CN118013204B - 雷达调制信号时频图像去噪的方法及装置 - Google Patents
雷达调制信号时频图像去噪的方法及装置 Download PDFInfo
- Publication number
- CN118013204B CN118013204B CN202410412552.7A CN202410412552A CN118013204B CN 118013204 B CN118013204 B CN 118013204B CN 202410412552 A CN202410412552 A CN 202410412552A CN 118013204 B CN118013204 B CN 118013204B
- Authority
- CN
- China
- Prior art keywords
- data set
- module
- image
- feature
- denoising
- 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 57
- 238000000605 extraction Methods 0.000 claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000012795 verification Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 61
- 230000007246 mechanism Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 25
- 230000006835 compression Effects 0.000 claims description 19
- 238000007906 compression Methods 0.000 claims description 19
- 230000014509 gene expression Effects 0.000 claims description 18
- CVKBYFCJQSPBOI-UHFFFAOYSA-N methyl 3-[(4-methylphenyl)sulfonylamino]benzoate Chemical compound COC(=O)C1=CC=CC(NS(=O)(=O)C=2C=CC(C)=CC=2)=C1 CVKBYFCJQSPBOI-UHFFFAOYSA-N 0.000 claims description 17
- IMBXRZKCLVBLBH-OGYJWPHRSA-N cvp protocol Chemical compound ClCCN(CCCl)P1(=O)NCCCO1.O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1.C([C@H](C[C@]1(C(=O)OC)C=2C(=C3C([C@]45[C@H]([C@@]([C@H](OC(C)=O)[C@]6(CC)C=CCN([C@H]56)CC4)(O)C(=O)OC)N3C=O)=CC=2)OC)C[C@@](C2)(O)CC)N2CCC2=C1NC1=CC=CC=C21 IMBXRZKCLVBLBH-OGYJWPHRSA-N 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- 230000000153 supplemental effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 22
- 230000000694 effects Effects 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 15
- 238000002474 experimental method Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000009977 dual effect Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000002679 ablation Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明的一种雷达调制信号时频图像去噪的方法及装置，属于雷达信号处理和图像处理技术领域，方法包括以下步骤：获取雷达信号，并建立雷达信号时频图像数据集，所述数据集包括训练、验证和测试数据集；建立图像去噪模型，所述图像去噪模型包括特征提取模块、特征处理块和重建模块；利用训练数据集训练图像去噪模型得到模型参数，将得到的模型参数代入验证数据集，获取使得验证数据集损失函数最小的模型参数；使用损失函数最小的模型参数，对测试数据集进行测试，得到测试数据集的预测值，得到去噪后的雷达调制信号时频图像。本发明与现有图像去噪算法相比，拥有更优秀的去噪性能，在保护图像边缘和细节信息的同时还可以有效去除了复杂噪声。
Description
技术领域
本发明涉及一种雷达调制信号时频图像去噪的方法及装置，属于雷达信号处理及图像处理技术领域。
背景技术
雷达信号时频图像去噪不仅是图像去噪的一个分支，而且是雷达信号处理中非常重要的环节，其目标是从含噪时频图像中恢复出清晰图像，既具有自身的实用性，也是信号调制识别、雷达侦察与对抗和电子情报与支援等应用的重要预处理步骤。在较低信噪比的苛刻条件下，噪声会使雷达信号的时频图像质量下降，图像中关键时频信息也会丢失，产生严重的影响。
雷达信号时频图像去噪的本质是图像去噪。传统的空间域去噪和变换域去噪算法虽取得了一定的效果，但造成许多细节丢失，去噪效果往往不尽如人意，并且计算复杂度也较高。针对这些问题，图像先验建模被用来进行去噪，如非局部均值去噪方法，块匹配三维滤波算法等，这类方法具有大量的重复计算，计算复杂度很高。
由于卷积神经网络（Convolutional Neural Network，CNN）优秀的特征学习能力和关系映射能力，使得其在图像去噪任务中取得了显著的突破。基于CNN的方法逐渐成为图像去噪领域的主流。Zhang等将残差学习应用至图像去噪，提出了前馈去噪卷积网络DnCNN[K. Zhang, W. Zuo, Y. Chen, et al. Beyond a gaussian denoiser: Residuallearning of deep cnn for image denoising[J]. IEEE transactions on imageprocessing, 2017, 26(7): 3142-3155.]，在提取深度特征时将低级特征信息作为参考，并引入批归一化（Batch Normalization，BN）调节网络以提升网络收敛速度，从而高效获取残差图像，提高图像去噪效果，但随着深度的增加导致其特征提取能力受限，对于较大的图像结构无法 充分获取上下文信息。随后Zhang等将神经网络提取的先验信息与去噪模型相结合，提出了IRCNN[K. Zhang, W. Zuo, S. Gu, et al. Learning deep CNN denoiserprior for image restoration[C]//Proceedings of the IEEE conference oncomputer vision and pattern recognition. 2017: 3929-3938.]。为了进一步优化神经网络的去噪性能，Tian等提出ADNet算法[C. Tian, Y. Xu, Z. Li, et al. Attention-guided CNN for image denoising[J]. Neural Networks, 2020, 124: 117-129.]，引入了注意力机制，大大提升了模型应对复杂含噪图像的处理能力。另外利用扩张卷积扩大感受野，以捕获更多的噪声，达到更好的去噪效果。BRDNet算法[C. Tian, Y. Xu, W. Zuo.Image denoising using deep CNN with batch renormalization. Neural Networks[J]. Neural Network, 2020, 121, 461-473.]在网络中融合批量重整化来解决内部协变量移位和小批量问题。DudeNet[C. Tian, Y. Xu, W. Zuo, et al. Designing andtraining of a dual CNN for image denoising[J]. Knowledge-Based Systems, 2021,226: 106949.]在压缩块中使用小尺寸滤波器，降低了去噪的复杂度。上述技术虽取得了较好的结果，但在低信噪比下去噪的性能表现仍有提升空间。
发明内容
为了解决上述问题，本发明提出了一种雷达调制信号时频图像去噪的方法及装置，能够提升图像的去噪效果。
本发明为解决其技术问题所采取的技术方案是：
第一方面，本发明实施例提供的一种雷达调制信号时频图像去噪的方法，包括如下步骤：
获取雷达信号，并建立雷达信号时频图像数据集，获取的雷达信号包括连续调频信号、离散调频信号、相位调制信号、无额外调制信号和复合调制信号，所述数据集包括训练数据集、验证数据集和测试数据集；
建立图像去噪模型，所述图像去噪模型包括特征提取模块FEB、特征处理块FPB和重建模块RB；
利用训练数据集训练图像去噪模型得到模型参数，将得到的模型参数代入验证数据集，获取使得验证数据集损失函数最小的模型参数；
使用损失函数最小的模型参数，对测试数据集进行测试，得到测试数据集的预测值，得到去噪后的雷达调制信号时频图像。
作为本实施例一种可能的实现方式，所述获取雷达信号，并建立雷达信号时频图像数据集，包括：
利用雷达接收机截获的一维时域雷达信号为：
<1>
其中，表示接收到的实际雷达信号，表示辐射源发出的实际雷达信号，是噪声，具有加性高斯白噪声的特性；
对一维时域雷达信号进行短时傅里叶变换，将其从一维信号通过时频分析转换成二维时频图像，短时傅里叶变换的表达式为：
<2>
其中，是窗函数，沿时间轴移动；τ表示时间偏移；
选择二维时频图像构建雷达信号时频图像数据集，并划分为训练数据集、验证数据集和测试数据集。
作为本实施例一种可能的实现方式，所述建立图像去噪模型，包括：
搭建特征提取模块FEB，所述特征提取模块FEB包括多尺度稀疏注意力模块MSAB和卷积信息模块CIB；
搭建特征处理块FPB，用于处理特征提取模块FEB提取出的多尺度特征，加强去噪性能，进一步得到噪声特征，所述特征提取模块FPB包括空间注意力块SAB、两次特征压缩操作COP和两次特征增强操作EOP；
搭建重建模块RB，用于构造残差运算，通过完整的去噪模型得到预测残差；
选择损失函数，用于计算输入时频图像和预测残差之间的损失。
作为本实施例一种可能的实现方式，所述特征提取模块FEB的表达式为：
<3>
其中，和分别表示FEB的输出和FEB的函数，表示网络的输入；
所述多尺度稀疏注意力模块MSAB包括随机排序稀疏机制、多尺度机制和通道注意力机制，用于提取不同的特征以及减少网络深度，其过程描述为：
<4>
其中，和分别表示MSAB的特征提取函数和提取出的特征；
所述卷积信息模块CIB用于提取雷达信号时频图的局部特征，其过程描述为：
<5>
其中，和分别表示CIB的特征提取函数和提取出的特征。
作为本实施例一种可能的实现方式，所述特征提取模块FPB对不同的特征进行融合，并对所提取的噪声进行加工，从而得到最终的噪声特征图，其运算表达式如下：
<6>
其中，和分别表示FPB的输出和FPB的函数。
作为本实施例一种可能的实现方式，所述特征提取模块FPB对不同的特征进行融合，并对所提取的噪声进行加工，从而得到最终的噪声特征图，包括：
将特征提取模块FPB的输出送到特征增强操作EOP1中，特征增强操作EOP1通过拼接实现来自FEB两个模块的两个不同特征的融合，表达式如下：
<7>
其中，表示EOP1和EOP2的函数，表示EOP1的输出；
将空间注意力块SAB和特征压缩操作COP1位于特征增强操作EOP1和特征增强操作EOP2之间，分别用于捕获特征空间中的位置信息和细化提取的特征，其表达式分别如下：
<8>
<9>
其中，表示SAB操作，表示SAB的输出，表示COP1和COP2的函数，表示COP1的输出；
在特征压缩操作COP1之后，特征增强操作EOP2结合补充信息，表示如下：
<10>
其中，表示EOP2的输出；
特征压缩操作COP2进一步处理特征增强操作EOP2的输出：
<11>
其中，表示COP2的输出。
作为本实施例一种可能的实现方式，所述重建模块RB对输入噪声图像和FPB处理后的特征图做减法，得到潜在的清晰雷达波形时频图像：
<12>
其中，表示网络的输出，“”表示简单的元素相减。
作为本实施例一种可能的实现方式，所述损失函数选择均方误差MSE来调节模型参数，公式为：
<13>
其中，表示第个干净的图像，表示预测残差，表示真实残差。
第二方面，本发明实施例提供的一种雷达调制信号时频图像去噪的装置，包括：
数据获取模块，用于获取雷达信号，并建立雷达信号时频图像数据集，获取的雷达信号包括连续调频信号、离散调频信号、相位调制信号、无额外调制信号和复合调制信号，所述数据集包括训练数据集、验证数据集和测试数据集；
模型建立模块，用于建立图像去噪模型，所述图像去噪模型包括特征提取模块FEB、特征处理块FPB和重建模块RB；
模型训模块，用于利用训练数据集训练图像去噪模型得到模型参数，将得到的模型参数代入验证数据集，获取使得验证数据集损失函数最小的模型参数；
图像去噪模块，用于使用损失函数最小的模型参数，对测试数据集进行测试，得到测试数据集的预测值，得到去噪后的雷达调制信号时频图像。
作为本实施例一种可能的实现方式，所述模型建立模块，包括：
FEB搭建模块，用于搭建特征提取模块FEB，所述特征提取模块FEB包括多尺度稀疏注意力模块MSAB和卷积信息模块CIB；
FPB搭建模块，用于搭建特征处理块FPB，用于处理特征提取模块FEB提取出的多尺度特征，加强去噪性能，进一步得到噪声特征，所述特征提取模块FPB包括空间注意力块SAB、两次特征压缩操作COP和两次特征增强操作EOP；
RB搭建模块，用于搭建重建模块RB，用于构造残差运算，通过完整的去噪模型得到预测残差；
损失函数选择模块，用于选择损失函数，用于计算输入时频图像和预测残差之间的损失。
本发明实施例的技术方案所产生的有益效果如下：
本发明采用双网络的设计，可同时提取全局和局部特征，构造包含不同扩张率的扩张卷积的三路并行多尺度块，以丰富网络的感受野，弥补卷积过程中细节信息的损失，从而融合不同层级特征信息。本发明还设计了由三路并行多尺度块和普通卷积随机排序形成的稀疏机制，以增强网络的泛化能力。为了更好地提取图像的边缘和纹理特征，本发明嵌入了双重关注机制来指导网络去噪，经过本发明所述方法去噪后的图像在低信噪比时具有清晰完整的轮廓，接近干净的时频图像。本发明拥有更优秀的去噪性能，在保护图像边缘和细节信息的同时还可以有效去除复杂噪声。
附图说明
图1是根据一示例性实施例示出的一种雷达调制信号时频图像去噪的方法流程图；
图2是根据一示例性实施例示出的一种雷达调制信号时频图像去噪的装置的结构示意图；
图3是一种实现本发明的方法流程图；
图4是根据一示例性实施例示出的一种去噪模型的结构图；
图5是根据一示例性实施例示出的一种多尺度块MSB的结构图；
图6是根据一示例性实施例示出的一种通道注意力块CAB的结构图；
图7是根据一示例性实施例示出的一种空间注意力块SAB的结构图；
图8（a）至图8（j）分别是利用本发明在SNR=-10 dB时对十种雷达波形时频图像进行去噪的效果对比图；
图9（a）和图9（b）分别是本发明和对比算法的平均PSNR和平均SSIM的对比图；
图10（a）至图10（h）是SFM信号经过本发明算法和对比算法在SNR=-10 dB时去噪后的视觉图像示意图；
图11（a）至图11（c）分别是本发明在SNR=1 dB时对实测数据LFM、NS、SFM的去噪效果视觉图像对比图；
图12（a）至图12（c）分别是本发明在SNR=-11 dB时对实测数据LFM、NS、SFM的去噪效果视觉图像对比图。
具体实施方式
为能更清楚地说明本发明方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。
如图1所示，本发明实施例提供的一种雷达调制信号时频图像去噪的方法，包括如下步骤：
获取雷达信号，并建立雷达信号时频图像数据集，获取的雷达信号包括连续调频信号、离散调频信号、相位调制信号、无额外调制信号和复合调制信号，所述数据集包括训练数据集、验证数据集和测试数据集；
建立图像去噪模型，所述图像去噪模型包括特征提取模块FEB、特征处理块FPB和重建模块RB；
利用训练数据集训练图像去噪模型得到模型参数，将得到的模型参数代入验证数据集，获取使得验证数据集损失函数最小的模型参数；
使用损失函数最小的模型参数，对测试数据集进行测试，得到测试数据集的预测值，得到去噪后的雷达调制信号时频图像。
作为本实施例一种可能的实现方式，所述获取雷达信号，并建立雷达信号时频图像数据集，包括：
利用雷达接收机截获的一维时域雷达信号为：
<1>
其中，表示接收到的实际雷达信号，表示辐射源发出的实际雷达信号，是噪声，具有加性高斯白噪声的特性；
对一维时域雷达信号进行短时傅里叶变换，将其从一维信号通过时频分析转换成二维时频图像，短时傅里叶变换的表达式为：
<2>
其中，是窗函数，沿时间轴移动；τ表示时间偏移；
选择二维时频图像构建雷达信号时频图像数据集，并划分为训练数据集、验证数据集和测试数据集。
作为本实施例一种可能的实现方式，所述建立图像去噪模型，包括：
搭建特征提取模块FEB，所述特征提取模块FEB包括多尺度稀疏注意力模块MSAB和卷积信息模块CIB；
搭建特征处理块FPB，用于处理特征提取模块FEB提取出的多尺度特征，加强去噪性能，进一步得到噪声特征，所述特征提取模块FPB包括空间注意力块SAB、两次特征压缩操作COP和两次特征增强操作EOP；
搭建重建模块RB，用于构造残差运算，通过完整的去噪模型得到预测残差；
选择损失函数，用于计算输入时频图像和预测残差之间的损失。
作为本实施例一种可能的实现方式，所述特征提取模块FEB的表达式为：
<3>
其中，和分别表示FEB的输出和FEB的函数，表示网络的输入；
所述多尺度稀疏注意力模块MSAB包括随机排序稀疏机制、多尺度机制和通道注意力机制，用于提取不同的特征以及减少网络深度，其过程描述为：
<4>
其中，和分别表示MSAB的特征提取函数和提取出的特征；
所述卷积信息模块CIB用于提取雷达信号时频图的局部特征，其过程描述为：
<5>
其中，和分别表示CIB的特征提取函数和提取出的特征。
作为本实施例一种可能的实现方式，所述特征提取模块FPB对不同的特征进行融合，并对所提取的噪声进行加工，从而得到最终的噪声特征图，其运算表达式如下：
<6>
其中，和分别表示FPB的输出和FPB的函数。
作为本实施例一种可能的实现方式，所述特征提取模块FPB对不同的特征进行融合，并对所提取的噪声进行加工，从而得到最终的噪声特征图，包括：
将特征提取模块FPB的输出送到特征增强操作EOP1中，特征增强操作EOP1通过拼接实现来自FEB两个模块的两个不同特征的融合，表达式如下：
<7>
其中，表示EOP1和EOP2的函数，表示EOP1的输出；
将空间注意力块SAB和特征压缩操作COP1位于特征增强操作EOP1和特征增强操作EOP2之间，分别用于捕获特征空间中的位置信息和细化提取的特征，其表达式分别如下：
<8>
<9>
其中，表示SAB操作，表示SAB的输出，表示COP1和COP2的函数，表示COP1的输出；
在特征压缩操作COP1之后，特征增强操作EOP2结合补充信息，表示如下：
<10>
其中，表示EOP2的输出；
特征压缩操作COP2进一步处理特征增强操作EOP2的输出：
<11>
其中，表示COP2的输出。
作为本实施例一种可能的实现方式，所述重建模块RB对输入噪声图像和FPB处理后的特征图做减法，得到潜在的清晰雷达波形时频图像：
<12>
其中，表示网络的输出，“”表示简单的元素相减。
作为本实施例一种可能的实现方式，所述损失函数选择均方误差MSE来调节模型参数，公式为：
<13>
其中，表示第个干净的图像，表示预测残差，表示真实残差。
如图2所示，本发明实施例提供的一种雷达调制信号时频图像去噪的装置，包括：
数据获取模块，用于获取雷达信号，并建立雷达信号时频图像数据集，获取的雷达信号包括连续调频信号、离散调频信号、相位调制信号、无额外调制信号和复合调制信号，所述数据集包括训练数据集、验证数据集和测试数据集；
模型建立模块，用于建立图像去噪模型，所述图像去噪模型包括特征提取模块FEB、特征处理块FPB和重建模块RB；
模型训模块，用于利用训练数据集训练图像去噪模型得到模型参数，将得到的模型参数代入验证数据集，获取使得验证数据集损失函数最小的模型参数；
图像去噪模块，用于使用损失函数最小的模型参数，对测试数据集进行测试，得到测试数据集的预测值，得到去噪后的雷达调制信号时频图像。
作为本实施例一种可能的实现方式，所述模型建立模块，包括：
FEB搭建模块，用于搭建特征提取模块FEB，所述特征提取模块FEB包括多尺度稀疏注意力模块MSAB和卷积信息模块CIB；
FPB搭建模块，用于搭建特征处理块FPB，用于处理特征提取模块FEB提取出的多尺度特征，加强去噪性能，进一步得到噪声特征，所述特征提取模块FPB包括空间注意力块SAB、两次特征压缩操作COP和两次特征增强操作EOP；
RB搭建模块，用于搭建重建模块RB，用于构造残差运算，通过完整的去噪模型得到预测残差；
损失函数选择模块，用于选择损失函数，用于计算输入时频图像和预测残差之间的损失。
如图3所示，本发明的实现步骤如下。
步骤1，建立雷达信号时频图像数据集并读取。数据集包含五类十种信号，包括连续调频信号（LFM、SFM、EQFM）、离散调频信号（FSK、4FSK）、相位调制信号（BPSK、Frank）、无额外调制信号（NS）、复合调制信号（LFM-BPSK、SFM-BPSK）。
（1）设雷达接收机截获的一维时域雷达信号为：
，
其中，表示接收到的实际雷达信号，表示辐射源发出的实际雷达信号，是噪声，具有加性高斯白噪声的特性。
（2）对一维时域雷达信号进行短时傅里叶变换，将其从一维信号通过时频分析转换成二维时频图像，作为网络的输入，信号的短时傅里叶变换的表达式为：
，
其中，是窗函数，沿时间轴移动。
（3）划分数据集。
使用MATLAB2021b生成十种调制信号并经过时频变换作为仿真数据来测试图像去噪模型，数据集包含训练数据集、验证数据集和测试数据集。训练数据集和验证数据集共包含22000个数据样本，其中，训练集和验证集的比例为8：2，测试数据集中包含11000个数据样本。设置信噪比的变化范围为- 16 dB到4 dB，每2 dB随机模拟每个信号200个样本作为训练数据。同样地，测试数据也是通过对每个信号每2 dB随机模拟100个样本得到的。
步骤2，搭建特征提取模块FEB。
如图4所示，特征提取模块FEB包含两个被单独设计的分支网络，用来分别提取全局和局部特征，分别为多尺度稀疏注意力模块和卷积信息模块。
（1）右分支网络多尺度稀疏注意力模块（MSAB）。
该模块包含随机排序稀疏机制、多尺度机制和通道注意力机制，用于提取不同的特征以及减少网络深度。其过程描述为：
，
其中，和分别表示MSAB的特征提取函数和提取出的特征，表示网络的输入。
如图4所示，在多尺度稀疏注意力模块中，包含Conv+BN+ReLU、Conv和MSB-CAB+BN+ReLU三种操作，将包含三路并行多尺度块的MSB和普通卷积分别视为高能量点和低能量点，把较少的MSB和较多的普通卷积随机化排序，构成稀疏机制，具体为：在第2层、第4层、第7层、第10层、第13层和第15层执行MSB-CAB+BN+ReLU操作，其余各层，除第16层执行Conv外，都执行Conv+BN+ReLU操作。所有卷积层的滤波器大小都为，第2层至第16层的尺寸为，由于输入的是单通道的灰度图像，所以第1层的尺寸为。该分支网络的输出可以详细描述为：
，
其中，表示具有随机排序稀疏机制、多尺度机制和注意力机制的网络，表示卷积核大小为的卷积，表示BN，表示ReLU。因此，表示Conv+BN+ReLU，并且滤波器大小为。
所述Conv+BN+ReLU分别为：Conv为普通卷积，BN为批归一化，ReLU表示ReLU激活函数；
所述MSB-CAB+BN+ReLU分别为：MSB-CAB表示多尺度块和通道注意力，BN为批归一化，ReLU表示ReLU激活函数；
如图5所示，多尺度块MSB是多尺度机制应用的体现，MSB由一个三路并行多尺度块和BN+ReLU组成，BN为批归一化，ReLU表示ReLU激活函数。三路并行多尺度块由扩张率为1、2和3的扩张卷积构造，步长均为1，卷积核为。本发明所设计的包含不同扩张率的扩张卷积的多尺度模块丰富网络的感受野范围，并补偿卷积过程中细节信息的丢失，从而融合不同层级特征信息。
如图6所示，为了关注特征图的边缘以及细节信息，本发明设计了通道注意力块CAB，放置于每个MSB提取块之后，使得经过MSB提取后的特征能够利用通道维度的注意力矩阵对特征图进行特征微调，使得提取到的特征在CAB的作用下更加精确。图6中，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0，1之间。
（2）左分支网络卷积信息模块（CIB）。
该模块用于提取雷达信号时频图像的局部特征，其过程描述为：
，
其中，和分别表示CIB的特征提取函数和提取出的特征。前15层执行Conv+ReLU操作，滤波器尺寸为。最后一层使用尺寸为的Conv。因此，CIB的输出可以描述成如下过程：
，
其中，表示15个Conv+Relu操作，卷积核大小为。
步骤3，搭建特征处理模块FPB。
如图4所示，特征处理模块FPB处理特征提取模块提取出的多尺度特征，加强网络的去噪性能，进一步得到噪声特征。FPB对不同的特征进行融合，并对FEB所提取噪声进行加工，从而得到最终的噪声特征图。其运算表达式如下：
，
其中，和分别表示FPB的输出和FPB的函数。该模块包含空间注意力块SAB、两次特征压缩操作COP和两次特征增强操作EOP。
首先，将FEB的输出送到EOP1中，EOP1通过拼接实现来自FEB两个模块的两个不同特征的融合，表达式如下：
，
其中，表示EOP1和EOP2的函数，表示EOP1的输出。
SAB和COP1位于EOP1和EOP2之间，前者用于捕获特征空间中的位置信息，压缩融合特征时关注富有信息量的特征的“位置”，后者用于细化提取的特征，其表达式分别如下：
，
，
其中，表示SAB操作，表示SAB的输出，表示COP1和COP2的函数，表示COP1的输出。
在COP1之后，EOP2结合补充信息，表示如下：
，
其中，表示EOP2的输出。
然后，COP2进一步处理EOP2的输出：
，
其中，表示COP2的输出。
（1）特征增强操作EOP。
EOP被用来融合并增强特征。EOP1包含三个操作：特征融合、BN和ReLU。EOP1作用于FEB和COP1之间，融合来自MSAB和CIB中提取的完全不同的两个特征，具体过程描述为：
，
EOP2设置在COP1和COP2之间，用于融合双重网络输出的局部特征和噪声的全局特征。EOP2中只包含一个特征融合操作：
。
（2）空间注意力块SAB。
SAB在EOP1之后起作用。为了使图像恢复更佳，在引入通道注意力的基础上考虑了位置信息的重要性，采用空间注意力块捕获特征空间中的位置信息，如图7所示。视觉中目标的空间结构非常重要，将更多位置信息融合到压缩和增强操作之间，可以弥补缺失的空间信息。本发明在FPB中嵌入的空间注意力块，与FEB（见步骤2）中的通道注意力块CAB共同指导网络去噪，更好地提取图像的边缘以及纹理特征，提升去噪性能。
（3）特征压缩操作COP。
为获得更精确的特征，同时降低网络计算成本，利用COP细化提取出的特征。使用卷积实现COP。其中，COP1作用于SAB之后，尺寸为。尺寸为的COP2位于EOP2之后。COP1和COP2的表达式如下：
，
。
步骤4，搭建重建模块RB，如图4所示，构造残差运算，通过完整的去噪网络得到预测残差。
RB利用如下表达式的残差学习方法，对输入噪声图像和FPB处理后的特征图做减法，得到潜在的清晰雷达波形时频图像,
，
其中，表示网络的输出，“”表示简单的元素相减。
步骤 5，选择损失函数，计算输入时频图像和预测残差之间的损失。
在训练去噪模型时，选择均方误差MSE来计算真实残差与预测残差之间的差距，其中，表示第个干净的图像。即让网络尽可能学习到噪声的信息，而不是图像自身的任何特征信息，这样学习出来的噪声越相似，最后使用含噪图像减去噪声得出来的干净图像，就会将噪声尽可能去除且会保留图像的自身信息，去噪效果也就越好，公式为：
，
其中，表示MDASDNet中训练的模型参数。
通过以下对比实验对本发明的效果进一步说明：
1.仿真条件：
初始学习率设置为1e-3，批尺寸设置为64，训练轮数为150。本实验采用1.11.0版本的Pytorch和3.7版本的Python构建网络，并完成训练和测试，硬件平台为：RAM为16G的Intel Core i5-12600KF CPU和Nvidia GeForce GTX 3060 Ti GPU，并结合Nvidia CUDA11.8和CuDNN 8.6。
评价指标：本发明定量客观分析部分采用平均峰值信噪比（Average Peak Signalto Noise Ratio，APSNR）、平均结构相似性（Average Structural Similarity，ASSIM）、模型复杂度三个评价指标来评估各模型对雷达信号时频图像的去噪效果。
假设和分别表示无噪声的雷达时频图像和去噪方法输出的预测图像，则PSNR可以由下式定义：
，
，
其中，和分别为图像的高和宽，的值为8。SSIM是衡量两张图像相似度的指标，SSIM计算公式如下：
，
其中，和分别为和的平均值，和分别为和的标准差，为和的协方差，和为正值常数。
3. 仿真内容：
（1）本发明的去噪效果
表1和表2分别展示了10种调制信号在11种信噪比下经过MDASDNet去噪后的APSNR和ASSIM。从表1可以看出，LFM和NS时频图像在所有信噪比下都可以恢复得很好，甚至在SNR=-16 dB的情况下APSNR仍能保持在20 dB以上。SFM、EQFM、FSK、4FSK、BPSK和LFM-BPSK时频图像当信噪比大于-8 dB时，还可以保持较高的APSNR。MDASDNet处理Frank和SFM-BPSK时频图像能力较弱，但仍在信噪比大于-4 dB的情况下良好地完成去噪任务。观察表2可以得到，除SNR=-16 dB外，LFM和NS时频图像在所有信噪比下都具有很高的ASSIM，SNR=-14 dB时，其ASSIM仍能达到0.8以上。SFM、EQFM、FSK和4FSK时频图像在高信噪比下同LFM和NS时频图像具有一样的效果，尽管在低信噪比下效果稍弱一些，但仍有较高的ASSIM。相位调制和复合调制信噪比小于-8 dB时效果偏弱。特别地，SFM和Frank调制方式在极低信噪比下没有竞争力。总之，当SNR=-12 dB时，即低信噪比下，MDASDNet处理后的雷达信号时频图像仍具有较高的APSNR和ASSIM，其值分别为24.49 dB和0.6739。图8（a）至图8（j）展示了当SNR=-10 dB时MDASDNet对LFM、SFM、EQFM、FSK、4FSK、NS、BPSK、Frank、LFM-BPSK和SFM-BPSK十种雷达波形时频图像的良好去噪性能，去噪后的图像轮廓清晰，与输入的噪声时频图像相比，很好地恢复了时频特征，这表明在低信噪比下，MDASDNet可以得到很好的去噪结果。
表1：十种调制信号在自建测试集上的APSNR（SNR有十一种等级）
表2：十种调制信号在自建测试集上的ASSIM（SNR有十一种等级）
（2）与代表性去噪方法比较
本技术与代表性去噪方法进行了详细的对比，包括DnCNN[K. Zhang, W. Zuo, Y.Chen, et al. Beyond a gaussian denoiser: Residual learning of deep cnn forimage denoising[J]. IEEE transactions on image processing, 2017, 26(7): 3142-3155.]、IRCNN[K. Zhang, W. Zuo, S. Gu, et al. Learning deep CNN denoiser priorfor image restoration[C]//Proceedings of the IEEE conference on computervision and pattern recognition. 2017: 3929-3938.]、ADNet[C. Tian, Y. Xu, Z.Li, et al. Attention-guided CNN for image denoising[J]. Neural Networks,2020, 124: 117-129.]、DudeNet[C. Tian, Y. Xu, W. Zuo, et al. Designing andtraining of a dual CNN for image denoising[J]. Knowledge-Based Systems, 2021,226: 106949.]和BRDNet[C. Tian, Y. Xu, W. Zuo. Image denoising using deep CNNwith batch renormalization. Neural Networks[J]. Neural Network, 2020, 121,461-473.]。为保证实验公平性，对比方法的所有模型均在与训练MDASDNet相同主机的相同系统上训练与测试，并且使用相同的数据库。图9（a）和图9（b）中显示了各算法的平均PSNR和平均SSIM。可以看出，随着信噪比的降低，去噪能力逐渐减弱，符合客观发展规律。无论在高信噪比还是低信噪比下，MDASDNet都明显优于几种代表性的去噪算法。BRDNet虽然在五个对比算法中拥有最优的性能，但是，和MDASDNet算法相比还是逊色很多。图10（a）至图10（h）展示了当SNR=-10 dB时SFM信号经过上述算法去噪后的图像（退化图像、干净图像、MDASDNet、ADNet、DudeNet、DnCNN、BRDNet和IRCNN），MDASDNet展现出最好的性能，恢复的图像轮廓是所有算法中最完整最清晰的，与干净的图像最接近。表4和表5显示了上述算法对各类调制信号灰度时频图像的去噪性能，在三个SNR等级（4 dB，-6 dB和-10 dB）下，相较于对比方法，MDASDNet方法得到了最好的去噪效果。MDASDNet依赖于更多的参数和运算，如表3所示，虽然在复杂性上相较其他算法多一些代价，但其在去噪方面的优异表现让这些代价可以被接受。
表3：本发明算法和对比算法的复杂度分析
表4：不同算法在测试集上的APSNR（dB）
表5：不同算法在测试集上的ASSIM
（3）消融实验
为验证多尺度机制、稀疏机制和注意力机制的有效性，对这三个模块设计了消融实验。具体来说，选取DudeNet[C. Tian, Y. Xu, W. Zuo, et al. Designing andtraining of a dual CNN for image denoising[J]. Knowledge-Based Systems, 2021,226: 106949.]作为基准网络进行设计，其中，稀疏机制的有效性在文献[C. Tian, Y. Xu,W. Zuo, et al. Designing and training of a dual CNN for image denoising[J].Knowledge-Based Systems, 2021, 226: 106949.]中已经得到验证。对于多尺度机制，将MSB模块替换DudeNet中位于第2、5、9和12层的扩张卷积。对于注意力机制，设计理念和MDASDNet保持一致，即我们在第2、5、9和12层的扩张卷积之后添加CAB，并在EB1之后使用SAB。本节所使用的训练和测试数据与之前实验相同，在实验中的所有参数也设置为一样，表6中展示了设计的实验在所建数据集上当SNR=-10 dB时去噪后的APSNR和ASSIM。对比实验1和实验2可知，具有多尺度机制的DudeNet在去噪性能上具有良好效果，使用包含三路并行扩张卷积的MSB比单独使用扩张率为2的扩张卷积在APSNR上有1.58 dB的提升，在ASSIM上有0.0734的提升。实验1和实验3的结果表明，加入注意力机制的DudeNet比DudeNet在去噪表现上具有更强的竞争力，APSNR和ASSIM分别提升了2.49 dB和0.1241。实验4的结果表明，所提MDASDNet算法，同时利用多尺度机制和注意力机制较DudeNet在APSNR和ASSIM上都有大幅提升，可以更好地对雷达信号时频图像进行去噪。
表6： 消融实验在自建数据集上去噪后的APSNR和ASSIM（SNR=-10 dB）
（4）本发明在实测数据上的去噪效果
实测数据来源于文献[K. Chen, J. Zhang, S. Chen, S. Zhang, and H. Zhao.Automatic modulation classification of radar signals utilizing X-net[J].Digital Signal Processing, vol. 123, Apr. 2022, doi: 10.1016/j.dsp.2022.103396.]，包含LFM、SFM和NS三种调制方式，分别在SNR为1 dB、-2 dB、-5 dB、-8 dB和-11 dB的情况下进行采集，每种调制信号在每个SNR下采集15个样本。图11（a）至图11（c）展示了三种信号在SNR=1 dB时去噪后的LFM、NS和SFM视觉图像，图12（a）至图12（c）展示了三种信号在SNR=-11 dB时去噪后的LFM、NS和SFM视觉图像。SNR为1 dB时，MDASDNet可以得到轮廓清晰的时频特征，尽管在处理较低信噪比时有些吃力，但仍然能大致恢复不同调制信号的代表性特征。
本发明与现有图像去噪算法相比，拥有更优秀的去噪性能，在保护图像边缘和细节信息的同时还可以有效去除复杂噪声。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解，依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种雷达调制信号时频图像去噪的方法，其特征在于，包括如下步骤：
获取雷达信号，并建立雷达信号时频图像数据集，获取的雷达信号包括连续调频信号、离散调频信号、相位调制信号、无额外调制信号和复合调制信号，所述数据集包括训练数据集、验证数据集和测试数据集；
建立图像去噪模型，所述图像去噪模型包括特征提取模块FEB、特征处理模块FPB和重建模块RB；
利用训练数据集训练图像去噪模型得到模型参数，将得到的模型参数代入验证数据集，获取使得验证数据集损失函数最小的模型参数；
使用损失函数最小的模型参数，对测试数据集进行测试，得到测试数据集的预测值，得到去噪后的雷达调制信号时频图像；
所述建立图像去噪模型，包括：
搭建特征提取模块FEB，所述特征提取模块FEB包括多尺度稀疏注意力模块MSAB和卷积信息模块CIB；所述多尺度稀疏注意力模块MSAB包含Conv+BN+ReLU、Conv和MSB-CAB+BN+ReLU三种操作，将包含三路并行多尺度块的MSB和普通卷积分别视为高能量点和低能量点，把MSB和普通卷积随机化排序，构成稀疏机制，具体为：在第2层、第4层、第7层、第10层、第13层和第15层执行MSB-CAB+BN+ReLU操作，其余各层，除第16层执行Conv外，都执行Conv+BN+ReLU操作，所有卷积层的滤波器大小都为，第2层至第16层的尺寸为，由于输入的是单通道的灰度图像，所以第1层的尺寸为；所述Conv+BN+ReLU分别为：Conv为普通卷积，BN为批归一化，ReLU表示ReLU激活函数；所述MSB-CAB+BN+ReLU分别为：MSB-CAB表示多尺度块和通道注意力，BN为批归一化，ReLU表示ReLU激活函数；MSB由一个三路并行多尺度块和BN+ReLU组成，三路并行多尺度块由扩张率为1、2和3的扩张卷积构造，步长均为1，卷积核为3×3；
搭建特征处理模块FPB，用于处理特征提取模块FEB提取出的多尺度特征，加强去噪性能，进一步得到噪声特征，所述特征处理模块FPB包括空间注意力块SAB、两次特征压缩操作COP和两次特征增强操作EOP；
搭建重建模块RB，用于构造残差运算，通过完整的去噪模型得到预测残差；
选择损失函数，用于计算输入时频图像和预测残差之间的损失。
2.根据权利要求1所述的雷达调制信号时频图像去噪的方法，其特征在于，所述获取雷达信号，并建立雷达信号时频图像数据集，包括：
利用雷达接收机截获的一维时域雷达信号为：
<1>
其中，表示接收到的实际雷达信号，表示辐射源发出的实际雷达信号，是噪声，具有加性高斯白噪声的特性；
对一维时域雷达信号进行短时傅里叶变换，将其从一维信号通过时频分析转换成二维时频图像，短时傅里叶变换的表达式为：
<2>
其中，是窗函数，沿时间轴移动；τ表示时间偏移；
选择二维时频图像构建雷达信号时频图像数据集，并划分为训练数据集、验证数据集和测试数据集。
3.根据权利要求1所述的雷达调制信号时频图像去噪的方法，其特征在于，所述特征提取模块FEB的表达式为：
<3>
其中，和分别表示FEB的输出和FEB的函数，表示网络的输入；
所述多尺度稀疏注意力模块MSAB包括随机排序稀疏机制、多尺度机制和通道注意力机制，用于提取不同的特征以及减少网络深度，其过程描述为：
<4>
其中，和分别表示MSAB的特征提取函数和提取出的特征；
所述卷积信息模块CIB用于提取雷达信号时频图的局部特征，其过程描述为：
<5>
其中，和分别表示CIB的特征提取函数和提取出的特征。
4.根据权利要求1所述的雷达调制信号时频图像去噪的方法，其特征在于，所述特征处理模块FPB对不同的特征进行融合，并对所提取的噪声进行加工，从而得到最终的噪声特征图，其运算表达式如下：
<6>
其中，和分别表示FPB的输出和FPB的函数。
5.根据权利要求4所述的雷达调制信号时频图像去噪的方法，其特征在于，所述特征处理模块FPB对不同的特征进行融合，并对所提取的噪声进行加工，从而得到最终的噪声特征图，包括：
将特征处理模块FPB的输出送到特征增强操作EOP1中，特征增强操作EOP1通过拼接实现来自FEB两个模块的两个不同特征的融合，表达式如下：
<7>
其中，表示EOP1和EOP2的函数，表示EOP1的输出；
将空间注意力块SAB和特征压缩操作COP1位于特征增强操作EOP1和特征增强操作EOP2之间，分别用于捕获特征空间中的位置信息和细化提取的特征，其表达式分别如下：
<8>
<9>
其中，表示SAB操作，表示SAB的输出，表示COP1和COP2的函数，表示COP1的输出；
在特征压缩操作COP1之后，特征增强操作EOP2结合补充信息，表示如下：
<10>
其中，表示EOP2的输出；
特征压缩操作COP2进一步处理特征增强操作EOP2的输出：
<11>
其中，表示COP2的输出。
6.根据权利要求1所述的雷达调制信号时频图像去噪的方法，其特征在于，所述重建模块RB对输入噪声图像和FPB处理后的特征图做减法，得到潜在的清晰雷达波形时频图像：
<12>
其中，表示网络的输出，“”表示简单的元素相减。
7.根据权利要求1所述的雷达调制信号时频图像去噪的方法，其特征在于，所述损失函数选择均方误差MSE来调节模型参数，公式为：
<13>
其中，表示第个干净的图像，表示预测残差，表示真实残差。
8.一种雷达调制信号时频图像去噪的装置，其特征在于，包括：
数据获取模块，用于获取雷达信号，并建立雷达信号时频图像数据集，获取的雷达信号包括连续调频信号、离散调频信号、相位调制信号、无额外调制信号和复合调制信号，所述数据集包括训练数据集、验证数据集和测试数据集；
模型建立模块，用于建立图像去噪模型，所述图像去噪模型包括特征提取模块FEB、特征处理模块FPB和重建模块RB；
模型训模块，用于利用训练数据集训练图像去噪模型得到模型参数，将得到的模型参数代入验证数据集，获取使得验证数据集损失函数最小的模型参数；
图像去噪模块，用于使用损失函数最小的模型参数，对测试数据集进行测试，得到测试数据集的预测值，得到去噪后的雷达调制信号时频图像；
所述模型建立模块，包括：
FEB搭建模块，用于搭建特征提取模块FEB，所述特征提取模块FEB包括多尺度稀疏注意力模块MSAB和卷积信息模块CIB；所述多尺度稀疏注意力模块MSAB包含Conv+BN+ReLU、Conv和MSB-CAB+BN+ReLU三种操作，将包含三路并行多尺度块的MSB和普通卷积分别视为高能量点和低能量点，把MSB和普通卷积随机化排序，构成稀疏机制，具体为：在第2层、第4层、第7层、第10层、第13层和第15层执行MSB-CAB+BN+ReLU操作，其余各层，除第16层执行Conv外，都执行Conv+BN+ReLU操作，所有卷积层的滤波器大小都为，第2层至第16层的尺寸为，由于输入的是单通道的灰度图像，所以第1层的尺寸为；所述Conv+BN+ReLU分别为：Conv为普通卷积，BN为批归一化，ReLU表示ReLU激活函数；所述MSB-CAB+BN+ReLU分别为：MSB-CAB表示多尺度块和通道注意力，BN为批归一化，ReLU表示ReLU激活函数；MSB由一个三路并行多尺度块和BN+ReLU组成，三路并行多尺度块由扩张率为1、2和3的扩张卷积构造，步长均为1，卷积核为3×3；
FPB搭建模块，用于搭建特征处理模块FPB，用于处理特征提取模块FEB提取出的多尺度特征，加强去噪性能，进一步得到噪声特征，所述特征处理模块FPB包括空间注意力块SAB、两次特征压缩操作COP和两次特征增强操作EOP；
RB搭建模块，用于搭建重建模块RB，用于构造残差运算，通过完整的去噪模型得到预测残差；
损失函数选择模块，用于选择损失函数，用于计算输入时频图像和预测残差之间的损失。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410412552.7A CN118013204B (zh) | 2024-04-08 | 2024-04-08 | 雷达调制信号时频图像去噪的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410412552.7A CN118013204B (zh) | 2024-04-08 | 2024-04-08 | 雷达调制信号时频图像去噪的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118013204A CN118013204A (zh) | 2024-05-10 |
| CN118013204B true CN118013204B (zh) | 2024-06-11 |
Family
ID=90956625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410412552.7A Active CN118013204B (zh) | 2024-04-08 | 2024-04-08 | 雷达调制信号时频图像去噪的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118013204B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10310074B1 (en) * | 2014-03-27 | 2019-06-04 | Hrl Laboratories, Llc | System and method for denoising synthetic aperture radar (SAR) images via sparse and low-rank (SLR) decomposition and using SAR images to image a complex scene |
| CN109919862A (zh) * | 2019-02-01 | 2019-06-21 | 北京佳格天地科技有限公司 | 雷达图像去噪系统、方法及计算机设备 |
| CN111524084A (zh) * | 2020-05-13 | 2020-08-11 | 曹彬才 | 一种基于多峰高斯拟合的复杂场景光子计数激光雷达点云去噪算法 |
| CN112419184A (zh) * | 2020-11-19 | 2021-02-26 | 重庆邮电大学 | 一种综合局部信息和全局信息的空间注意力图像去噪方法 |
| CN113610719A (zh) * | 2021-07-19 | 2021-11-05 | 河南大学 | 一种注意力和密集连接残差块卷积核神经网络图像去噪方法 |
| CN114282576A (zh) * | 2021-12-22 | 2022-04-05 | 中国地质大学（武汉） | 基于时频分析及去噪的雷达信号调制格式识别方法及装置 |
| CN115689958A (zh) * | 2022-09-08 | 2023-02-03 | 无锡学院 | 一种基于深度学习的合成雷达图像去噪方法 |
| US11816767B1 (en) * | 2022-11-18 | 2023-11-14 | Institute Of Automation, Chinese Academy Of Sciences | Method and system for reconstructing magnetic particle distribution model based on time-frequency spectrum enhancement |
| CN117726537A (zh) * | 2023-12-14 | 2024-03-19 | 数据空间研究院 | 自适应多尺度特征融合AMFFD-Net的SAR图像去噪网络方法及系统 |
-
2024
- 2024-04-08 CN CN202410412552.7A patent/CN118013204B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10310074B1 (en) * | 2014-03-27 | 2019-06-04 | Hrl Laboratories, Llc | System and method for denoising synthetic aperture radar (SAR) images via sparse and low-rank (SLR) decomposition and using SAR images to image a complex scene |
| CN109919862A (zh) * | 2019-02-01 | 2019-06-21 | 北京佳格天地科技有限公司 | 雷达图像去噪系统、方法及计算机设备 |
| CN111524084A (zh) * | 2020-05-13 | 2020-08-11 | 曹彬才 | 一种基于多峰高斯拟合的复杂场景光子计数激光雷达点云去噪算法 |
| CN112419184A (zh) * | 2020-11-19 | 2021-02-26 | 重庆邮电大学 | 一种综合局部信息和全局信息的空间注意力图像去噪方法 |
| CN113610719A (zh) * | 2021-07-19 | 2021-11-05 | 河南大学 | 一种注意力和密集连接残差块卷积核神经网络图像去噪方法 |
| CN114282576A (zh) * | 2021-12-22 | 2022-04-05 | 中国地质大学（武汉） | 基于时频分析及去噪的雷达信号调制格式识别方法及装置 |
| CN115689958A (zh) * | 2022-09-08 | 2023-02-03 | 无锡学院 | 一种基于深度学习的合成雷达图像去噪方法 |
| US11816767B1 (en) * | 2022-11-18 | 2023-11-14 | Institute Of Automation, Chinese Academy Of Sciences | Method and system for reconstructing magnetic particle distribution model based on time-frequency spectrum enhancement |
| CN117726537A (zh) * | 2023-12-14 | 2024-03-19 | 数据空间研究院 | 自适应多尺度特征融合AMFFD-Net的SAR图像去噪网络方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Clutter Mitigation in Range Enhanced Radar Images Using Sparsity Based Denoising Autoencoders;Shelly Vishwakarma.etc;IEEE;20191231;全文 * |
| 基于局部路径特征信息神经网络的图像去噪;王慧;冯金顺;程正兴;;液晶与显示;20200115(第01期);全文 * |
| 改进卷积神经网络SAR图像去噪算法;钱满;张向阳;李仁昌;;计算机工程与应用;20201231(第14期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118013204A (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107909560A (zh) | 一种基于SiR的多聚焦图像融合方法及系统 | |
| CN110490816B (zh) | 一种水下异构信息数据降噪方法 | |
| Quan et al. | Image desnowing via deep invertible separation | |
| CN102750675B (zh) | 一种斑点噪声污染图像的非局部均值滤波方法 | |
| CN105869126A (zh) | 高光谱图像的压缩感知去噪方法 | |
| CN115082336A (zh) | 一种基于机器学习的sar图像相干斑抑制方法 | |
| CN117726540A (zh) | 一种增强门控Transformer的图像去噪方法 | |
| CN114266957A (zh) | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 | |
| Qi et al. | Research on the image segmentation of icing line based on NSCT and 2-D OSTU | |
| CN115984979A (zh) | 一种面向未知对抗攻击的人脸伪造识别方法及装置 | |
| Wu et al. | Dcanet: Dual convolutional neural network with attention for image blind denoising | |
| Lei et al. | A sparse representation denoising algorithm for finger-vein image based on dictionary learning | |
| CN117392036A (zh) | 基于照明幅度的低光图像增强方法 | |
| CN118013204B (zh) | 雷达调制信号时频图像去噪的方法及装置 | |
| CN115272131B (zh) | 基于自适应多光谱编码的图像去摩尔纹系统及方法 | |
| CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
| CN111047537A (zh) | 一种图像去噪中恢复细节的系统 | |
| CN116167947A (zh) | 一种基于噪声水平估计的图像降噪方法 | |
| Wang et al. | Locally optimum image watermark detector based on statistical modeling of SWT-EFMs magnitudes | |
| Zheng et al. | A learnable full-frequency transformer dual generative adversarial network for underwater image enhancement | |
| CN114841924A (zh) | 一种用于异质遥感图像的无监督变化检测方法 | |
| CN113888488A (zh) | 一种基于深度残差收缩网络的钢轨缺陷检测方法及系统 | |
| CN104182935B (zh) | 一种基于层次分析法选取小波基的图像去噪方法 | |
| Oroumchian | ECEI Spectrogram Denoising and Feature Extraction Using a Multi-Wavelet Convolutional Neural Network Model | |
| 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 |
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 |