[发明专利]一种基于自监督学习的SAR图像的去噪方法

说明书

本发明提供了一种基于自监督学习的SAR图像去噪方法，包括构建SAR噪声图像模型；构建最小化经验损失函数L；设计相邻同向子采样器；将噪声图像对作为输入和目标，修改经验风险最小化任务，构建自监督SAR图像去噪网络；设计多特征损失函数；使用上述方法，对SAR‑CNN去噪网络进行训练；将待去噪的SAR图像变换到log域后输入到网络中进行去噪，再通过反log变换得到输出图像。相比于现有技术，本发明可以迁移到任何现有的去噪网络上，实现在没有干净目标的情况下进行训练实现自监督去噪，并且本方法显著抑制了散斑噪声，同时可靠地保留了图像纹理细节等特征，解决了目前散斑数据和真实SAR图像自监督去噪实用性较差的问题。

技术领域

本发明涉及图像处理的技术领域，具体涉及一种基于自监督学习的SAR图像的去噪方法。

背景技术

合成孔径雷达(SAR)作为遥感大数据的重要来源之一，可以提供全天时、全天候的地面图像获取能力。因此，SAR图像作为地球空间信息获取的有效手段，广泛应用于检测、分割、分类等任务中，在国民经济、地质勘测、军事侦察等领域发挥着重要的作用。然而，由于SAR独特的成像机制，SAR图像信息被散斑噪声所干扰，散斑噪声严重影响着图像的视觉质量与图像的可解释性。因此，散斑抑制是SAR图像预处理中的重要步骤。

近年来，国内外学者对SAR图像散斑抑制展开大量研究，并且取得了不错的成果。现有的SAR散斑抑制方法大致概括为基于滤波器的方法、变换域方法、基于马尔可夫模型的方法、非局部均值(NLM)方法和深度学习方法。基于滤波器的方法最常见的是Lee滤波器、Frost滤波器和Kuan滤波器，它们被假设在同质区域上执行，因此通常无法保留真实SAR图像中的纹理与边缘。在变换域中，基于小波的方法可以根据小波域中图像和散斑噪声的不同特征，有效分离信号和噪声，但很难表达高维特征，处理后边缘和纹理特征会变得模糊。马尔可夫随机场(MRF)可以通过上下文信息进行建模来提供图像先验信息的定量描述，但会引入复杂的先验约束。相比之下，非局部均值的方法利用图像块之间的相似性对整幅图像进行加权滤波，有利于细节的保留，然而非局部均值法的降噪效果很大程度上取决于算法参数的选择，且在处理超大尺寸图像时需要相当长的时间。许多基于卷积神经网络(CNN)的去噪方法被提出，并且表现出优异的性能，如DnCNN、FFDNet、CBDNet。SAR-CNN通过对数变换进行同质处理，然后通过指数函数将无噪声图像映射回原始域来获得恢复后的图像，成功将CNN用于SAR散斑抑制。随后，提出的ID-CNN和SAR-DRN方法进一步提高去噪质量。

然而，这些基于深度学习的去噪方法都集中在新颖的网络架构上，忽略了缺乏无噪声SAR图像这一真正需要首先考虑的问题。解决这个问题有两种策略：使用合成散斑数据和多时相SAR数据。但合成散斑数据与真实SAR图像之间的域差异问题严重限制了基于监督学习方法的实用性。Noise2Noise首次尝试了自监督去噪的方法，一些工作也试图将其应用于SAR图像散斑抑制中去，但仍未解决多时相SAR数据获取困难的问题。

发明内容

针对现有技术中所存在的不足，本发明提供了一种基于自监督学习的SAR图像的去噪方法，以解决现有技术中对缺乏对SAR图像自监督去噪的技术问题。

本发明提供了一种基于自监督学习的SAR图像的去噪方法，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。