[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

说明书

本发明公开了一种基于卷积神经网络的合成孔径雷达图像去噪方法。方法为：首先搭建基于参数可学习激活函数的卷积神经网络模型；然后选取训练集，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；接着根据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，并以端到端训练参数可学习激活函数的卷积神经网络图像去噪模型；最后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。本发明增强了神经网络的学习能力，建立了带噪声的合成孔径雷达图像到无噪声图像的准确映射，提高了合成孔径雷达图像去噪的效果。

技术领域

本发明涉及合成孔径雷达图像处理技术领域，特别是一种基于卷积神经网络的合成孔径雷达图像去噪方法。

背景技术

合成孔径雷达(SAR)以其独特的全天候成像能力，已成为一项重要的遥感技术，然而经常受到散斑噪声等强乘性噪声的影响，严重阻碍了合成孔径雷达(SAR)图像的解译过程。因此在进一步的图像处理中，抑制SAR图像的斑点噪声是必不可少的一步。

从电磁理论角度来看，SAR图像可以看作是雷达波与目标散射相互作用的结果，包含着目标的散射信息。其中，形成的乘性散斑噪声可以建模为：y＝x*n，式中y表示散斑图像，x表示无噪声图像，n表示散斑噪声。从图像的本身结构来看，它包含了大规模的结构信息，在一定程度上可以由先验信息和场景的高水平理解能力直接解释。因此，基于SAR图像统计特性的乘积模型，研究者提出了各种先进的重构算法。除了传统的PPB以及SAR-BM3D等方法外，也探讨过将卷积神经网络(CNN)应用于SAR图像去噪的可行性，但是往往忽略图像的边缘信息，或者以像素失真为代价来保留图片边缘信息。

发明内容

本发明的目的在于提供一种神经网络的学习能力强、方法简单、去噪效果好的基于卷积神经网络的合成孔径雷达图像去噪方法。

实现本发明目的的技术解决方案为：一种基于卷积神经网络的合成孔径雷达图像去噪方法，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。

进一步地，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。

进一步地，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。