[发明专利]一种基于相关损失卷积神经网络的雷达图像斑噪抑制方法

说明书

本发明公开了一种基于相关损失卷积神经网络的雷达图像斑噪抑制方法，包括：将雷达图像输入训练好的卷积神经网络，得到抑制斑噪的结果图像；卷积神经网络的训练方法包括：在遥感图像中叠加斑噪得到叠加斑噪后的图像，将叠加斑噪后的图像输入卷积神经网络，得到训练输出图像；根据遥感图像和训练输出图像的均方误差，得到误差损失，利用遥感图像和训练输出图像的互相关系数，得到相关损失；利用误差损失和相关损失，进行反向传播，更新卷积神经网络的权值参数；进而得到训练好的卷积神经网络。本发明利用误差损失和相关损失，更新卷积神经网络的权值参数，有效的提高了网络的雷达图像斑噪抑制效果。

技术领域

本发明属于雷达图像处理领域，更具体地，涉及一种基于相关损失卷积神经网络的雷达图像斑噪抑制方法。

背景技术

雷达在军事和民用的诸多领域扮演着非常重要的角色，而且，随着雷达成像技术的不断更新换代以及雷达图像分辨率的日益提升，其应用范围也随之不断扩大。

然而，由于其固有的雷达成像机制，雷达图像通常都带有斑状噪声。斑噪通常是一种乘性噪声，它是由每个分辨单元内的若干反射点散射的回波信号发生互相干涉引起的。斑噪对后续的处理和信息提取造成了很大的困扰，大大影响了雷达图像的实用性能。

目前在雷达图像斑噪抑制领域，有许多经典的斑噪抑制算法被提出，主要可以分为五类：局部窗口滤波类算法、非局部滤波类算法、偏微分方程类算法、变分滤波类算法和基于机器学习的滤波算法，并且大致呈现出从基于像素点局部窗口滤波向基于图像块的非局部滤波，甚至基于全图范围的滤波的发展趋势。这些算法都是基于人工设计的模型算法进行滤波，从而自适应性不足，模型的表达能力也较弱，无法有效的抑制斑噪，同时也无法很好的保留图像中的边缘、细节纹理等信息。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于相关损失卷积神经网络的雷达图像斑噪抑制方法，由此解决现有技术存在自适应性不足、模型的表达能力也较弱、无法有效的抑制斑噪的技术问题。

为实现上述目的，本发明提供了一种基于相关损失卷积神经网络的雷达图像斑噪抑制方法，包括：

将雷达图像输入训练好的卷积神经网络，得到抑制斑噪的结果图像；

所述卷积神经网络的训练方法包括：

(1)在遥感图像中叠加斑噪得到叠加斑噪后的图像，将叠加斑噪后的图像输入卷积神经网络，得到训练输出图像；

(2)根据遥感图像和训练输出图像的均方误差，得到误差损失，利用遥感图像和训练输出图像的互相关系数，得到相关损失；

(3)利用误差损失和相关损失，进行反向传播，更新卷积神经网络的权值参数；

(4)重复步骤(1)-(3)若干次，得到训练好的卷积神经网络。

进一步地，步骤(2)包括：

根据遥感图像和训练输出图像的均方误差，得到误差损失，利用特征提取网络提取遥感图像和训练输出图像的特征图，利用遥感图像和训练输出图像的特征图之间的互相关系数，得到相关损失。

进一步地，特征提取网络为VGG、ResNet或者GoogleNet。

进一步地，相关损失为：

其中，表示在特征提取网络中第m个池化层之前的第n个卷积层的特征图上计算得到的相关损失L_CORR(G)，CORR(φ_m，n(A)，φ_m，n(A＇))表示互相关系数。

进一步地，互相关系数为：