一种基于金字塔的SAR图像相干斑抑制方法

本发明涉及图像处理技术，具体来讲，涉及一种基于金字塔的sar图像相干斑抑制方法，该方法运用四种不同的残差模块级联成的残差块和基于金字塔的思维对sar图像进行多尺度特征提取、融合和去噪。

背景技术：

0、技术背景

1、合成孔径雷达(synthetic aperture radar，sar)是一种全天候、全天、高分辨率成像传感器。它独特的成像特性导致了它在军事和民用应用中的广泛应用，包括军事测绘、海洋监测、资源勘探和石油泄漏检测等。然而，sar的相干成像特性在成像过程中引入了一种称为“相干斑”的噪声。这种噪声严重降低了图像的可读性，并对下游的sar成像任务(如目标检测和分类)提出了重大挑战。因此，有效抑制sar图像中的相干散斑噪声对其后续应用至关重要。尽管传统方法在相干斑抑制方面得到广泛的应用，但值得注意的是，此类方法对搜索窗口和像素块的大小很敏感，并且在严重噪声存在的情况下，去噪性能会下降。所以对深度学习的引入，特别是卷积神经网络(cnns)，由于其强大的非线性特征提取能力，在sar图像的相干斑抑制方面取得了显著的成功。

2、深度学习在sar图像相干斑抑制的研究主要集中在固定的感受野中，从而使得提取到的特征信息缺乏多样化，特别是图像的细节特征纹理、边缘和其他细微的结构信息。这些细节特征对于图像的视觉质量和感知效果至关重要。为解决这些问题，充分利用残差模块对不同网络深度的信息进行有效的提取以促进模型的学习能力，以不同尺度的感受野来丰富的上下文信息特征的提取与多尺度的特征融合和去噪的研究成为了sar图像相干斑抑制的研究重点。

技术实现思路

1、本发明的目的在于解决抑制sar图像相干斑的问题，提供同一场景下由含模拟噪声的图像和不含噪声的原始图像所组成的图像对，通过深度学习网络来学习对噪声特征的提取和融合，再对噪声图像进行去噪的方法，经所述方法可以直接用于真实的sar图像，以得到去噪后的sar图像。

2、为了实现上述目的，本发明提供一种基于金字塔的sar图像相干斑抑制方法，即运用四种不同的残差模块级联成的残差块和基于金字塔的思维对sar图像进行多尺度特征提取、融合和去噪，其中主要包括五个部分：第一个部分是对数据集进行预处理；第二部分对噪声图像的噪声估计；第三部分是对噪声图像的多尺度特征提取；第四部分是对噪声图像的多尺度的去噪和特证融合；第五部分是网络训练与对真实sar图像的测试，最终得到去噪后的sar图像。

3、第一部分包括两个步骤：

4、步骤1，下载公开的模拟sar图像相干斑噪声的数据集，选取场景丰富、细节多样和相干斑噪声程度合适的模拟图像对(原始图像和模拟相干斑噪声图像)作为训练集和验证集，再将图像对裁剪成一一对应大小的图像块，扩充样本集，形成最终的训练集和验证集的样本；

5、步骤2，下载公开的sar图像数据集，选取与训练集和验证集相似场景、噪声程度的真实sar图像来作为网络的测试集样本；

6、第二部分包括三个步骤：

7、步骤3，将步骤1中的训练样本和验证样本输入权值共享的卷积网络，通过通道数变换初步得到噪声图片的特征张量；

8、步骤4，对步骤3得到的张量经过四种不同的残差模块级联的残差块和一个simam注意力来提取判别特征，以得到估计噪声的特征张量；

9、步骤5，对步骤4得到的注意力特征张量，通过最后的卷积层具有3个输出通道，将网络输出表示为3通道特征张量；

10、第三部分包括三个步骤：

11、步骤6，对步骤5中得到的特征张量和输入图像的张量经过concatenate操作得到融合后的特征张量；

12、步骤7，对步骤6中得到的特征张量，经过最大池化的下采样操作，得到一个五级的金字塔，即pool1：

13、256*256、pool2：128*128、pool3：64*64、pool4：32*32、pool5：16*16五种尺度的特征张量；

14、步骤8，对步骤7中得到的pool5高级特征经过一个evc块的操作(主要由两个并行连接的块组成：

15、轻量级mlp和可学习的视觉中心)；

16、第四部分包括三个步骤：

17、步骤9，对步骤7和步骤8得到的特征张量，进行五种不同尺度的去噪和特证融合；

18、步骤10，对步骤6中得到的特征张量和步骤9中得到的特征张量，使用concatenate操作融合后的特征张量进行卷积操作；

19、步骤11，对步骤10中得到的特征张量，进行卷积核选择模块操作；

20、第五部分包括两个步骤：

21、步骤12，调试从步骤3到步骤11的网络结构超参数，设置网络模型参数，并得到最终的训练模型；

22、步骤13，将步骤2中测试集输入步骤12中的训练模型中，得到相干斑抑制后的sar图像。

23、本发明给出一种基于金字塔的sar图像相干斑抑制方法。首先，将四种不同的残差模块级联成的残差块加入到噪声估计的阶段，可以更加充分地利用不同深度的残差模块对特征信息的抽象和提取，来促进学习过程；然后，采样多尺度的特征信息得到一个五级金字塔，可充分利用不同尺度的感受野以提取到多样化的、不同尺度空间的特征信息；最后，利用得到的多尺度特征信息进行融合、去噪，得到去噪后的图像，而上下文信息对去噪后的图像保留细节信息非常有帮助。本发明利用四种不同的残差模块级联成的残差块和基于金字塔的思维对sar图像进行多尺度特征提取、融合和去噪，实现了对真实sar图像的有效去噪，并有效地保留图像去噪后的细节特征，显现了优异的去噪效果，运行效率高，具有较好的鲁棒性。

技术特征：

1.一种基于金字塔的sar图像相干斑抑制方法，其特征在于，运用四种不同的残差模块级联成的残差块和基于金字塔的思维对sar图像进行多尺度特征提取、融合和去噪，包括数据集的预处理、对图像的噪声估计、对图像的多尺度特征提取、多尺度的去噪和特征融合、网络训练和测试五个部分：

2.根据权利要求1所述的一种基于金字塔的sar图像相干斑抑制方法，其特征在于，步骤4中使用四种不同的残差模块级联成的残差块，以更加充分地利用不同深度的残差模块对信息的抽象和提取来促进学习过程。

3.根据权利要求1所述的一种基于金字塔的sar图像相干斑抑制方法，其特征在于，步骤7中使用maxpool的下采样操作，得到一个五级不同尺度的金字塔，可充分利用不同尺度的感受野以提取到多样化的、不同尺度空间的特征信息。

4.根据权利要求1所述的一种基于金字塔的sar图像相干斑抑制方法，其特征在于，步骤8中使用evc操作来关注高级特征在全局远程依赖关系(即全局信息)，同时保留局部角点区域(即局部信息)，加强对细节特征的提取。

5.根据权利要求1所述的一种基于金字塔的sar图像相干斑抑制方法，其特征在于，步骤9中使用concatenate操作在相邻尺度的特征张量之间进行特征融合，再使用u-net网络抑制相干斑，利用得到的多尺度特征信息融合对去噪后的图像保留细节信息非常有帮助。

技术总结本发明给出一种基于金字塔的SAR图像相干斑抑制方法。首先，将四种不同的残差模块级联成的残差块加到噪声估计的阶段，可以更充分地利用不同深度的残差模块对特征信息的提取，来促进学习过程；然后，采样多尺度的特征信息得到一个五级金字塔，可充分利用不同尺度的感受野以提取到多样化的、不同尺度空间的特征信息；最后，利用得到的多尺度特征信息进行融合、去噪，得到去噪后的图像，上下文信息对去噪后的图像保留细节信息有帮助。本发明利用四种不同的残差模块级联成的残差块和基于金字塔的思维对SAR图像进行多尺度特征提取、融合和去噪，实现了对真实SAR图像的去噪，并有效地保留图像去噪后的细节特征，显现了优异的去噪性能，具有广泛的适用性。技术研发人员：王晶,吴斌受保护的技术使用者：西南科技大学技术研发日：技术公布日：2024/7/25