[发明专利]一种基于多尺度和注意力机制的遥感影像降噪方法及系统

说明书

本发明公开了一种基于多尺度和注意力机制的遥感影像降噪方法及系统，该方法包括：获取初始遥感影像并进行噪声添加得到噪声影像；构建遥感影像深度降噪模型，并利用初始遥感影像及其对应的噪声影像进行模型训练；模型为U型结构，其至少包括编码结构、解码结构以及跳跃连接结构，编码结构和解码结构中均设有基于多头自注意力模块的局部窗口增强模块，跳跃连接结构将编码结构中每一层局部窗口增强模块的输出连接到解码结构中对应一层的局部窗口增强模块；将待降噪的遥感影像输入训练后的遥感影像深度降噪模型，将输出结果与待降噪的遥感影像进行像素级别的相加，得到降噪后的遥感影像。本发明所述方法能够有效提高遥感影像的降噪效果。

技术领域

本发明属于遥感影像技术领域，具体涉及一种基于多尺度和注意力机制的遥感影像降噪方法及系统。

背景技术

高质量(High quality,HQ)光学遥感影像具有高分辨率(High resolution,HR)、低噪声的特点，意味着影像在单位面积上存储的信息量是高质量的(无用信息尽可能少，有用信息尽可能多)，因此提升光学遥感影像质量的方法具有很高的研究价值与应用前景。如何经济、方便和高效地提升光学遥感影像质量成为遥感领域的一个重大挑战。

在遥感影像获取和传输的过程中，难免会遭受到很多条件的限制及多类因素干扰，如传感器固有的特性以及周围气候环境对传输设备的干扰，使图像边缘纹理等细节模糊，质量降低。为获得清晰的、高质量的遥感影像，必须进行降噪预处理。图像降噪技术本质上都是让图像在单位面积上可以存储更多的信息量，因此图像降噪技术不但能够改善图像的显示效果，还可以帮助图像的进一步分析和处理。进而图像降噪技术引来了众多学者的关注和研究。但传统滤波算法不能实时灵活处理，导致降噪处理效果通常不理想，无法适应工程实际应用，达不到遥感图像降噪的实时精确性需求。

近些年来，深度学习快速发展并在图像降噪任务中表现优异，越来越多的深度学习模型被用来解决自然图像降噪问题。与传统图像降噪方法相比，基于深度学习的算法能够处理更多数量的图像数据，具有更强大的特征提取和学习能力，能够更好的降噪。比较流行的深度学习算法大多是基于卷积神经网络模型(Convolutional Neural Networks,CNN)。2008年CNN首次用于降噪问题上，证明卷积神经网络可以通过学习端到端的非线性映射实现降噪。后来随着网络学习能力不断增强，算法性能随着层数的增加而大大提升。

CNN通过卷积滤波器检测得到一些由关键点、物体的边界等构成的视觉要素，当使用CNN检测到一些基本的视觉要素后，高层的视觉语义信息往往更关注这些要素之间如何关联在一起进而构成一个整体，以及整体之间的空间位置关系如何构成一个场景。但卷积神经网络模型对长依赖特征的捕获能力较弱，且靠近输出层的全连接结构过于冗余且低效，近两年兴起的Transformer结构有效的解决了这些问题。Transformer是一个用来弥补卷积神经网络缺点的新型结构，它能够直接获取全局的信息，不像CNN仅能获取局部信息，Transformer能够进行并行运算，要比传统方法快上很多倍。Transformer完全用注意力机制代替了原有的序列特征提取的算法，并没有用任何CNN或者循环神经网络的结构，这就好像人对可视化信息的响应度要好于文本，大脑处理图片的速度比处理文字快，这可以降低学习和记忆难度，兼顾了并行性和解释性，对长序列也不会损失过早时刻信息，此后为了不同任务发展了不同的特征提取算法。

针对这些情况，本申请提出了一种基于多尺度和注意力机制的遥感影像降噪方法，该方法利用U型网络结构，提取遥感影像的多尺度特征，再利用这些特征进行噪声影像的降噪任务。

发明内容

本发明的目的是针对遥感影像的传统滤波算法存在的至少部分技术问题，如不能实时灵活处理，导致降噪处理效果通常不理想，无法适应工程实际应用，达不到遥感图像降噪的实时精确性需求的问题，提供一种基于多尺度和注意力机制的遥感影像降噪方法，其利用深度学习的特点以及优势构建了基于多尺度和注意力机制的遥感影像深度降噪模型，能更好的进行潜在表示的学习和噪声图的重构。