[發明專利]一種基于多尺度殘差注意力網絡的SAR圖像去噪方法

在審

• 申請號: 202011046838.6
• 申請日: 2020-09-29
• 公開（公告）號: CN112233026A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 陶詩飛;申仕煜;葉曉東;王昊;李男;黃鑫宇;李新逸
• 申請（專利權）人: 南京理工大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06K9/40;G06N3/04
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 薛云燕

本發明公開了一種基于多尺度殘差注意力網絡的SAR圖像去噪方法。該方法步驟如下：構建訓練集并對訓練樣本進行歸一化操作；搭建多尺度殘差注意力網絡模型：通過多尺度卷積組提取圖像不同尺度的特征，在特征提取過程中設計主干分支和掩碼分支，主干分支用來進行特征處理，掩碼分支生成注意力權重以提取圖像信息的相關特征來區分噪聲，在掩碼分支的注意力機制中添加非局部模塊以獲得圖像像素之間的長距離依賴關系，使用跳躍連接用以加快網絡收斂速度，結合殘差連接學習噪聲分布；設置多尺度殘差注意力網絡訓練模型參數并進行模型訓練；將噪聲圖像輸入到訓練好的模型中，得到去噪圖像。本發明在提高去噪性能的同時，較好地保留了圖像的細節信息。

技術領域

本發明涉及遙感圖像處理技術領域，特別是一種基于多尺度殘差注意力網絡的SAR圖像去噪方法。

背景技術

合成孔徑雷達(SAR)是一種主動式成像傳感器。相比于紅外光、可見光等其他遙感技術相比，SAR具有全天時、全天候、穿透力強的優勢。憑借這些優勢，使得SAR在軍事和民用領域具有非常大的價值。然而，SAR在成像過程中往往受到由于散射現象引起的相干斑噪聲的影響。正是由于相干斑噪聲的存在嚴重地影響了SAR圖像的質量，為后續SAR圖像解譯任務如場景分割、目標檢測、目標識別等帶來極大地干擾，大大降低了SAR圖像后續處理的效率。因此，在進行圖像解譯任務前，SAR圖像相干斑噪聲的去除成為不可或缺的預處理步驟。

目前，國內外很多專家學者在SAR圖像去噪方面提出了很多方法包括基于空間域濾波方法、基于變換域濾波方法、非局部均值濾波方法等。基于空間域濾波方法如Lee濾波、Frost濾波等具有操作簡單且能夠實時處理的優點，但容易丟失一定程度的紋理和細節信息。基于變換域濾波方法如小波變換可以有效的保留一定程度的圖像紋理及細節信息，但相干斑噪聲的抑制并不理想。非局部均值濾波方法在保留細節信息與相干斑噪聲的抑制方面提供了良好的折衷，但相似圖像塊方面的搜索使得計算量變大，帶來了繁重的計算負擔，從而限制了這類方法的應用。

近年來，深度學習逐漸應用于各種計算機視覺與圖像處理任務，并已經證明了在這類領域中取得了良好的效果。與淺層結構的濾波算法相比，深度學習更有利于處理復雜的非線性問題。盡管使用基于深度學習的去噪方法能夠獲得較好的去噪效果，但其網絡結構制約著去噪性能，存在某些細節信息的缺失，獲得的去噪性能有待提升。

發明內容

本發明的目的在于提供一種基于多尺度殘差注意力網絡的SAR圖像去噪方法，以提高SAR圖像去噪性能并有效保留圖像細節信息。

實現本發明目的的技術解決方案為：一種基于多尺度殘差注意力網絡的SAR圖像去噪方法，步驟如下：

步驟1，構建訓練集并對訓練樣本進行歸一化操作；

步驟2，搭建多尺度殘差注意力網絡模型；

步驟3，設置多尺度殘差注意力網絡訓練模型參數并進行模型訓練；

步驟4，將噪聲圖像輸入到訓練好的模型中，得到去噪圖像。

進一步地，步驟1中構建訓練集的方法，具體步驟如下：

首先，選取光學遙感圖像作為訓練集，圖像變換為灰度圖使深度為1用來作為無噪聲圖像；

其次，給所有灰度圖像添加不同視數幅度形式的相干斑噪聲得到合成SAR噪聲圖像；

然后，將得到的無噪聲和合成SAR圖像噪聲圖像作為樣本對，以步長為10切割成40×40大小的圖像，并將每對大小為40×40的圖像塊進行數據增強操作以擴大訓練樣本，最終得到圖像塊，以形成訓練樣本對；數據增強操作包括對圖像塊進行翻轉操作、90度以及180度的旋轉操作；

最后，使用歸一化方法將所有的訓練樣本對歸一化到0～1之間。