[發(fā)明專利]一種基于卷積神經網絡的遙感圖像噪聲抑制方法

在審

• 申請?zhí)枺?/td>: 201911147527.6
• 申請日: 2019-11-21
• 公開（公告）號: CN111028160A
• 公開（公告）日: 2020-04-17
• 發(fā)明（設計）人: 梅少輝;劉瀟;張易凡;耿云浩;魏江
• 申請（專利權）人: 西北工業(yè)大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 西安維賽恩專利代理事務所(普通合伙) 61257
• 代理人: 劉艷霞

本發(fā)明公開一種基于卷積神經網絡的遙感圖像噪聲抑制方法，如下：步驟S1、構建卷積神經網絡模型，卷積神經網絡模型包括：依次相連接的輸入層、隱含層和輸出層；隱含層由以下組成：三個依次相連接的Inception模塊，在第三個Inception模塊后設置有兩個相連接的卷積層；各Inception模塊均包括：并行的第一子模塊和第二子模塊，以及設置在第一子模塊和第二子模塊后的一個拼接層。步驟S2、訓練步驟S1中的卷積神經網絡模型。步驟S3、將待處理的遙感圖像輸入訓練后的卷積神經網絡模型，輸出去噪后的遙感圖像。本發(fā)明中的抑制方法噪聲抑制效果好、泛化能力好、時間復雜度低。

【技術領域】

本發(fā)明屬于遙感圖像處理技術領域，尤其涉及一種基于卷積神經網絡的遙感圖像噪聲抑制方法。

【背景技術】

近年來，我國發(fā)射了大量衛(wèi)星，從北斗導航系列衛(wèi)星到各種氣象、資源勘探衛(wèi)星，同時，無人機的軍用民用頻度上升。航天航空遙感的發(fā)展，意味著可以得到大量的遙感圖像數(shù)據(jù)，可以對其分析達到各種應用的目的。比如圖像識別、圖像分類、目標檢測等。然而，由于成像設備的局限和外部環(huán)境的干擾等因素影響，遙感圖像在信息數(shù)字化和傳輸過程中常常包含大量噪聲，導致圖像質量下降，對后續(xù)圖像處理產生不利影響。因此對遙感圖像進行噪聲抑制，對于圖像的視覺效果和后續(xù)處理都有著重要的意義。

對圖像噪聲抑制的研究已經進行許久，然而在對遙感圖像進行噪聲抑制時，基于塊匹配濾波或基于稀疏的傳統(tǒng)算法并不能統(tǒng)籌算法適應性和結構性，一般會犧牲一方而保證另一方，且不能批量處理圖片，效率相對低下。

近些年發(fā)展起來的機器學習方法尤其是卷積神經網絡為遙感圖像噪聲抑制的研究提供了新的思路。機器學習方法已經被成功地應用于圖像匹配、人臉識別等多個領域，并且取得了較好的實驗效果。因此，如何得到一種基于卷積神經網絡的遙感圖像噪聲抑制方法，使其可以有效地彌補現(xiàn)有去噪方法噪聲抑制效果不好、泛化能力差、空間及時間復雜度高的不足，這具有重要的研究意義和實用價值。

【發(fā)明內容】

本發(fā)明的目的是提供一種噪聲抑制效果好、泛化能力好、時間復雜度低的基于卷積神經網絡的遙感圖像噪聲抑制方法。

本發(fā)明采用以下技術方案：.一種基于卷積神經網絡的遙感圖像噪聲抑制方法，該抑制方法包括如下步驟：

步驟S1、構建卷積神經網絡模型，卷積神經網絡模型包括：依次相連接的輸入層、隱含層和輸出層；隱含層由以下組成：三個依次相連接的Inception模塊，在第三個Inception模塊后設置有兩個相連接的卷積層；各Inception模塊均包括：并行的第一子模塊和第二子模塊，以及設置在第一子模塊和第二子模塊后的一個拼接層。

步驟S2、訓練步驟S1中的卷積神經網絡模型，得訓練后的卷積神經網絡模型。

步驟S3、將待處理的遙感圖像輸入訓練后的卷積神經網絡模型，輸出去噪后的遙感圖像。

進一步地，該第一子模塊包括兩個相連接的單元，每一個單元均包括依次相連接的一個卷積層、一個批量正則化層和一個修正線性單元ReLU；第二子模塊包括依次相連接的一個卷積層、一個批量正則化層和一個修正線性單元ReLU。

進一步地，每一個單元中的卷積層為卷積核為3×3的卷積層。

進一步地，在步驟S3中，待處理的遙感圖像輸入第一個Inception模塊中的兩個子模塊中，遙感圖像經過兩個子模塊的處理，分別獨立輸出，輸出兩個不同的特征圖，兩個特征圖經過拼接層的連接，輸出一個總的第一特征圖；第一特征圖輸入第二個Inception模塊，輸出兩個不同的特征圖，兩個特征圖經過拼接層的連接，輸出一個總的第二特征圖；第二特征圖輸入第三個Inception模塊，輸出兩個不同的特征圖，兩個特征圖經過拼接層的連接，輸出一個總的第三特征圖，將第三特征圖輸入后端的卷積層，依次通過兩個卷積層，輸出噪聲抑制處理后的遙感圖像。