[发明专利]一种基于卷积神经网络的合成孔径雷达图像去噪方法

权利要求书

1.一种基于卷积神经网络的合成孔径雷达图像去噪方法，其特征在于，包括以下步骤：

步骤1、搭建基于参数可学习激活函数的卷积神经网络模型；

步骤2、选取训练集，将训练集进行缩放和旋转操作，并设置参数可学习激活函数的卷积神经网络模型的训练参数；

步骤3、根据参数可学习激活函数的卷积神经网络模型及其训练参数，使用均方误差MSE和总变分损失函数TV Loss作为损失函数，并以端到端的方式训练基于参数可学习激活函数的卷积神经网络的图像去噪模型；

步骤4、将待处理的图像输入到基于参数可学习激活函数的卷积神经网络的图像去噪模型中，得到去噪后的图像。

2.根据权利要求1所述的基于卷积神经网络的合成孔径雷达图像去噪方法，其特征在于，步骤1所述的搭建基于参数可学习激活函数的卷积神经网络模型，具体如下：

噪声图像首先经过单个普通卷积层加ReLU激活函数，然后由多个卷积层与参数可学习激活函数层进行串联，接着经过一层普通卷积层和ReLU激活函数，再利用跳跃连接将噪声图像与最后一层输出结果进行相除操作，最后进行双曲正切变换得到去噪图像。

3.根据权利要求1或2所述的基于卷积神经网络的合成孔径雷达图像去噪方法，其特征在于，所述的参数可学习激活函数层，具体如下：

首先在普通卷积层输出y_k之后加上ReLU激活函数层，然后添加深度可分离卷积层，输出为h_k，关系式为：

h_k＝S_k·y_k

其中，S_k表示深度可分离卷积；

接着将输出的h_k进行双曲正切变换使权重映射在[0，1]之间变化，设进行双曲正切变换后的结果为t_k，最后将普通卷积层的输出y_k与t_k进行相乘操作。

4.根据权利要求2所述的基于卷积神经网络的合成孔径雷达图像去噪方法，其特征在于，所述的多个卷积层，包括8个卷积核大小为3×3的普通卷积层以及6个卷积核大小为9×9的深度可分离卷积层。

5.根据权利要求4所述的基于卷积神经网络的合成孔径雷达图像去噪方法，其特征在于，步骤2中所述的训练集，包括多张噪声图像和相应的无噪声图像。

6.根据权利要求1所述的基于卷积神经网络的合成孔径雷达图像去噪方法，其特征在于，步骤3中所述的损失函数，具体为：

其中，系数λ_tv＝2×10^-8，β＝2；L表示所采用的损失函数，MSE为均方误差；i、j分别表示图像行号、列号，x_i，j-1表示第i行，第j-1列元素。