[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

说明书

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涉及遥感数字图像处理与模式识别领域，通过多尺度特征提取模块在模型的第一层就提取尽可能多的特征，通过深浅特征融合的网络结构能够有效的将提取到的浅层信息包含到后续图像的重建过程当中，能够使得重建后的图像包含更多的细节纹理。通过在网络中加入注意力模块能够提取到复杂背景中的噪声信息，对于较为复杂背景信息下的噪声信号可以很好的提取出来。损失函数采用了感知损失和一般MSE损失函数，其中的感知损失函数由遥感图像质量评价网络来实现。采用该损失函数能够使得生成的去噪后遥感图像有高的信噪比，同时符合人的整体视觉观感。

技术领域

本发明涉及遥感数字图像处理与模式识别领域，具体涉及一种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。

背景技术

遥感图像去噪算法在过去的几十年里吸引了大量的关注，由于深度学习技术的广泛发展，可以将遥感图像去噪算法分为传统的算法和基于深度学习的算法。传统的遥感图像去噪算法包括基于滤波的方法和基于统计学习的方法，滤波的方法是利用噪声图像像素点与周围像素之间的关系来消除噪声，如均值滤波和中值滤波等，后续经过改进传统的滤波算法，发明了利用整个图像冗余信息的非局部均值去噪算法以及融合了空间域和变换域的块匹配和三维滤波算法(BM3D)。K-SVD算法利用图像的稀疏编码对图像进行去噪，通过训练将图像块进行系数表示，并结合图像内在结构对原始图像进行估计来实现图像的去噪。尽管传统算法能够实现一定的去噪效果，但是生成的图像易模糊，需要手动各种超参数的设置，且需要大量的计算成本和时间成本。

目前采用深度神经网络的遥感图像去噪算法较少，大部分是针对普通的图像进行去噪。例如DNCNN去噪模型通过引入残差学习和批量标准化的方法，该方法通过去除池化层和设置合理的卷积核尺寸增强网络对图像的感知能力，从而在盲去噪与非盲去噪等场景下均获得了不俗的去噪能力，且实验表明其泛化能力较传统算法有较大提升。FFDNet去噪模型通过将输入图像采样为多张子图像在通道方向进行叠加，随后输入网络进行训练，在保证结果的同时减少了网络的参数与计算效率。尽管采用卷积神经网络的方法在图像去噪领域取得了良好的效果，但是对于基于深度学习的遥感图像的去噪网络没有充分利用浅层对深层的影响，并且都没有考虑到遥感图像复杂的地物特征。

发明内容

为了解决现有技术中存在的问题，本发明提供了一种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，通过多尺度特征提取模块在模型的第一层就提取尽可能多的特征，通过深浅特征融合的网络结构能够有效的将提取到的浅层信息包含到后续图像的重建过程当中，能够使得重建后的图像包含更多的细节纹理，不易产生去噪后的模糊。通过在网络中加入注意力模块能够提取到复杂背景中的噪声信息。

本发明解决技术问题所采用的技术方案如下：

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，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。