑用一种图像重建的方法消除噪声特性对于模型训练过程的影响，首先对图像的像素点分布用较低的置信度进行拟合估计，然后取真实分布与估计分布的差值作为损失函数中的真值进行损失函数构建，在构建过程中，对L0、L1和L2做多项式拟合，拟合系数分别为P0、P1、P2和P3，其中P3为截距项；

4)消除噪声特性对于网络参数的影响，拟合估计与真实分布的差值实际上是一个自归一化的过程，通过自归一化，图像分布可以根据其自身加噪的情况映射到一个统一的量度标准上，省去了人工判断的过程。

5)拓展损失函数对于各类情况处理的普适性，损失函数加权是一种非常常见的提升模型鲁棒性的方法，且损失函数的权重P是可训练的，这就极大提升了模型效果的上限；

(2)基于UNet和SRResNet不依赖于无噪图像的卷积稀疏去噪：

CNN作为可训练滤波器中表达能力极强的一支，训练时层级越高，抽象程度越强，泛化和表征的能力也越强，更高的稀疏性可以保证模型在训练的过程中具有更快的收敛速度和更好的迭代质量，Unet网络前半部分作用是特征提取，后半部分是上采样，SRResNet建立恒等关系拟合图像与其超分辨率表示，旨在通过网络堆叠实现SAR图像的稀疏去噪，具体步骤如下：

1)通过UNet对SAR图像中的图像点或图像集进行平滑分割，Unet网络前半部分作用是特征提取，后半部分是上采样，构建思想实际上遵循了编码器-解码器(Encoder toDecoder)的设计理念，在整条链路当中，编码器逐渐减少池化层的空间维度，解码器逐步修复物体的细节和空间维度，通常，编码器和解码器之间存在快捷连接，这有助于解码器更好地修复目标的细节，通常这种思路更多地会被用在图像分割或语义分割的场景当中，因为实际上UNet中对于CNN功能的利用，还是更集中在利用滑窗机制的便利，针对滑窗的稳定性对图像中的像素点或像素集进行分割；

2)SRResNet建立恒等关系拟合图像与其超分辨率表示，SRResNet来源于SRGAN的生成器部分，其中SR的含义为“超分辨率”，顾名思义，SRResNet是一种通过建立恒等关系拟合图像与其超分辨率表示的一种网络结构，其通过从常规ResNet架构中删除不必要的模块，在使得模型结构更加紧凑的同时，模型参数变得更少，且梯度下降的速度增快，大大提升了训练的效率，另外，在SRResNet中实现了一种残差缩放技术，这种技术能够保证模型的精度不衰减的情况下，尽可能多地进行模型模块的堆叠，这样一方面增强了模型的泛化能力和表达能力，另一方面也能够适配更大容量的训练集合；

(3)交叉堆叠：

事实上，通过单个UNet和SRResNet，可以非常快速地建立起数据通路和训练流程，但是，由于两种模型各有优缺点，但为了满足UNet中Encoder to Decoder的设计思想，以及能够加入ResNet中的残差模块对模型进行恒等映射的拟合，按照“UNet encoder层+UNetdecoder层+SRResNet后16个Block层”的结构进行网络交叉堆叠；

(4)新的SAR目标样本通过该网络得到去噪结果。

Images