基于改进ISTA-Net++网络的侧扫声呐图像去噪方法

本发明属于图像处理，具体涉及基于改进ista-net++网络的侧扫声呐图像去噪方法。

背景技术：

1、声波信号是迄今为止唯一可以在海洋中长距离传播的能量形式。声呐技术是获取、利用和处理海洋信息的重要手段。发展声呐技术对海洋资源开发、海洋环境保护、海洋灾害预警等具有重要意义。其中，侧扫声呐具有成本低、分辨率高、探测距离远等特点，被广泛应用于海上应急调查中的物体检测、海洋生态学、海洋考古学、海上搜救、水下结构识别和损伤检测等领域。

2、然而，受侧扫声呐（side scan sonar, sss）成像机制和复杂水下环境的影响，原始sss数据通常伴随着较强的噪声，主要表现为散斑噪声。并且声波在传播过程中由于海水温度、压力等分布不均匀导致声强度减弱；反向散射信号的衰减导致的声波能量损失等原因，sss系统常常进行时变增益(time varying gain, tvg)来补偿目标的传输损耗，恢复目标信号。由于 tvg 过程与传播距离成正比，因此sss图像噪声具有非均匀性。

3、现有的 sss 图像去噪方法大多依赖于传统滤波技术或单一深度学习模型。这些方法通常难以有效处理图像中存在的不均匀散斑噪声，导致去噪后的图像边缘细节模糊，结构信息丢失，进而影响水下目标的检测和识别精度。此外，多数传统方法缺乏对空间位置信息的利用，难以充分利用图像的空间结构特征来增强去噪效果。

技术实现思路

1、针对上述技术问题，本发明提供基于改进ista-net++网络的侧扫声呐图像去噪方法，在去除噪声的同时，减少图像质量和边缘细节的损失。

2、本发明是通过以下技术方案实现的：

3、基于改进ista-net++网络的侧扫声呐图像去噪方法，包括以下步骤：

4、（1）构建真实声呐数据集和模拟声呐数据集；

5、（2）以模拟声呐数据集为输入，通过改进ista-net++网络中的dpmm模块（即dynamic proximal mapping module，动态近端映射模块)，构建侧扫声呐图像去噪网络模型（即sss image denoising algorithm，sida网络）；

6、改进后dpmm模块使用coordconv卷积进行特征提取，使用残差注意力模块进行特征处理，在所述残差注意力模块中引入边缘增强注意力模块来增强目标边缘；其中，改进的ista-net++用于压缩感知；

7、（3）采用adam算法训练网络，获得训练后的侧扫声呐图像去噪网络模型；

8、（4）将所述真实声呐数据集输入至训练后的侧扫声呐图像去噪网络模型，得到去噪后清晰的侧扫声呐图像。

9、进一步地，步骤（1）中，所述模拟声呐数据集的构建方法为：将光学图像转换为灰度图，并向灰度图中添加标准差在18到45范围内的散斑噪声，生成具有非均匀噪声的噪声图像来模拟真实声呐图像。

10、进一步地，步骤（2）中，改进后dpmm模块包括：两个残差注意力模块、特征提取模块 、图像重构模块 ；特征提取模块 、图像重构模块都是由卷积层和relu构成；

11、改进后dpmm模块表示为：

12、；

13、其中，表示改进后dpmm模块第k阶段的输出；rk表示改进后dpmm模块的输入，表示条件模块cm传输到改进后dpmm模块的条件信息；是第k阶段用于定义改进后dpmm模块的函数；是额外的噪声水平映射，来自条件模块cm的输出。

14、进一步地，步骤（2）中，使用coordconv卷积进行特征提取，coordconv卷积将坐标信息与输入特征图拼接在一起。

15、进一步地，步骤（2）中，改进后dpmm模块采用两个连续的残差注意力模块，每一个残差注意力模块都包含两个膨胀卷积层、两个连续的3×3卷积层以及一个边缘增强注意力模块。

16、进一步地，步骤（2）中，所述边缘增强注意力模块首先对输入特征图进行1×1卷积，完成irnn（即初始化矩阵循环神经网络identity matrix rnn）输入层到隐藏层的数据变换；然后在四个独立方向上使用4个irnn来获取相应的上下文特征，并通过concat操作将结果融合成特征图。

17、进一步地，步骤（3）中，利用adam优化器训练网络，给定训练数据集和采样矩阵，得到采样后的结果，将、、作为输入，以减少干净图像和去噪后图像之间的差异，损失函数计算为：

18、；

19、其中，表示训练集总数，表示采样矩阵的个数，是压缩感知比率； θ表示网络中可学习的参数集。

20、进一步地，步骤（4）中，对于所述真实声呐数据集中的每一个原始含噪声图像，直接输入至训练后的侧扫声呐图像去噪网络模型中，利用训练后的侧扫声呐图像去噪网络模型提取多层次注意力特征，得到重构后的侧扫声呐图像。

21、进一步地，所述方法还包括步骤（5）：采用图像质量评价指标对所述侧扫声呐图像去噪网络模型进行评价。

22、进一步地，分别使用全参考图像评价指标psnr、ssim和无参考图像评价指标enl、epi对去噪后的图像进行评价。

23、本发明的有益技术效果：

24、本发明通过改进ista-net++算法的重构部分来提升图像去噪性能。通过在图像重构网络中采用coordconv进行特征提取，将垂直坐标通道添加到像素输入通道中使其具有非均匀噪声的属性；然后使用多尺度残差注意力模块学习图像特征，提高图像重构质量。采用adam优化器训练网络，有效解决了去除声呐图像噪声的同时，较好保留图像边缘细节信息的问题。

技术特征：

1.基于改进ista-net++网络的侧扫声呐图像去噪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于改进ista-net++网络的侧扫声呐图像去噪方法，其特征在于，步骤（1）中，所述模拟声呐数据集的构建方法为：将光学图像转换为灰度图，并向灰度图中添加标准差在18到45范围内的散斑噪声，生成具有非均匀噪声的噪声图像来模拟真实声呐图像。

3.根据权利要求1所述基于改进ista-net++网络的侧扫声呐图像去噪方法，其特征在于，步骤（2）中，改进后dpmm模块包括：两个残差注意力模块、特征提取模块 、图像重构模块 ；特征提取模块 、图像重构模块都是由卷积层和relu构成；

4.根据权利要求1所述基于改进ista-net++网络的侧扫声呐图像去噪方法，其特征在于，步骤（2）中，使用coordconv卷积进行特征提取，coordconv卷积将坐标信息与输入特征图拼接在一起。

5.根据权利要求1所述基于改进ista-net++网络的侧扫声呐图像去噪方法，其特征在于，步骤（2）中，改进后dpmm模块采用两个连续的残差注意力模块，每一个残差注意力模块都包含两个膨胀卷积层、两个连续的3×3卷积层以及一个边缘增强注意力模块。

6.根据权利要求5所述基于改进ista-net++网络的侧扫声呐图像去噪方法，其特征在于，步骤（2）中，所述边缘增强注意力模块首先对输入特征图进行1×1卷积，完成irnn输入层到隐藏层的数据变换；然后在四个独立方向上使用4个irnn来获取相应的上下文特征，并通过concat操作将结果融合成特征图。

7.根据权利要求6所述基于改进ista-net++网络的侧扫声呐图像去噪方法，其特征在于，步骤（3）中，利用adam优化器训练网络，给定训练数据集和采样矩阵，得到采样后的结果，将、、作为输入，以减少干净图像和去噪后图像之间的差异，损失函数计算为：

8.根据权利要求6所述基于改进ista-net++网络的侧扫声呐图像去噪方法，其特征在于，步骤（4）中，对于所述真实声呐数据集中的每一个原始含噪声图像，直接输入至训练后的侧扫声呐图像去噪网络模型中，利用训练后的侧扫声呐图像去噪网络模型提取多层次注意力特征，得到重构后的侧扫声呐图像。

9.根据权利要求1所述基于改进ista-net++网络的侧扫声呐图像去噪方法，其特征在于，所述方法还包括步骤（5）：采用图像质量评价指标对所述侧扫声呐图像去噪网络模型进行评价。

10.根据权利要求9所述基于改进ista-net++网络的侧扫声呐图像去噪方法，其特征在于，分别使用全参考图像评价指标psnr、ssim和无参考图像评价指标enl、epi对去噪后的图像进行评价。

技术总结本发明属于图像处理技术领域，具体涉及基于改进ISTA‑Net++网络的侧扫声呐图像去噪方法。包括：（1）构建真实声呐数据集和模拟声呐数据集；（2）通过改进ISTA‑Net++网络中的DPMM模块，构建侧扫声呐图像去噪网络模型；改进后DPMM模块使用CoordConv卷积进行特征提取，使用残差注意力模块进行特征处理，所述残差注意力模块中引入边缘增强注意力模块来增强目标边缘；（3）采用Adam算法训练网络，获得训练后的侧扫声呐图像去噪网络模型；（4）将所述真实声呐数据集输入至训练后的侧扫声呐图像去噪网络模型，得到去噪后清晰的侧扫声呐图像。本发明提供的方法在去除噪声的同时，减少图像质量和边缘细节的损失。技术研发人员：杨星海,李婧雯,杨洪修,王景景受保护的技术使用者：青岛科技大学技术研发日：技术公布日：2025/1/6