[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

说明书

本发明涉及一种针对合成孔径雷达图像散斑抑制的深度网络模型。本发明深度网络模型包括浅层特征提取模块、深层特征分析处理模块和重构模块；所述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；所述深层特征分析处理模块包括层层级联的m个递归组，用于对浅层特征提取模块提取的浅层特征信息进行分析处理，以获取更多的信息；所述重构模块包括第一通道注意力模块和第三卷积层包，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。本发明避免了训练过程中出现的梯度消失或爆炸现象，去噪能力强，细节保存能力好，能够更好地应用于雷达装备中。

技术领域

本发明涉及一种图像处理系统，具体地说是一种针对合成孔径雷达图像散斑抑制的深度网络模型。

背景技术

合成孔径雷达(Synthetic aperture radar，SAR)是通过使用微波波段的电磁波，处理接收到的信号的幅值和相位来生成图像。SAR具有全天候、全天时工作、穿透能力强、信息丰富、和直观真实等众多优点，成为森林检测、城市规划、灾害评估等众多领域不可替代的观测工具。但由于SAR成像系统的相干成像机制，使得SAR图像中含有相干斑噪声，会对其视觉解译及其后续处理(例如：SAR图像分割和船舶检测等)变得非常困难。因此，进行SAR图像去噪处理成为研究热点。

通常情况下，SAR图像的散斑抑制或消除的方法主要包括基于空域的去噪算法、基于变换域的去噪算法和基于深度学习的去噪算法。基于空域的去噪算法是核心思想是基于图像的局部统计特性，该类方法能够在平滑区域产生较好的去噪效果，但对于图像的边缘及一些纹理信息比较丰富的区域，容易发生过度平滑，导致图像细节信息丢失。基于变换域的去噪算法主要包括基于小波变换的图像去噪算法和基于多尺度几何变换的图像去噪算法，通过处理含噪图像在变换域的系数以达到去噪的目的。但是，上述这些去噪算法都是针对整幅SAR图像进行去噪处理的，从而导致去噪图像产生人造纹理或边缘模糊等其他图像质量问题。

可见，传统的基于空域和变换域的去噪方法虽然能够去除SAR图像上的噪声，但在去噪的同时，会产生丢失图像细节等其他图像问题；而且，这些去噪方法的运行时间较长，难以应用于实际，很难满足SAR图像的快速去噪要求。

近年来，随着深度学习在图像领域的不断发展，研究者将SAR图像去噪问题逐渐采用基于卷积神经网络的方式实现。基于深度学习的去噪方法是主要采用深度卷积神经网络对SAR图像进行特征学习，以得到一个去噪模型，虽然去噪结果要优于传统的去噪方法，但是，其难度就在于如何构造一个好的网络模型，这就成为制约深度卷积神经网络去噪发展的一个难点。

发明内容

本发明的目的就是提供一种针对合成孔径雷达图像散斑抑制的深度网络模型，以解决传统网络模型在去噪方面存在的丢失图像细节、产生人造纹理、边缘模糊和耗时长等问题。

本发明的目的是这样实现的：一种针对合成孔径雷达图像散斑抑制的深度网络模型，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。

进一步地，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。

进一步地，所述浅层特征提取模块输出的浅层特征信息f_o为：

f_o＝H_C2(x)