一种基于盲点网络的SAR图像自监督去噪方法和系统

本发明涉及图像处理，尤其涉及一种基于盲点网络的sar图像自监督去噪方法和系统。

背景技术：

1、相比于光学遥感感知手段，合成孔径雷达工作在微波波段，因此具备穿云透雾的特点，能够全天时、全天候对地进行观测，被广泛应用于军事侦察、地质勘探、应急检测等任务中。然而，由于sar成像相干机制，sar图像不可避免地被一种称为散斑噪声的干扰所影响，散斑噪声严重影响着图像的视觉质量与图像的可解释性，给sar图像后续处理带来了极大的困难。因此，急需开展sar图像去噪研究，降低散斑噪声水平以满足后续处理需要。

2、近年来，随着深度学习的迅速发展，卷积神经网络(cnn)在图像处理领域得到广泛应用。随后，卷积神经网络被引入到sar图像去噪领域，许多基于cnn的去噪方法被提出，并且表现出良好的效果。他们大多都是基于“干净-噪声”图像对进行训练，通过将噪声图像训练逼近干净参考图像，从而达到去噪的目的。然而，这些方法的改进聚焦于构建新型的网络框架，忽略了真实世界中sar图像没有底层干净图像作为参考这一问题。通常，采用合成散斑数据或多时相数据可以缓解这一问题，但合成散斑数据与真实sar图像之间存在域间隙问题，并无法从根本上解决无干净图像的问题。由于sar图像斜视成像机制的限制，同一目标在多次采集情况下会表现出不同的结构特性，多时相sar数据获取困难。

3、因此，在无干净图像的情况下使用自监督方法实现sar图像去噪成为热门的研究话题。noise2noise首先将自监督去噪策略应用到图像去噪中，它实现了只用同一场景的有噪图像作为网络的输入和目标便可进行训练，但同一景数据的多次采集仍制约着该方法的实用性。随后提出的noise2void、neighbor2neighbor等方法尽管跳出了这一限制，但由于未充分考虑sar图像特性，造成了较大的信息损失，去噪效果并不理想。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种基于盲点网络的sar图像自监督去噪方法和系统。

2、一种基于盲点网络的sar图像自监督去噪方法，包括以下步骤：

3、获取sar图像，根据所述sar图像得到同态噪声图像；

4、构建掩膜映射器，根据所述同态噪声图像和所述掩膜映射器，得到去噪掩膜图像和去噪sar图像；

5、构建全局映射器，根据所述去噪掩膜图像和所述全局映射器，得到去噪盲点图像；

6、构建多任务重现损失函数，重复进行损失值计算，直至损失函数收敛，得到目标去噪网络；

7、获取待去噪sar图像，输入至目标去噪网络，得到去噪图像。

8、在其中一个实施例中，根据所述sar图像得到同态噪声图像包括：

9、构建散斑噪声乘性模型；

10、根据所述sar图像和所述散斑噪声乘性模型得到噪声图像；

11、对所述噪声图像进行同态处理并进行均值漂移补偿得到同态噪声图像。

12、在其中一个实施例中，构建散斑噪声乘性模型包括：

13、获取含噪sar图像特征：

14、y＝x×n

15、其中，y表示sar图像对应的噪声图像，x表示sar图像，n表示散斑噪声，×表示矩阵每个对应位置元素相乘；

16、

17、其中，pr(n)表示散斑噪声的概率密度函数，l表示视数，n表示散斑噪声，e表示指数分布，γ(l)表示gamma分布函数。

18、在其中一个实施例中，对所述噪声图像进行同态处理并进行均值漂移补偿得到同态噪声图像包括：

19、根据如下公式将所述噪声图像转换到log域进行去噪，将乘性噪声转化为加性噪声，得到加噪sar图像：

20、log(y)＝log(x)+log(n)

21、

22、

23、

24、e(log(y))＝e(log(x))

25、其中，log()表示log函数，表示对数域中的噪声图像，表示对数域中的sar图像，表示对数域中的散斑噪声，e()表示图像均值；

26、根据如下公式得到均值偏移补偿值，将所述均值偏移补偿值添加到加噪图像，得到同态噪声图像：

27、

28、其中，表示均值偏移补偿值，l表示视数，ψ(·)表示digamma函数，均值与信号无关，只与视数有关。

29、在其中一个实施例中，构建掩膜映射器，根据所述同态噪声图像和所述掩膜映射器，得到去噪掩膜图像和去噪sar图像包括：

30、获取分割尺寸，将所述同态噪声图像按照所述分割尺寸划分为若干方块，得到分割图像；

31、获取盲点选择策略，在所述分割图像上按照所述盲点选择策略选取盲点，得到盲点分割图像；

32、将所述盲点分割图像输入进所述掩膜映射器，得到掩膜图像和位置信息；

33、获取去噪网络，将所述掩膜图像和所述sar图像输入到所述去噪网络，得到去噪掩膜图像和去噪sar图像。

34、在其中一个实施例中，构建全局映射器，根据所述去噪掩膜图像和所述全局映射器，得到去噪盲点图像包括：

35、获取所述位置信息，根据所述位置信息得到位置映射函数；

36、对所述去噪掩膜图像进行盲点位置采样，得到盲点采样位置，根据所述盲点采样位置和所述位置映射函数得到去噪盲点图像。

37、在其中一个实施例中，构建多任务重现损失函数，重复进行损失值计算，直至损失函数收敛，得到目标去噪网络包括：

38、构建多任务重现损失函数：

39、e(ωy)＝e(y)

40、

41、其中，e(·)表示均值，表示最小化目标函数，h(·)表示对图像进行映射，fθ(ωy)表示去噪掩膜图像，y表示sar图像，λ表示损失函数各项之间的权重超参数，表示不参与网络梯度下降；

42、根据所述sar图像、所述去噪sar图像、所述掩膜图像和所述去噪盲点图像，进行去噪函数的训练，重复进行损失值计算，直至损失函数收敛，得到目标去噪网络。

43、一种基于盲点网络的sar图像自监督去噪系统，用于实现如上所述的一种基于盲点网络的sar图像自监督去噪方法，包括：

44、sar图像获取模块，用于获取sar图像，根据所述sar图像得到同态噪声图像；

45、掩膜去噪模块，用于构建掩膜映射器，根据所述同态噪声图像和所述掩膜映射器，得到去噪掩膜图像和去噪sar图像；

46、盲点去噪模块，用于构建全局映射器，根据所述去噪掩膜图像和所述全局映射器，得到去噪盲点图像；

47、损失获取模块，用于构建多任务重现损失函数，重复进行损失值计算，直至损失函数收敛，得到目标去噪网络；

48、图像去噪模块，用于获取待去噪sar图像，输入至目标去噪网络，得到去噪图像。

49、相比于现有技术，本发明的优点及有益效果在于：本发明实现了无需干净sar图像情况下去噪网络的训练，并且可以迁移到现有的去噪网络上使用，同时本方法保证sar图像每个像素点都被充分利用，避免信息损失，能更好地保留图像纹理、边缘等结构信息，解决了目前网络无法训练及去噪效果差的问题。