【技術實現步驟摘要】
本申請涉及圖像處理，具體而言，涉及基于深度學習的sar圖像自適應處理方法及系統。
技術介紹
1、合成孔徑雷達（synthetic?aperture?radar，簡稱sar）是一種利用雷達波的多普勒效應，通過對運動雷達平臺上的連續雷達回波信號進行信號處理，實現對地面目標的高分辨率成像的技術。sar圖像具有全天候、全天時、全天向的觀測能力，廣泛應用于地質勘探、軍事偵察、環境監測等領域。
2、然而，sar圖像也存在一些固有的缺陷，如噪聲、散射點、干涉條紋等，影響了sar圖像的質量和可視性。因此，對sar圖像進行去噪和增強處理，提高sar圖像的對比度和清晰度，是sar圖像處理的重要任務之一。
3、在現有的sar圖像處理方法中，大多基于傳統的圖像處理技術，如濾波、增強等，難以實現對sar圖像的有效處理。同時，由于sar圖像的復雜性和多樣性，不同的圖像可能需要不同的處理方法和參數，因此，如何根據不同的圖像自適應地調整處理方法和參數，也是sar圖像處理中的難點問題。
4、基于此，有必要研究一種能夠根據sar圖像的實際情況進行自適應處理的方法及系統，以提高sar圖像的處理效率和準確性。
技術實現思路
1、本說明書提供一種基于深度學習的sar圖像自適應處理方法及系統，能夠根據sar圖像的特征和內容，自動確定合適的處理參數，實現sar圖像的自適應去噪和增強，從而提高sar圖像的處理效率和準確性。為實現上述目的，本說明書采用的技術方案如下：
2、一個方面，
3、步驟102，獲取待處理的sar圖像；
4、步驟104，從所述待處理的sar圖像中提取多尺度特征；所述多尺度特征包括低頻特征和高頻特征；所述低頻特征包括所述sar圖像的大尺度結構信息，所述高頻特征包括所述sar圖像的小尺度細節信息；
5、步驟106，將所述多尺度特征輸入訓練好的目標深度神經網絡中，得到所述sar圖像對應的自適應處理參數；所述目標深度神經網絡基于如下方式訓練得到：
6、使用多組樣本sar圖像作為訓練數據輸入初始深度神經網絡，其中，每一個所述樣本sar圖像標注有對應的樣本多尺度特征和樣本自適應處理參數，所述樣本自適應處理參數包括分類參數、去噪參數和增強參數；
7、使用反向傳播算法和梯度下降法優化方法，更新所述初始深度神經網絡的網絡參數，以使得所述初始深度神經網絡的輸出與所述訓練數據對應的樣本自適應處理參數之間的距離小于或等于預設閾值，得到目標深度神經網絡；
8、步驟108，基于所述sar圖像對應的自適應處理參數對所述sar圖像進行處理，得到處理后的sar圖像。
9、另一方面，本說明書提供一種基于深度學習的sar圖像自適應處理系統，該系統包括：
10、獲取模塊，用于獲取待處理的sar圖像；
11、多尺度特征提取模塊，用于從所述sar圖像中提取多尺度特征，所述多尺度特征包括低頻特征和高頻特征，其中，所述低頻特征包括所述sar圖像的大尺度結構信息，所述高頻特征包括所述sar圖像的小尺度細節信息；
12、自適應處理參數確定模塊，用于將所述多尺度特征輸入訓練好的目標深度神經網絡中，得到所述sar圖像對應的自適應處理參數，其中，所述目標深度神經網絡基于如下方式訓練得到：
13、使用多組樣本sar圖像作為訓練數據輸入初始深度神經網絡，其中，每一個所述樣本sar圖像標注有對應的樣本多尺度特征和樣本自適應處理參數，所述樣本自適應處理參數包括分類參數、去噪參數和增強參數；
14、使用反向傳播算法和梯度下降法優化方法，更新所述初始深度神經網絡的網絡參數，以使得所述初始深度神經網絡的輸出與所述訓練數據對應的樣本自適應處理參數之間的距離小于或等于預設閾值，得到目標深度神經網絡；
15、圖像處理模塊，用于基于所述sar圖像對應的自適應處理參數對所述sar圖像進行處理，得到處理后的sar圖像。
16、基于上述技術方案，本說明書能夠獲得如下技術效果：
17、（1）通過本說明書提供的基于深度學習的sar圖像自適應處理方法及系統，可以根據sar圖像的特征和內容，自動確定合適的處理參數，實現對sar圖像的分類、去噪和增強，提高sar圖像處理的效率和準確性。
18、（2）在本說明書所提供的基于深度學習的sar圖像自適應處理方法及系統中，通過使用特征描述子對sar圖像中的低頻分量和高頻分量分別進行特征提取，可以對sar圖像中的低頻信息和高頻信息分別進行特征描述，得到邊緣、紋理、形狀等大尺度結構信息和散射點、噪聲、干涉條紋等小尺度細節信息，從而使得sar圖像的特征提取更加豐富和完整，并且具有一定的針對性，進而提高sar圖像中的特征的可識別性和可區分性。
19、（3）在本說明書所提供的基于深度學習的sar圖像自適應處理方法及系統中，通過在確定待處理的sar圖像所對應的自適應處理參數的過程中，將分類參數作為一個約束參數，可以根據sar圖像中各個區域的類別采用對應的方法來確定其對應的去噪參數和增強參數，從而使得每一個區域所對應的去噪參數和增強參數的確定過程更具有針對性。
20、（4）在本說明書所提供的基于深度學習的sar圖像自適應處理方法及系統中，通過根據分類參數從預先建立的處理參數數據庫中查詢sar圖像中各個區域所屬類別分別對應的參考去噪參數和參考增強參數，然后根據該參考去噪參數和參考增強參數對目標深度神經網絡輸出的第一去噪參數和第一增強參數進行校正，得到第二去噪參數和第二增強參數，可以提高去噪參數和增強參數的準確性和可靠性，進而提高sar圖像的去噪效果和增強效果。
本文檔來自技高網...【技術保護點】
1.基于深度學習的SAR圖像自適應處理方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，所述從所述待處理的SAR圖像中提取多尺度特征，包括：
3.如權利要求1或2所述的方法，其特征在于，所述大尺度結構信息包括邊緣、紋理、形狀，所述小尺度細節信息包括散射點、噪聲、干涉條紋。
4.如權利要求1所述的方法，其特征在于，所述SAR圖像對應的自適應處理參數包括分類參數、第一去噪參數和第一增強參數；
5.如權利要求4所述的方法，其特征在于，所述基于所述第二去噪參數和所述第二增強參數對所述SAR圖像進行去噪和增強處理，得到處理后的SAR圖像，包括：
6.如權利要求5所述的方法，其特征在于，所述根據所述第二去噪參數對所述小波系數進行閾值處理，獲得閾值處理后的小波系數包括：
7.如權利要求5所述的方法，其特征在于，所述基于所述第二去噪參數和所述第二增強參數對所述SAR圖像進行去噪和增強處理，得到處理后的SAR圖像，還包括：
8.如權利要求7所述的方法，其特征在于，所述根據所述第二增強參數對所述灰度分
9.如權利要求7所述的方法，其特征在于，所述對所述均衡化后的灰度分布進行反映射，得到增強后的SAR圖像，包括：
10.基于深度學習的SAR圖像自適應處理系統，其特征在于，包括：
...【技術特征摘要】
1.基于深度學習的sar圖像自適應處理方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，所述從所述待處理的sar圖像中提取多尺度特征，包括：
3.如權利要求1或2所述的方法，其特征在于，所述大尺度結構信息包括邊緣、紋理、形狀，所述小尺度細節信息包括散射點、噪聲、干涉條紋。
4.如權利要求1所述的方法，其特征在于，所述sar圖像對應的自適應處理參數包括分類參數、第一去噪參數和第一增強參數；
5.如權利要求4所述的方法，其特征在于，所述基于所述第二去噪參數和所述第二增強參數對所述sar圖像進行去噪和增強處理，得到處理后的sar圖像，包括：
6...
【專利技術屬性】
技術研發人員：蘇毅，董力源，王開志，李曉龍，
申請(專利權)人：北京遙感設備研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。