一种基于共享对称网络的SAR图像盲点去噪方法

本发明属于图像处理领域。

背景技术：

1、合成孔径雷达(synthetic aperture radar，sar)是主动航空遥感方式，成像不受光线、气候、云雾等限制，成图分辨率与飞行高度无关，具有全天时的数据获取能力和全天候的工作能力，并具有一定的地表穿透能力。sar已经成为高分辨率对地观测的重要手段之一，其获取的sar图像在测绘、军事、地质、农业、林业等领域具有很高的实际应用价值。

2、然而，由于相干成像机制，sar图像经常受到相干斑噪声的影响，这些噪声对后续sar图像信息智能解译方法如自动目标识别和变化检测等产生不利影响。因此，sar图像的去噪问题是遥感中的一个重要问题。

3、近年来，深度学习因其强大的特征提取能力可以较好地学习噪声图像和无噪声图像之间的底层映射，基于深度学习的sar图像去噪方法得到广泛应用。但是，这些方法属于监督学习方法，依赖于配对的有噪sar图像-无噪sar图像。因在实际应用中缺少无噪sar图像训练样本，为产生训练对，通常在无噪光学图片上利用人工噪声建模的方式模拟有噪的sar图像，但在模拟加噪的过程中噪声模式固定。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

2、为此，本发明的目的在于提出一种基于共享对称网络的sar图像盲点去噪方法，用于sar图像的去噪。

3、为达上述目的，本发明第一方面实施例提出了一种基于共享对称网络的sar图像盲点去噪方法，包括：

4、获取合成孔径雷达sar图像；将获取的sar图像分别顺时针旋转180度、90度、270度形成三个偏移后的sar图像，将偏移后的sar图像与所述sar图像一起组成偏移sar图像集合；

5、构建sar图像的盲点去噪网络；

6、将所述偏移sar图像集合中每一个sar图像分别输入一个结构相同的sar图像的盲点去噪网络，形成四个分支的盲点去噪网络；

7、拼接所述四个分支盲点的去噪网络的特征输出结果并输出sar图像中每个像素满足逆伽马分布中密度函数对应值；

8、根据所述密度函数对应值，通过估计后验分布的期望值获得去噪后的sar图像。

9、另外，根据本发明上述实施例的一种基于共享对称网络的sar图像盲点去噪方法还可以具有以下附加的技术特征：

10、进一步地，在本发明的一个实施例中，所述盲点去噪网络，包括14个卷积块和三个1×1卷积层，其中在前七个卷积块中，每个卷积块由3×3卷积层、leakyrelu激活函数和2×2平均池化层组成，在后七个卷积块中，每个卷积块由3×3卷积层、leakyrelu激活函数和2×2上采样层组成，在最后一个卷积块后连接三个1×1卷积层进行降维操作。

11、进一步地，在本发明的一个实施例中，所述将所述偏移sar图像集合中每一个sar图像分别输入一个结构相同的sar图像的盲点去噪网络，形成四个分支的盲点去噪网络，包括：

12、通过四个分支的盲点去噪网分别关注不同的区域。

13、进一步地，在本发明的一个实施例中，还包括：

14、训练四个sar图像的盲点去噪网络并估计sar图像中每个像素满足逆伽马分布中密度函数的对应值和其中，

15、设rc和rn分别表示sar图像中的无噪像素和相应的有噪像素，盲点去噪网络的输入由rn及其邻域像素为输入，记为从概率的角度分析，去噪可以看作是概率分布的统计推断：

16、

17、该模型通过最大化的概率，将映射到逆伽马分布，这是无噪像素的分布，和分别是逆伽马分布中密度函数的对应值，在网络训练的过程中，为估计和损失函数定义为：

18、

19、其中，β表示平滑系数。

20、进一步地，在本发明的一个实施例中，所述训练四个sar图像的盲点去噪网络并估计sar图像中每个像素满足逆伽马分布中密度函数的对应值，还包括：

21、在训练过程中共享盲点去噪网络的权重。

22、为达上述目的，本发明第二方面实施例提出了一种基于共享对称网络的sar图像盲点去噪装置，包括以下模块：

23、获取模块，用于获取合成孔径雷达sar图像；将获取的sar图像分别顺时针旋转180度、90度、270度形成三个偏移后的sar图像，将偏移后的sar图像与所述sar图像一起组成偏移sar图像集合；

24、构建模块，用于构建sar图像的盲点去噪网络；

25、输入模块，用于将所述偏移sar图像集合中每一个sar图像分别输入一个结构相同的sar图像的盲点去噪网络，形成四个分支的盲点去噪网络；

26、输出模块，用于拼接所述四个分支盲点的去噪网络的特征输出结果并输出sar图像中每个像素满足逆伽马分布中密度函数对应值；

27、去噪模块，用于根据所述密度函数对应值，通过估计后验分布的期望值获得去噪后的sar图像。

28、进一步地，在本发明的一个实施例中，所述输入模块，还用于：

29、通过四个分支的盲点去噪网分别关注不同的区域。

30、为达上述目的，本发明第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的一种基于共享对称网络的sar图像盲点去噪方法。

31、为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的一种基于共享对称网络的sar图像盲点去噪方法。

32、本发明实施例提出的基于共享对称网络的sar图像盲点去噪方法，一方面在sar图像去噪领域，使用单个有噪的sar图像作为训练数据，引入自监督学习框架，无需真实的无噪sar图像作为真实标签，消除了以往方法在模拟加噪的过程中噪声模式对去噪效果的影响。另一方面考虑到获取的sar图像因方位角和距离方向可能表现出不同的统计特性，通过共享不同方位角或范围方向的两个分支之间的权重寻找盲点周围最优特征，提升sar图像的去噪性能。

技术特征：

1.一种基于共享对称网络的sar图像盲点去噪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述盲点去噪网络，包括14个卷积块和三个1×1卷积层，其中在前七个卷积块中，每个卷积块由3×3卷积层、leakyrelu激活函数和2×2平均池化层组成，在后七个卷积块中，每个卷积块由3×3卷积层、leakyrelu激活函数和2×2上采样层组成，在最后一个卷积块后连接三个1×1卷积层进行降维操作。

3.根据权利要求1所述的方法，其特征在于，所述将所述偏移sar图像集合中每一个sar图像分别输入一个结构相同的sar图像的盲点去噪网络，形成四个分支的盲点去噪网络，包括：

4.根据权利要求3所述的方法，其特征在于，还包括：

5.根据权利要求4所述的方法，其特征在于，所述训练四个sar图像的盲点去噪网络并估计sar图像中每个像素满足逆伽马分布中密度函数的对应值，还包括：

6.一种基于共享对称网络的sar图像盲点去噪装置，其特征在于，包括以下模块：

7.根据权利要求6所述的装置，其特征在于，所述输入模块，还用于：

8.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-5中任一所述的基于共享对称网络的sar图像盲点去噪方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述的基于共享对称网络的sar图像盲点去噪方法。

技术总结
本发明提出一种基于共享对称网络的SAR图像盲点去噪方法，包括，获取合成孔径雷达SAR图像；将获取的SAR图像分别顺时针旋转180度、90度、270度形成三个偏移后的SAR图像，将偏移后的SAR图像与所述SAR图像一起组成偏移SAR图像集合；构建SAR图像的盲点去噪网络；将偏移SAR图像集合中每一个SAR图像分别输入一个结构相同的SAR图像的盲点去噪网络，形成四个分支的盲点去噪网络；拼接四个分支盲点的去噪网络的特征输出结果并输出SAR图像中每个像素满足逆伽马分布中密度函数对应值；根据密度函数对应值，通过估计后验分布的期望值获得去噪后的SAR图像。通过本发明提出的方法，提升了SAR图像的去噪性能。

技术研发人员：何欣,赵雅琴,陈雨时,吴龙文
受保护的技术使用者：哈尔滨工业大学
技术研发日：
技术公布日：2024/3/31