[发明专利]一种针对合成孔径雷达图像散斑抑制的深度网络模型

权利要求书

1.一种针对合成孔径雷达图像散斑抑制的深度网络模型，其特征是，包括：

浅层特征提取模块，包括第一卷积层和第二卷积层，用于对输入的噪声图像做初步处理，以得到输入噪声图像中的浅层特征信息，并提取特征映射；

深层特征分析处理模块，包括若干递归组，所有递归组层层级联，用于对浅层特征提取模块提取的特征映射进行分析处理，以获取输入噪声图像的深层特征图；以及

重构模块，包括第一通道注意力模块和第三卷积层，所述第三卷积层的输出与输入的噪声图像形成全局残差，用以得到与噪声图像相对应的去噪图像。

2.根据权利要求1所述的深度网络模型，其特征是，所述第一卷积层和所述第二卷积层的卷积核均为3×3，且第一卷积层的输入通道数为1，输出通道数为64；第二卷积层的输入通道数和输出通道数均为64。

3.根据权利要求1所述的深度网络模型，其特征是，所述浅层特征提取模块输出的浅层特征信息f _o为：

其中，x表示输入的噪声图像，H_C2为两个卷积层的实现函数。

4.根据权利要求1所述的深度网络模型，其特征是，所述递归组包括第四卷积层和若干残差注意力模块，输入递归组的特征映射和所述第四卷积层的输出形成全局残差，用于进行残差学习。

5.根据权利要求4所述的深度网络模型，其特征是，所述残差注意力模块包括：

第一单元，包括第五卷积层、第一修正线性单元、第六卷积层和第二通道注意力模块，第二通道注意力模块的输出与残差注意力模块的输入形成局部残差，用于进行局部残差学习；

第二单元，包括第七卷积层、第二修正线性单元、第八卷积层和第三通道注意力模块，第三通道注意力模块的输出与第一单元的输出形成局部残差，用于进行局部残差学习；以及

第三单元，包括带参数的修正线性单元、三个卷积层、第三修正线性单元和第四通道注意力模块，第四通道注意力模块的输出与残差注意力模块的输入形成全局残差，用于进行全局残差学习。

6.根据权利要求1所述的深度网络模型，其特征是，各通道注意力模块均包括平均池化、两个卷积层、第四修正线性单元和Sigmoid函数，所述通道注意力模块的输出与输入进行逐像素相乘。

7.一种权利要求1—6任一权利要求所述深度网络模型的使用方法，其特征是，先利用模拟的SAR图像作为样本数据集对深度网络模型进行训练，然后，对输入的噪声图像利用浅层特征提取模块做初步处理，得到输入噪声图像中的浅层特征信息并提取特征映射；再利用深层特征分析处理模块中层层级联的递归块对提取的特征映射进行分析处理，以获取输入噪声图像的深层特征图；最后，将深层特征图送入重构模块进行处理，得到噪声映射图，经与输入噪声图像进行全局残差处理后，得到与噪声图像对应的最终去噪图像。

8.一种权利要求1—6任一权利要求所述深度网络模型的训练方法，其特征是，利用样本数据集以及与其对应的原始数据作为噪声-干净图像对，先确定网络训练所需要设定的包括递归块的数量、批量大小、优化器中的动量参数在内的网络参数，将噪声-干净图像对输入浅层特征提取模块，由浅层特征提取模块提取输入噪声图像中的浅层特征信息和映射特征；然后，根据训练过程及结果，分别利用深层特征分析处理模块和重构模块，对上述网络参数进行调整，在不断训练和调整的过程中，将上述网络参数予以固定。

9.根据权利要求8所述的深度网络模型的训练方法，其特征是，所述样本数据集的数量为400幅加入乘性噪声的模拟SAR图像，其中每个样本都包括其对应的标准清晰图像作为参考图像。

10.根据权利要求8所述的深度网络模型的训练方法，其特征是，所输入的噪声图像是在干净的图像中加入乘性噪声所形成的模拟SAR图像。