[发明专利]一种基于自监督学习的SAR图像的去噪方法

权利要求书

1.一种基于自监督学习的SAR图像的去噪方法，其特征在于，包括：

S1、获取SAR图像，并构建SAR噪声图像模型；

S2、构建最小化经验损失函数用于训练所述SAR图像；

S3、设计相邻同向子采样器，将所述SAR图像通过所述相邻同向子采样器生成噪声图像对；

S4、将生成的噪声图像对，作为网络训练的输入与目标，修改经验风险最小化任务，构建自监督SAR图像去噪网络；

S5、设计多特征损失函数用于保留所述SAR图像纹理细节；

S6、基于步骤S1-S5，对所述SAR图像去噪网络进行训练，得到去噪后的SAR图像。

2.如权利要求1所述的基于自监督学习的SAR图像的去噪方法，其特征在于，所述获取SAR图像，并构建SAR噪声图像模型，包括：

通过观测获取SAR图像，所述SAR图像包括带有散斑噪声的噪声图像和底层无散斑的干净图像，并用乘法模型表示为：

Y＝X×N

其中，Y表示为所述噪声图像，X表示为所述干净图像，×表示两个矩阵的元素乘积，N表示散斑噪声，并将所述噪声图像转换到log域进行去噪，将乘性噪声转化为加性噪声：

log_Y＝log_X+log_N

又由于散斑噪声分布具有单位均值，有E(log_Y)＝E(log_X)。

3.如权利要求2所述的基于自监督学习的SAR图像的去噪方法，其特征在于，所述构建最小化经验损失函数用于训练所述SAR图像，包括：

通过所述最小化经验损失函数L来训练去噪网络f_θ需要的多对噪声图像和干净图像{(y_i,x_i)}，其式表示为：

上式等价于：

通过对噪声图像和干净图像进行对数域变换后，上式表示为：

4.如权利要求3所述的基于自监督学习的SAR图像的去噪方法，其特征在于，所述设计相邻同向子采样器，将所述SAR图像通过所述相邻同向子采样器生成噪声图像对，包括：

S301、将所述噪声图像log_Y划分为[W/k]×[H/k]个补丁，其中k是块大小；

S302、横向或纵向地随机提取的补丁的两个像素，两个像素满足相邻且方向相同的条件，它们分别作为子采样器G＝(g1,g2)的第(i,j)个元素；

S303、对于[W/k]×[H/k]个补丁，重复S302获得大小为[W/k]×[H/k]的噪声图像对{g₁(log y),g₂(log y)}。

5.如权利要求4所述的基于自监督学习的SAR图像的去噪方法，其特征在于，所述将生成的噪声图像对，作为网络训练的输入与目标，修改经验风险最小化任务，构建自监督SAR图像去噪网络，包括：

S401、通过所述相邻同向子采样器对噪声图像采样，获取包含相同底层干净目标的图像对(g₁(y),g₂(y))，并从单个噪声图像中生成噪声图像对(g₁(log y),g₂(log y))；

S402、根据散斑噪声具有相同均值的特性，因此被采样的图像对和噪声图像对分布具有相同的期望值，即：

E(g₁(log_Y))＝E(g₂(log_Y))＝E(log_Y)

S403、将输入条件目标分布的分布p(y|x)替换为具有相同的期望值的任意分布时，网络训练的最优参数θ也保持不变，因此采用零均值将经验风险最小化任务修改为：