CN113379638B - 基于小波变换和间隔密集网络的sar图像去斑方法 - Google Patents
基于小波变换和间隔密集网络的sar图像去斑方法 Download PDFInfo
- Publication number
- CN113379638B CN113379638B CN202110700655.XA CN202110700655A CN113379638B CN 113379638 B CN113379638 B CN 113379638B CN 202110700655 A CN202110700655 A CN 202110700655A CN 113379638 B CN113379638 B CN 113379638B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- sar image
- mat
- dense
- 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 49
- 230000009466 transformation Effects 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明基于小波变换和间隔密集网络的SAR图像去斑方法，包括以下步骤：步骤1，获取待训练图像；步骤2，根据步骤1中的待训练图像，制作仿真SAR图像数据集；步骤3，将步骤1中的待训练图像和步骤2中得到的仿真SAR图像数据集分别进行对数变换，再进行一级小波变换，分别得到四个分量；步骤4，将步骤3中所对应的分量分别输入到间隔密集网络中进行训练，得到去除斑点噪声的四个分量；步骤5，将步骤4中得到的去除斑点噪声后的四个分量进行小波逆变换，再进行指数化，便得到去斑后的SAR图像。本发明解决了现有技术中图像去斑后边缘信息模糊和易产生伪影的问题。
Description
技术领域
本发明属于图像处理方法技术领域，具体涉及一种基于小波变换和间隔密集网络的SAR图像去斑方法。
背景技术
合成孔径雷达(SAR)是一种安装在飞机或航天器等平台上，可以创建地貌和目标二维图像的主动式对地观测系统。它通过SAR成像算法对地物目标的回波信号进行可视化，从而获得距离向和方位向上的目标SAR图像。合成孔径雷达可以克服光学成像和红外成像的局限性，不管白昼还是黑夜，不管晴天等简单气象条件还是雨天、雾天等复杂气象条件都可以工作，对地物目标进行成像，提供了一种可靠且不可替代的空间数据源。因此合成孔径雷达及其成像被广泛应用于国防、灾情防治、气象监测等众多领域中。但是由于SAR相干成像机制的影响，使得最后得到的SAR图像中存在随机波动的斑点噪声(也称作散斑噪声、乘性噪声)，严重影响了SAR图像后续任务的顺利进行，比如超分重构、目标检测、地物分类等。虽然有大量的SAR图像去斑算法被提出来，也取得了较好的效果。然而，在去除斑点的同时保持SAR图像更多纹理细节特征，依旧是SAR图像去斑问题的研究热点。
发明内容
本发明的目的是提供一种基于小波变换和间隔密集网络的SAR图像去斑方法，解决了现有技术中图像去斑后边缘信息模糊和易产生伪影的问题。
本发明所采用的技术方案是，基于小波变换和间隔密集网络的SAR图像去斑方法，包括以下步骤：
步骤1，获取待训练图像；
步骤2，根据步骤1中的待训练图像，制作仿真SAR图像数据集；
步骤3，将步骤1中的待训练图像和步骤2中得到的仿真SAR图像数据集分别进行对数变换，再进行一级小波变换，分别得到四个分量；
步骤4，将步骤3中所对应的分量分别输入到间隔密集网络中进行训练，得到去除斑点噪声的四个分量；
步骤5，将步骤4中得到的去除斑点噪声后的四个分量进行小波逆变换，再进行指数化，便得到去斑后的SAR图像。
本发明的特征还在于，
步骤1的具体操作为：
步骤1.1，选用遥感分类数据集UC Merced Land-Use作为训练样本图像集，该数据集包括21个类别彩色场景图，每个类别有100张，共2100张，图像大小都为256×256；
步骤1.2，对步骤1.1中的2100张彩色图片进行灰度处理，得到2100张灰度图像作为网络训练时的标签，记为R。
步骤2中的具体操作为：
对步骤1.1中得到的2100张灰度图像添加斑点噪声，输出得到对应的2100张仿真SAR图像数据集，记为F。用数学公式表示如公式(1)所示：
F(x,y)＝R(x,y)·N(x,y) (1)
式中，F(x,y)表示图像在(x,y)位置被斑点噪声污染的灰度值；R(x,y)表示清晰图像在(x,y)位置实际的后向散射系数；N(x,y)表示在图像(x,y)位置的添加的斑点噪声。
步骤3的具体操作为：
步骤3.1，对步骤1.2中得到的标签图像X和步骤2中得到的仿真SAR图像数据集Y进行对数变换，得到R'和F’，进行对数变换将乘性噪声转化为加性噪声，用公式表示为，对公式(1)进行对数变换得到公式(2)：
log[F(x,y)]＝log[R(x,y)]+log[N(x,y)] (2)；
步骤3.2，对步骤3.1中经过对数变换得到的R'和F’进行一级小波分解，得到小波变换分量cAR'、cVR'、cHR'、cDR'和cAF'、cVF'、cHF'、cDF'的.mat文件。
步骤4的具体操作为：
步骤4.1，将步骤3.2中得到cAR'的.mat文件和对应cAF'的.mat输入到间隔密集网络中进行训练，得到去斑后的cAF”的.mat文件；
步骤4.2，将步骤3.2中得到cVR'的.mat文件和对应cVF'的.mat输入到间隔密集网络中进行训练，得到去斑后的cVF”的.mat文件；
步骤4.3，将步骤3.2中得到cHR'的.mat文件和对应cHF'的.mat输入到间隔密集网络中进行训练，得到去斑后的cHF”的.mat文件；
步骤4.4，将步骤3.2中得到cDR'的.mat文件和对应cDF'的.mat输入到间隔密集网络中进行训练，得到去斑后的cDF”的.mat文件；
步骤5的具体操作为：
步骤5.1，将步骤4.1得到的cAF”的.mat文件、步骤4.2得到的cVF”的.mat文件、步骤4.3得到的cHF”的.mat文件、步骤4.4得到的cDF”的.mat文件进行小波逆变换，得到去斑后对数变换的SAR图像F”；
步骤5.2，将步骤5.1中得到的F”进行指数化便得到最终的去斑图像。
本发明的有益效果是：
(1)本发明SAR图像去斑方法主要是利用小波一级分解，将图像分解成四个子带，然后在间隔密集网络中进行训练和图像生成，能够最大限度地去除图像斑点噪声的同时并保留图像复杂的纹理细节信息；
(2)本发明SAR图像去斑方法，为SAR图像领域中的目标检测和地物分类等研究领域提供一个很好的预处理操作；
(3)本发明SAR图像去斑方法中对图像进行一级小波分解后的四个子带分别单独进行不同程度的训练，可以使斑点噪声去除的更加彻底，使结果更理想。
附图说明
图1是本发明基于小波变换和间隔密集网络的SAR图像去斑方法总体流程图；
图2是本发明基于小波变换和间隔密集网络的SAR图像去斑方法中间隔密集网络结构图；
图3是本发明基于小波变换和间隔密集网络的SAR图像去斑方法网络中的间隔密集模块网络结构图；
图4(a)～(b)是本发明基于小波变换和间隔密集网络的SAR图像去斑方法的实施例去噪图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于小波变换和间隔密集网络的SAR图像去斑方法，流程图如图1所示，具体按照以下步骤实施：
步骤1，获取待训练图像；
步骤1的具体操作为：
步骤1.1，选用常用的遥感分类数据集UC Merced Land-Use作为训练样本图像集，该数据集包括建筑、公园、公路、森林、港口等21个类别彩色场景图，每个类别有100张，共2100张，图像大小都为256×256；
步骤1.2，对步骤1.1中的2100张彩色图片进行灰度处理，得到2100张灰度图像作为网络训练时的标签，记为R。
步骤2，根据步骤1中的待训练图像，制作仿真SAR图像数据集；
步骤2中的具体操作为：
对步骤1.1中得到的2100张灰度图像添加斑点噪声，输出得到对应的2100张仿真SAR图像数据集，记为F。用数学公式表示如公式(1)所示：
F(x,y)＝R(x,y)·N(x,y) (1)；
式中，F(x,y)表示图像在(x,y)位置被斑点噪声污染的灰度值；R(x,y)表示清晰图像在(x,y)位置实际的后向散射系数；N(x,y)表示在图像(x,y)位置的添加的斑点噪声。
步骤3，将步骤1中的待训练图像和步骤2中得到的仿真SAR图像数据集分别进行对数变换，再进行一级小波变换，分别得到四个分量；
步骤3的具体操作为：
步骤3.1，对步骤1.2中得到的标签图像X和步骤2中得到的仿真SAR图像数据集Y进行对数变换，得到R'和F’，进行对数变换可以将乘性噪声转化为加性噪声，用公式表示为，对公式(1)进行对数变换得到公式(2)：
log[F(x,y)]＝log[R(x,y)]+log[N(x,y)] (2)；
步骤3.2，对步骤3.1中经过对数变换得到的R'和F’进行一级小波分解，得到小波变换分量cAR'、cVR'、cHR'、cDR'和cAF'、cVF'、cHF'、cDF'的.mat文件。
步骤4，将步骤3所得的四个分量分别对应输入到间隔密集网络中进行训练，得到去除斑点噪声的四个分量；
步骤4的具体操作为；
步骤4.1，将步骤3.2中得到cAR'的.mat文件和对应cAF'的.mat输入到间隔密集网络中进行训练，得到去斑后的cAF”的.mat文件，间隔密集网络如图2所示；
步骤4.1的具体操作为：
取步骤3.2中得到cAR'的.mat文件和对应cAF'的.mat输入到间隔密集网络中进行训练，输入到间隔密集网络中。带噪声的高频图像经过网络计算，具体为：先经过一个卷积模块和一个下采样模块，然后经过6个间隔密集模块，最后经过上采样模块和一个卷积Tanh模块，输出一个与输入一样大小的去斑后的cAF”的.mat文件。间隔密集网络如图2所示，具体执行过程如下。
步骤4.1.1，cAF'的.mat文件经过卷积模块进行特种提取，从而得到cAF'的空间特征，再通过下采样模块增加特征的多样性。第一个卷积层结构如图2中第一个卷积所示，图中Conv，k7，n32，s1表示卷积操作，卷积核大小为7x7、卷积核个数为32个、步长s设置为1；下采样模块的结构如图2中第二个卷积所示，图中Conv，k5，n64，s2表示卷积操作，卷积核大小为5x5、卷积核个数为64个、步长s设置为2；BN表示Batch Normalizati归一化操作。
步骤4.1.2，将步骤4.1.1中得到的cAF'空间特征输入到间隔密集网络中的6个间隔密集块进行训练，跟据损失函数更迭减小来达到图像去噪效果。密集块具体结构如图3所示，其中Conv1-Conv6分别表示6个卷积操作，Conv,k3，n32，s1表示卷积操作，卷积核的大小为3x3、卷积核个数为32个、步长s设置为1。Concat表示F0,F1，...Fn-1在第三个通道方向相互连接，经过Conv，k1，s1卷积操作使得F7与F0的通道数相同，最后F7与F0两个张量相加，输出F8，即为一个RDB的输出。表示网络结构中图像特征传递过程如公式(3)所示：
公式中，F0,F1，...Fn-1分别表示每一个ConvBlock的输出，Wn表示每一个ConvBlock内的权重参数，ReLU表示一个非线性激活函数。
本发明使用的损失函数为逐像素损失函数MSEloss，具体计算如公式(4)，在训练过程中可以监控损失函数的大小，随着训练次数的增加，损失函数逐步减小，但训练过多会造成图像过拟合，从而使损失函数变大。当损失函数达到最小时，便得到我们需要的网络模型。公式(4)如下所示：
式中，h1w1是输入图像的高和宽；F1是本文定义的去噪网络，x1代表干净的图像，y1代表带噪声的图像。
步骤4.1.3，将步骤4.1.2去斑后的cAF'的空间特征经过反卷积重构回原来的图像特征，得到去斑后的cAF”的.mat文件。具体由图2的后两个卷积层实现，其中Conv，k5，n32，s1/2，表示反卷积操作，实现上采样功能，反卷积核大小为5x5、反卷积核为32个、步长为s为2，Conv，k7，n3，s1表示卷积操作，卷积核大小为7x7、卷积核个数为3个、步长s为1；Tanh表示一个非线性激活函数。
步骤4.2，将步骤3.2中得到cVR'的.mat文件和对应cVF'的.mat输入到间隔密集网络中进行训练，得到去斑后的cVF”的.mat文件；
步骤4.2的具体操作为：
取步骤3.2中得到cVR'的.mat文件和对应cVF'的.mat输入到间隔密集网络中进行训练，输入到间隔密集网络中。带噪声的高频图像经过网络计算，具体为：先经过一个卷积模块和一个下采样模块，然后经过6个间隔密集模块，最后经过上采样模块和一个卷积Tanh模块，输出一个与输入一样大小的去斑后的cVF”的.mat文件。间隔密集网络如图2所示，具体执行过程如下。
步骤4.2.1，cVF'的.mat文件经过卷积模块进行特种提取，从而得到cVF'的空间特征，再通过下采样模块增加特征的多样性。第一个卷积层结构如图2中第一个卷积所示，图中Conv，k7，n32，s1表示卷积操作，卷积核大小为7x7、卷积核个数为32个、步长s设置为1；下采样模块的结构如图2中第二个卷积所示，图中Conv，k5，n64，s2表示卷积操作，卷积核大小为5x5、卷积核个数为64个、步长s设置为2；BN表示Batch Normalizati归一化操作。
步骤4.2.2，将步骤4.1.1中得到的cVF'空间特征输入到间隔密集网络中的6个间隔密集块进行训练，跟据损失函数更迭减小来达到图像去噪效果。密集块具体结构如图3所示，其中Conv1-Conv6分别表示6个卷积操作，Conv,k3，n32，s1表示卷积操作，卷积核的大小为3x3、卷积核个数为32个、步长s设置为1。Concat表示F0,F1，...Fn-1在第三个通道方向相互连接，经过Conv，k1，s1卷积操作使得F7与F0的通道数相同，最后F7与F0两个张量相加，输出F8，即为一个RDB的输出。表示网络结构中图像特征传递过程如公式(3)所示：
公式中，F0,F1，...Fn-1分别表示每一个ConvBlock的输出，Wn表示每一个ConvBlock内的权重参数，ReLU表示一个非线性激活函数。
我们使用的损失函数为逐像素损失函数MSEloss，具体计算如公式(5)，在训练过程中可以监控损失函数的大小，随着训练次数的增加，损失函数逐步减小，但训练过多会造成图像过拟合，从而使损失函数变大。当损失函数达到最小时，便得到我们需要的网络模型。公式(5)如下所示：
式中，h2w2是输入图像的高和宽；F2是本文定义的去噪网络，x2代表干净的图像，y2代表带噪声的图像。
步骤4.2.3，将步骤4.2.2去斑后的cVF'的空间特征经过反卷积重构回原来的图像特征，得到去斑后的cVF”的.mat文件。具体由图2的后两个卷积层实现，其中Conv，k5，n32，s2，表示反卷积操作，实现上采样功能，反卷积核大小为5x5、反卷积核为32个、步长为s为2，Conv，k7，n3，s1表示卷积操作，卷积核大小为7x7、卷积核个数为3个、步长s为1；Tanh表示一个非线性激活函数。
步骤4.3，将步骤3.2中得到cHR'的.mat文件和对应cHF'的.mat输入到间隔密集网络中进行训练，得到去斑后的cHF”的.mat文件；
步骤4.3的具体操作为：
取步骤3.2中得到cHR'的.mat文件和对应cHF'的.mat输入到间隔密集网络中进行训练，输入到间隔密集网络中。带噪声的高频图像经过网络计算，具体为：先经过一个卷积模块和一个下采样模块，然后经过6个间隔密集模块，最后经过上采样模块和一个卷积Tanh模块，输出一个与输入一样大小的去斑后的cHF”的.mat文件。间隔密集网络如图2所示，具体执行过程如下。
步骤4.3.1，cHF'的.mat文件经过卷积模块进行特种提取，从而得到cHF'的空间特征，再通过下采样模块增加特征的多样性。第一个卷积层结构如图2中第一个卷积所示，图中Conv，k7，n32，s1表示卷积操作，卷积核大小为7x7、卷积核个数为32个、步长s设置为1；下采样模块的结构如图2中第二个卷积所示，图中Conv，k5，n64，s2表示卷积操作，卷积核大小为5x5、卷积核个数为64个、步长s设置为2；BN表示Batch Normalizati归一化操作。
步骤4.3.2，将步骤4.1.1中得到的cHF'空间特征输入到间隔密集网络中的6个间隔密集块进行训练，跟据损失函数更迭减小来达到图像去噪效果。密集块具体结构如图3所示，其中Conv1-Conv6分别表示6个卷积操作，Conv,k3，n32，s1表示卷积操作，卷积核的大小为3x3、卷积核个数为32个、步长s设置为1。Concat表示F0,F1，...Fn-1在第三个通道方向相互连接，经过Conv，k1，s1卷积操作使得F7与F0的通道数相同，最后F7与F0两个张量相加，输出F8，即为一个RDB的输出。表示网络结构中图像特征传递过程如公式(3)所示：
公式中，F0,F1，...Fn-1分别表示每一个ConvBlock的输出，Wn表示每一个ConvBlock内的权重参数，ReLU表示一个非线性激活函数。
我们使用的损失函数为逐像素损失函数MSEloss，具体计算如公式(6)，在训练过程中可以监控损失函数的大小，随着训练次数的增加，损失函数逐步减小，但训练过多会造成图像过拟合，从而使损失函数变大。当损失函数达到最小时，便得到我们需要的网络模型。公式(6)如下所示：
式中，h3w3是输入图像的高和宽；F3是本文定义的去噪网络，x3代表干净的图像，y3代表带噪声的图像。
步骤4.3.3，将步骤4.3.2去斑后的cHF'的空间特征经过反卷积重构回原来的图像特征，得到去斑后的cHF”的.mat文件。具体由图2的后两个卷积层实现，其中Conv，k5，n32，s1/2，表示反卷积操作，实现上采样功能，反卷积核大小为5x5、反卷积核为32个、步长为s为2，Conv，k7，n3，s1表示卷积操作，卷积核大小为7x7、卷积核个数为3个、步长s为1；Tanh表示一个非线性激活函数。
步骤4.4，将步骤3.2中得到cDR'的.mat文件和对应cDF'的.mat输入到间隔密集网络中进行训练，得到去斑后的cDF”的.mat文件；
步骤4.4的具体操作为：
取步骤3.2中得到cDR'的.mat文件和对应cDF'的.mat输入到间隔密集网络中进行训练，输入到间隔密集网络中。带噪声的高频图像经过网络计算，具体为：先经过一个卷积模块和一个下采样模块，然后经过6个间隔密集模块，最后经过上采样模块和一个卷积Tanh模块，输出一个与输入一样大小的去斑后的cDF”的.mat文件。间隔密集网络如图2所示，具体执行过程如下。
步骤4.4.1，cDF'的.mat文件经过卷积模块进行特种提取，从而得到cVF'的空间特征，再通过下采样模块增加特征的多样性。第一个卷积层结构如图2中第一个卷积所示，图中Conv，k7，n32，s1表示卷积操作，卷积核大小为7x7、卷积核个数为32个、步长s设置为1；下采样模块的结构如图2中第二个卷积所示，图中Conv，k5，n64，s2表示卷积操作，卷积核大小为5x5、卷积核个数为64个、步长s设置为2；BN表示Batch Normalizati归一化操作。
步骤4.4.2，将步骤4.1.1中得到的cDF'空间特征输入到间隔密集网络中的6个间隔密集块进行训练，跟据损失函数更迭减小来达到图像去噪效果。密集块具体结构如图3所示，其中Conv1-Conv6分别表示6个卷积操作，Conv,k3，n32，s1表示卷积操作，卷积核的大小为3x3、卷积核个数为32个、步长s设置为1。Concat表示F0,F1，...Fn-1在第三个通道方向相互连接，经过Conv，k1，s1卷积操作使得F7与F0的通道数相同，最后F7与F0两个张量相加，输出F8，即为一个RDB的输出。表示网络结构中图像特征传递过程如公式(3)所示：
公式中，F0,F1，...Fn-1分别表示每一个ConvBlock的输出，Wn表示每一个ConvBlock内的权重参数，ReLU表示一个非线性激活函数。
我们使用的损失函数为逐像素损失函数MSEloss，具体计算如公式(7)，在训练过程中可以监控损失函数的大小，随着训练次数的增加，损失函数逐步减小，但训练过多会造成图像过拟合，从而使损失函数变大。当损失函数达到最小时，便得到我们需要的网络模型。公式(7)如下所示：
式中，h4w4是输入图像的高和宽；F4是本文定义的去噪网络，x4代表干净的图像，y4代表带噪声的图像。
步骤4.4.3，将步骤4.4.2去斑后的cDF'的空间特征经过反卷积重构回原来的图像特征，得到去斑后的cDF”的.mat文件。具体由图2的后两个卷积层实现，其中Conv，k5，n32，s1/2，表示反卷积操作，实现上采样功能，反卷积核大小为5x5、反卷积核为32个、步长为s为2，Conv，k7，n3，s1表示卷积操作，卷积核大小为7x7、卷积核个数为3个、步长s为1；Tanh表示一个非线性激活函数。
步骤5，将步骤4中得到的去除斑点噪声后的四个分量进行小波逆变换，再进行指数化，便得到去斑后的SAR图像。
步骤5的具体操作为：
步骤5.1，将步骤4.1得到的cAF”的.mat文件，步骤4.2得到的cVF”的.mat文件，步骤4.3得到的cHF”的.mat文件，步骤4.4得到的cDF”的.mat文件进行小波逆变换，得到去斑后对数变换的SAR图像F”；
步骤5.2，将步骤5.1中得到的F”进行指数化便得到最终的去斑图像，去斑结果图如图4所示，图4(a)为加斑点噪声图像，图4(b)为去斑图像。
Claims (6)
1.基于小波变换和间隔密集网络的SAR图像去斑方法，其特征在于：具体包括以下步骤：
步骤1，获取待训练图像；
步骤2，根据步骤1中的待训练图像，制作仿真SAR图像数据集；
步骤3，将步骤1中的待训练图像和步骤2中得到的仿真SAR图像数据集分别进行对数变换，再进行一级小波变换，分别得到四个分量；
步骤4，将步骤3所得的四个分量分别输入到一个间隔密集网络中进行训练，得到去除斑点噪声的四个分量；
所述间隔密集网络为，先经过一个卷积模块和一个下采样模块，然后经过6个间隔密集块，最后经过上采样模块和一个卷积Tanh模块；所述间隔密集块包括Conv1-Conv6共六个卷积操作,网络结构中图像特征传递过程如公式(1)所示：
公式中，F0,F1，...Fn-1分别表示每一个ConvBlock的输出，Wn表示每一个ConvBlock内的权重参数，ReLU表示一个非线性激活函数；
步骤5，将步骤4中得到的去除斑点噪声后的四个分量进行小波逆变换，再进行指数化，便得到去斑后的SAR图像。
2.根据权利要求1所述的基于小波变换和间隔密集网络的SAR图像去斑方法，其特征在于：所述步骤1的具体操作为：
步骤1.1，选用遥感分类数据集UC Merced Land-Use作为训练样本图像集，该数据集包括21个类别彩色场景图，每个类别有100张，共2100张图像，图像大小都为256×256；
步骤1.2，对步骤1.1中的2100张彩色图片进行灰度处理，得到2100张灰度图像作为网络训练时的标签，记为R。
3.根据权利要求2所述的基于小波变换和间隔密集网络的SAR图像去斑方法，其特征在于：所述步骤2中的具体过程为：
对步骤1.1中得到的2100张灰度图像添加斑点噪声，输出得到对应的2100张仿真SAR图像数据集，记为F，如公式(2)所示：
F(x,y)＝R(x,y)·N(x,y) (2)；
式中，F(x,y)表示图像在(x,y)位置被斑点噪声污染的灰度值；R(x,y)表示清晰图像在(x,y)位置实际的后向散射系数；N(x,y)表示在图像(x,y)位置的添加的斑点噪声。
4.根据权利要求3所述的基于小波变换和间隔密集网络的SAR图像去斑方法，其特征在于：所述步骤3的具体过程为：
步骤3.1，对步骤1.2中得到的标签图像X和步骤2中得到的仿真SAR图像数据集Y进行对数变换，分别对应得到R'和F’，进行对数变换将乘性噪声转化为加性噪声，用公式表示为，对公式(2)进行对数变换得到公式(3)：
log[F(x,y)]＝log[R(x,y)]+log[N(x,y)] (3)；
步骤3.2，对步骤3.1中经过对数变换得到的R'和F’进行一级小波分解，得到小波变换分量cAR'、cVR'、cHR'、cDR'和cAF'、cVF'、cHF'、cDF'的.mat文件。
5.根据权利要求4所述的基于小波变换和间隔密集网络的SAR图像去斑方法，其特征在于：所述步骤4的具体过程为：
步骤4.1，将步骤3.2中得到cAR'的.mat文件和对应cAF'的.mat输入到间隔密集网络中进行训练，得到去斑后的cAF”的.mat文件；
步骤4.2，将步骤3.2中得到cVR'的.mat文件和对应cVF'的.mat输入到间隔密集网络中进行训练，得到去斑后的cVF”的.mat文件；
步骤4.3，将步骤3.2中得到cHR'的.mat文件和对应cHF'的.mat输入到间隔密集网络中进行训练，得到去斑后的cHF”的.mat文件；
步骤4.4，将步骤3.2中得到cDR'的.mat文件和对应cDF'的.mat输入到间隔密集网络中进行训练，得到去斑后的cDF”的.mat文件。
6.根据权利要求5所述的基于小波变换和间隔密集网络的SAR图像去斑方法，其特征在于：所述步骤5的具体过程为：
步骤5.1，将步骤4.1得到的cAF”的.mat文件、步骤4.2得到的cVF”的.mat文件、步骤4.3得到的cHF”的.mat文件、步骤4.4得到的cDF”的.mat文件进行小波逆变换，得到去斑后对数变换的SAR图像F”；
步骤5.2，将步骤5.1中得到的F”进行指数化便得到最终的去斑图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110700655.XA CN113379638B (zh) | 2021-06-23 | 2021-06-23 | 基于小波变换和间隔密集网络的sar图像去斑方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110700655.XA CN113379638B (zh) | 2021-06-23 | 2021-06-23 | 基于小波变换和间隔密集网络的sar图像去斑方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113379638A CN113379638A (zh) | 2021-09-10 |
| CN113379638B true CN113379638B (zh) | 2023-07-25 |
Family
ID=77578741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110700655.XA Active CN113379638B (zh) | 2021-06-23 | 2021-06-23 | 基于小波变换和间隔密集网络的sar图像去斑方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379638B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805833A (zh) * | 2018-05-29 | 2018-11-13 | 西安理工大学 | 基于条件对抗网络的字帖二值化背景噪声杂点去除方法 |
| CN110517195A (zh) * | 2019-07-26 | 2019-11-29 | 西安电子科技大学 | 无监督sar图像去噪方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9363024B2 (en) * | 2012-03-09 | 2016-06-07 | The United States Of America As Represented By The Secretary Of The Army | Method and system for estimation and extraction of interference noise from signals |
| WO2014036538A2 (en) * | 2012-08-31 | 2014-03-06 | Rutgers, The State University Of New Jersey | Systems and methods for noise reduction and signal enhancement of coherent imaging systems |
| CN110390650B (zh) * | 2019-07-23 | 2022-02-11 | 中南大学 | 基于密集连接和生成对抗网络的oct图像去噪方法 |
| CN110838089B (zh) * | 2019-09-18 | 2022-07-26 | 浙江工业大学 | 一种基于OctBlock密集块的快速图像去噪方法 |
| 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 |
| CN112991199B (zh) * | 2021-02-08 | 2024-02-09 | 西安理工大学 | 一种基于残差密集网络的图像高低频分解噪声去除方法 |
-
2021
- 2021-06-23 CN CN202110700655.XA patent/CN113379638B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805833A (zh) * | 2018-05-29 | 2018-11-13 | 西安理工大学 | 基于条件对抗网络的字帖二值化背景噪声杂点去除方法 |
| CN110517195A (zh) * | 2019-07-26 | 2019-11-29 | 西安电子科技大学 | 无监督sar图像去噪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113379638A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Review of video and image defogging algorithms and related studies on image restoration and enhancement | |
| CN112233026A (zh) | 一种基于多尺度残差注意力网络的sar图像去噪方法 | |
| CN114677300B (zh) | 一种基于双阶段学习框架的高光谱图像深度降噪的方法及系统 | |
| CN107590779B (zh) | 一种基于图像块聚类字典训练的图像去噪去模糊方法 | |
| CN102542542A (zh) | 基于非局部稀疏模型的图像去噪方法 | |
| JP2017199235A (ja) | 学習型アルゴリズムによるフォーカス補正処理方法 | |
| CN112967210B (zh) | 一种基于全卷积孪生网络的无人机图像去噪方法 | |
| CN112734763B (zh) | 基于卷积与k-svd字典联合稀疏编码的图像分解方法 | |
| CN1251145C (zh) | 综合边缘和纹理信息的金字塔图像融合方法 | |
| CN108230280A (zh) | 基于张量模型与压缩感知理论的图像斑点噪声去除方法 | |
| Yang et al. | An improved weighted nuclear norm minimization method for image denoising | |
| CN103871031A (zh) | 基于核回归的sar图像相干斑抑制 | |
| Pires et al. | Image denoising using attention-residual convolutional neural networks | |
| CN113379638B (zh) | 基于小波变换和间隔密集网络的sar图像去斑方法 | |
| CN113421198A (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
| CN111461999B (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
| CN113066023A (zh) | 一种基于自校准卷积神经网络的sar图像去斑方法 | |
| CN105096274B (zh) | 基于非下采样轮廓波域混合统计模型的红外图像降噪方法 | |
| CN108765350B (zh) | 一种面向航天光学遥感图像量子化滤波方法 | |
| CN102722878A (zh) | 基于目标提取和ppb算法的sar图像去斑方法 | |
| CN114821239B (zh) | 一种有雾环境下的病虫害检测方法 | |
| CN111028160A (zh) | 一种基于卷积神经网络的遥感图像噪声抑制方法 | |
| El-Khamy et al. | Going shallower with MobileNets: On the impact of wavelet pooling | |
| CN113658072A (zh) | 一种基于渐进式反馈网络的水下图像增强方法 | |
| CN115689958A (zh) | 一种基于深度学习的合成雷达图像去噪方法 |
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 |