[發明專利]一種微波遙感圖像去相干斑噪聲的深度學習方法

在審

• 申請號: 201811213563.3
• 申請日: 2018-10-18
• 公開（公告）號: CN109472747A
• 公開（公告）日: 2019-03-15
• 發明（設計）人: 王龍剛;魏夢麟;李廉林
• 申請（專利權）人: 北京大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 蘇愛華

本發明提出了一種微波遙感圖像去相干斑噪聲的深度學習方法；本發明提出的DsCNN網絡采用殘差網絡模塊串聯方式構建，相干斑噪聲分級處理降低了相干斑噪聲去除難度，克服了DsCNN網絡過深導致訓練難度增加的問題；本發明提出的DsCNN網絡樣本數據集源自開源軟件，可以免費獲取充足樣本數據集，克服現有微波遙感開源圖像數據集少，獲取成本高的缺點；本發明提出的DsCNN網絡在去除相干斑噪聲同時，能夠保持目標紋理特征；本發明提出的DsCNN網絡基于樣本驅動，降低了相干斑噪聲建模難度，提高了相干斑噪聲建模精度；本發明提出的DsCNN網絡處理速度快，滿足實時處理大尺度微波遙感圖像去相干斑噪聲任務的需求。

技術領域

本發明涉及微波遙感圖像處理技術領域，具體涉及一種利用深度學習網絡實現微波遙感圖像去相干斑噪聲的方法。

背景技術

微波遙感技術具有全天候，全天時，多視角，多頻率，多極化等諸多優點，而且電磁波信號具有較強的穿透力，能夠發現和跟蹤隱藏目標，因而被廣泛應用于各種軍事和民用場景。與自然圖像相比，微波遙感圖像往往伴隨有大量相干斑噪聲，極大地降低了微波遙感圖像的分辨率，為進一步實現邊緣檢測、圖像分割、目標識別等應用造成了一定困難。微波遙感圖像，尤其是SAR(Synthetic Aperture Radar)圖像，相干斑噪聲為典型的乘性噪聲，其伴隨著SAR圖像生成而存在。與加性噪聲相比，乘性噪聲更加難以處理。

在過去的幾十年中，科研工作者提出了大量微波遙感圖像去相干斑噪聲方法。常用的微波遙感圖像去相干斑噪聲的方法包括：Lee濾波方法、Frost濾波方法、Kuan濾波方法、Gamma MAP濾波方法、FANS濾波方法、BM-3D濾波方法等。這些濾波方法通過對滑動窗口內的微波遙感圖像數據進行局部特征提取，抑制相干斑噪聲，改善微波遙感圖像質量。但是這些方法均面臨兩大挑戰:(1)滑動窗口內統計的參數是否可靠；(2)相干斑噪聲模型是否可靠。而且這些方法利用滑動窗依次提取圖像特征，降低了圖像處理速度，尚無法滿足實時處理大尺度微波遙感圖像去相干斑噪聲任務。

微波遙感圖像相干斑噪聲的形成過程極為復雜，難以用簡單數學模型對其進行精確建模，因而目前去相干斑噪聲方法處理效果均不理想。樣本驅動的深度學習方法則具有強大的非線性表達能力，圖像處理器GPU(Graphics Processing Unit)加速了深度學習方法處理速度，為探索微波遙感圖像去相干斑噪聲提供了新思路。

發明內容

為了解決上述關鍵技術難題，本發明提出了一種微波遙感圖像去相干斑噪聲的深度學習方法；本發明通過構建DsCNN(Despeckle using Convolutional Neural Networks)網絡，實現對乘性噪聲的精確建模，進而實現實時處理大尺度微波遙感圖像去相干斑噪聲的任務。

本發明微波遙感圖像去相干斑噪聲的深度學習方法包括以下步驟：

1)構建DsCNN網絡；

2)生成DsCNN網絡訓練與測試樣本數據集；

3)訓練DsCNN網絡；

4)利用DsCNN網絡實現微波遙感圖像去相干斑噪聲；

在步驟1)中DsCNN網絡采用殘差網絡ResNet(Residual Network)模塊串聯形式構建，實現相干斑噪聲的分級處理；

在步驟1)中DsCNN網絡激活函數均采用Tanh，將微波遙感數據值域壓縮到[0,1]，加速DsCNN網絡收斂；

在步驟1)中DsCNN網絡卷積層填充模式采用“same”。

在步驟1)中DsCNN網絡不含有池化層，全連接層；

在步驟1)中DsCNN網絡采用像素到像素式的端對端處理；