[发明专利]基于深浅特征融合网络及联合损失函数的遥感图像去噪方法

权利要求书

1.基于深浅特征融合网络及联合损失函数的遥感图像去噪方法，其特征在于，该方法包括如下步骤：

步骤一：构建遥感图像质量评价网络模型，以及遥感图像去噪神经网络模型；

步骤二：对UC Merced训练集进行图像预处理，将处理过的UC Merced训练集放入所述遥感图像质量评价网络模型中进行训练，最终得出参数固定的遥感图像质量评价网络模型；

步骤三：对去噪数据集NWPU-RESISC45进行分块并且预处理，然后输入均方根估计损失函数和基于遥感图像质量评价网络模型的感知损失函数进行训练，联合所述均方根估计损失函数和所述遥感图像质量评价网络模型的感知损失函数优化所述遥感图像去噪神经网络模型的参数，通过所述遥感图像质量评价网络模型的输出结果判定所述遥感图像去噪神经网络模型的参数优化的程度；

步骤四：将待去噪的遥感图像放入已经优化的所述遥感图像去噪神经网络模型中，输出干净的图像。

2.根据权利要求1所述的基于深浅特征融合网络及联合损失函数的遥感图像去噪方法，其特征在于，步骤一所述遥感图像去噪神经网络模型包括：多尺度特征提取模块、深浅特征融合模块和图像重建模块；所述多尺度特征提取模块提取遥感图像的初始特征的，通过不同尺度的卷积核提取所述遥感图像不同的特征；所述深浅特征融合模块解决所述遥感图像重建中的模糊问题，通过跳跃连接将浅层的纹理信息送到所述遥感图像重建的过程当中，加深所述遥感图像质量评价网络模型的深度防止梯度消失并生成细节纹理丰富的图像；所述图像重建模块将细节纹理丰富的图像重建。

3.根据权利要求2所述的基于深浅特征融合网络及联合损失函数的遥感图像去噪方法，其特征在于，所述深浅特征融合模块包括多个增强注意力模块和一个全局融合模块；每个增强注意力模块的输出都连接到下一个增强注意力模块和全局融合模块中。

4.根据权利要求3所述的基于深浅特征融合网络及联合损失函数的遥感图像去噪方法，其特征在于，所述增强注意力模块包含两个卷积层两个BN层、两个激活层和一个通道注意力层；每两个卷积层、两个BN层、两个激活层组的输出都连接到下一个每两个卷积层、两个BN层、两个激活层组和所述通道注意力层。

5.根据权利要求3所述的基于深浅特征融合网络及联合损失函数的遥感图像去噪方法，其特征在于，所述全局特征融合模块包含了两个部分，第一部分包括：1×1的卷积核，输出通道数是输入通道数的和3×3的卷积核；1×1的卷积核和3×3的卷积核连接，压缩、精确提取和融合了所述遥感图像深浅特征。

6.根据权利要求2所述的基于深浅特征融合网络及联合损失函数的遥感图像去噪方法，其特征在于，所述多尺度特征提取模块为不同内核大小的四个卷积层，将所述遥感图像分为四个路径。

7.根据权利要求1所述的基于深浅特征融合网络及联合损失函数的遥感图像去噪方法，其特征在于，步骤一所述遥感图像质量评价网络模型依次包括：输入层、隐含层和输出层，所述隐含层包括四对3×3的卷积层和最大池化层，和全连接层，所述四对3×3的卷积层和最大池化依次连接，最后经过所述全连接层进入所述输出层输出质量评价结果。