一种基于卷积神经网络的合成孔径雷达图像去噪方法与流程

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。

技术实现要素：

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tvloss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yk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hk，关系式为：

hk＝sk·yk

其中，sk表示深度可分离卷积；

接着将输出的hk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tk，最后将普通卷积层的输出yk与tk进行相乘操作。

进一步地，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。

进一步地，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。

进一步地，步骤3中所述的损失函数，具体为：

其中，系数λtv＝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，xi,j-1表示第i行，第j-1列元素。

本发明与现有技术相比，其显著优点为：(1)基于卷积神经网络的学习，借助卷积层的学习能力与激活层的筛选能力，增强了图像特征提取能力；(2)第一个卷积层及最后一个卷积层后的激活层选用relu函数，中间卷积层的激活层选用提出的新的激活函数层，最后采用残差连接层将噪声图像与最后一层的输出进行除法操作，建立起噪声图像到无噪声图像的准确映射，减少了训练参数，避免了梯度爆炸的问题，同时显著提高图像去噪的峰值信噪比(psnr)及结构相似性(ssim)；(3)在训练卷积神经网络模型时，损失函数选为mse和tvloss，解决了mse产生的各种伪影问题，使图像变得更加平滑。

附图说明

图1是本发明基于卷积神经网络的合成孔径雷达图像去噪方法的流程示意图。

图2是本发明中基于参数可学习激活函数的流程框图。

图3是本发明中基于参数可学习激活函数的卷积神经网络和跳跃连接的sar图像去噪模型的流程示意图。

图4是本发明实施例中对图形的处理过程示意图，其中(a)为原始图，(b)为带噪声图，(c)为去噪后的图。

具体实施方式

本发明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tvloss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yk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hk，关系式为：

hk＝sk·yk

其中，sk表示深度可分离卷积；

接着将输出的hk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tk，最后将普通卷积层的输出yk与tk进行相乘操作。

进一步地，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。

进一步地，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。

进一步地，步骤3中所述的损失函数，具体为：

其中，系数λtv＝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，xi,j-1表示第i行，第j-1列元素。

下面结合附图对本发明作一步详细描述。

实施例

结合图1，本发明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，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提出的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yk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hk,关系式为：

hk＝sk·yk

其中，sk表示深度可分离卷积；

接着将输出的hk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tk，最后将普通卷积层的输出yk与tk相乘操作。

进一步地，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。

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；

本发明选取光学遥感图像领域的400张图像作为训练集，每张图像分别有对应的噪声图像和无噪声图像；首先对400张图像进行缩放及图像数据增强操作，获得1600张图像；然后对训练集进行归一化操作，使图像像素值保持在0-1之间，加快收敛速度；最后设置模型的训练参数，设置padding为same，保证卷积层前后图像大小一致，图像深度设为1，表示灰度图的去噪。

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mse和tvloss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；

其中损失函数为：

其中，系数λtv＝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，xi,j-1表示第i行，第j-1列元素。

在本发明中，最小化损失函数采用adam优化方法。

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。

用合成的sar图像进行测试，如图4所示，图4(a)为原始图像，图4(b)为带噪声图像，也就是合成的sar图像，图4(c)为去噪后的图像。

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。