[发明专利]一种基于卷积神经网络的遥感图像噪声抑制方法

说明书

本发明公开一种基于卷积神经网络的遥感图像噪声抑制方法，如下：步骤S1、构建卷积神经网络模型，卷积神经网络模型包括：依次相连接的输入层、隐含层和输出层；隐含层由以下组成：三个依次相连接的Inception模块，在第三个Inception模块后设置有两个相连接的卷积层；各Inception模块均包括：并行的第一子模块和第二子模块，以及设置在第一子模块和第二子模块后的一个拼接层。步骤S2、训练步骤S1中的卷积神经网络模型。步骤S3、将待处理的遥感图像输入训练后的卷积神经网络模型，输出去噪后的遥感图像。本发明中的抑制方法噪声抑制效果好、泛化能力好、时间复杂度低。

【技术领域】

本发明属于遥感图像处理技术领域，尤其涉及一种基于卷积神经网络的遥感图像噪声抑制方法。

【背景技术】

近年来，我国发射了大量卫星，从北斗导航系列卫星到各种气象、资源勘探卫星，同时，无人机的军用民用频度上升。航天航空遥感的发展，意味着可以得到大量的遥感图像数据，可以对其分析达到各种应用的目的。比如图像识别、图像分类、目标检测等。然而，由于成像设备的局限和外部环境的干扰等因素影响，遥感图像在信息数字化和传输过程中常常包含大量噪声，导致图像质量下降，对后续图像处理产生不利影响。因此对遥感图像进行噪声抑制，对于图像的视觉效果和后续处理都有着重要的意义。

对图像噪声抑制的研究已经进行许久，然而在对遥感图像进行噪声抑制时，基于块匹配滤波或基于稀疏的传统算法并不能统筹算法适应性和结构性，一般会牺牲一方而保证另一方，且不能批量处理图片，效率相对低下。

近些年发展起来的机器学习方法尤其是卷积神经网络为遥感图像噪声抑制的研究提供了新的思路。机器学习方法已经被成功地应用于图像匹配、人脸识别等多个领域，并且取得了较好的实验效果。因此，如何得到一种基于卷积神经网络的遥感图像噪声抑制方法，使其可以有效地弥补现有去噪方法噪声抑制效果不好、泛化能力差、空间及时间复杂度高的不足，这具有重要的研究意义和实用价值。

【发明内容】

本发明的目的是提供一种噪声抑制效果好、泛化能力好、时间复杂度低的基于卷积神经网络的遥感图像噪声抑制方法。

本发明采用以下技术方案：.一种基于卷积神经网络的遥感图像噪声抑制方法，该抑制方法包括如下步骤：

步骤S1、构建卷积神经网络模型，卷积神经网络模型包括：依次相连接的输入层、隐含层和输出层；隐含层由以下组成：三个依次相连接的Inception模块，在第三个Inception模块后设置有两个相连接的卷积层；各Inception模块均包括：并行的第一子模块和第二子模块，以及设置在第一子模块和第二子模块后的一个拼接层。

步骤S2、训练步骤S1中的卷积神经网络模型，得训练后的卷积神经网络模型。

步骤S3、将待处理的遥感图像输入训练后的卷积神经网络模型，输出去噪后的遥感图像。

进一步地，该第一子模块包括两个相连接的单元，每一个单元均包括依次相连接的一个卷积层、一个批量正则化层和一个修正线性单元ReLU；第二子模块包括依次相连接的一个卷积层、一个批量正则化层和一个修正线性单元ReLU。

进一步地，每一个单元中的卷积层为卷积核为3×3的卷积层。

进一步地，在步骤S3中，待处理的遥感图像输入第一个Inception模块中的两个子模块中，遥感图像经过两个子模块的处理，分别独立输出，输出两个不同的特征图，两个特征图经过拼接层的连接，输出一个总的第一特征图；第一特征图输入第二个Inception模块，输出两个不同的特征图，两个特征图经过拼接层的连接，输出一个总的第二特征图；第二特征图输入第三个Inception模块，输出两个不同的特征图，两个特征图经过拼接层的连接，输出一个总的第三特征图，将第三特征图输入后端的卷积层，依次通过两个卷积层，输出噪声抑制处理后的遥感图像。