【技術實現步驟摘要】
本專利技術涉及遙感圖像處理，是一種基于深度學習的合成孔徑雷達(synthetic?aperture?radar，sar)圖像斑點噪聲抑制和結構保持的協同優化方法。
技術介紹
1、sar系統作為一種先進的成像技術，能夠在全天候、全天時的條件下獲取地表高分辨率圖像，因此廣泛應用于軍事監測、環境監測、地質勘探等領域。然而，sar圖像在成像過程中由于多普勒效應、波束干涉以及地表散射特性等因素的影響，通常會產生一種獨特的噪聲現象—斑點噪聲(speckle?noise)。這種噪聲是由雷達信號的相干性引起的，其表現為在圖像中呈現隨機分布的高頻斑點噪聲，嚴重影響了sar圖像的視覺效果和后續的圖像分析。
2、2014年3月第1版，哈爾濱工業大學出版社，劉永坦編著的《雷達成像技術》第109頁、113頁－114頁指出，合成孔徑雷達(synthetic?aperture?radar，sar)安裝在運動平臺上，按照一定的重復頻率發射、接收脈沖，形成回波信號。sar系統的結構框圖如圖1所示，sar系統包括有星上雷達系統、衛星平臺及數據下傳系統和地面系統三部分，對合成孔徑雷達成像處理是在地面系統中完成的。地面系統通過地面接收站接收衛星平臺及數據下傳系統下發的回波信號，該回波信號經sar信號處理器進行成像處理，獲得sar圖像；所述sar圖像存儲于備檔操作系統中。
3、斑點噪聲的存在給sar圖像的處理帶來了巨大的挑戰。傳統的去噪方法，如均值濾波、中值濾波和小波變換等，雖然能夠在一定程度上抑制斑點噪聲，但往往會導致圖像中的細節信息丟失，尤其
4、近年來，隨著深度學習技術的飛速發展，研究人員提出了一系列基于深度學習的sar圖像去斑方法。這些方法利用神經網絡的強大特征提取能力，可以自動學習圖像中的復雜模式，從而在去除噪聲的同時更好地保留圖像的結構信息。然而，現有的方法在處理非均質區域(如建筑物、車輛等強散射體)時，仍然面臨著較大的挑戰，容易導致邊緣模糊或細節丟失。
技術實現思路
1、斑點噪聲是sar圖像處理中一個顯著的問題，因為它會破壞紋理細節，從而限制其高精度應用的準確性。斑點噪聲對sar圖像的影響與其結構特征有關，通常將圖像分為勻質區域、非勻質區域和極端非勻質區域。在后兩種區域中，邊緣和強點目標等結構會產生比均勻區域更復雜的斑點分布。基于乘性模型的去斑濾波器在勻質區域表現良好，但在另外兩種區域表現較差。為了解決在抑制斑點噪聲時導致圖像結構信息丟失的這一問題，本專利技術提出了一種基于結構保持的sar圖像去斑協同優化方法，該方法利用去斑模塊與結構提取模塊之間的耦合。通過結構信息的引導，所提出的方法在去除斑點的同時，更好地保留了邊緣和紋理細節。
2、本專利技術的一種sar圖像斑噪抑制和結構保持的協同優化系統，該系統由基于邊緣檢測網絡的結構提取模塊、基于卷積的特征融合模塊和基于雙邊殘差塊網絡的斑點噪聲抑制模塊組成；
3、stu模塊第一方面通過編碼器塊，提取不同尺度的圖像特征，用于生成多尺度結構映射；第二方面通過上采樣塊，提升特征圖分辨率，生成細化的結構映射；第三方面通過結構融合層，將所有上采樣塊生成的中間結構映射進行融合，通過學習到的濾波器生成最終的結構提取特征圖；
4、fus模塊第一方面，通過卷積操作對sar圖像進行處理，生成sar初步特征圖；第二方面，通過卷積操作對sar圖像進行處理，生成注意力矩陣；第三方面，sar初步特征圖和注意力矩陣加權融合；第四方面，通過卷積融合，生成更高質量的融合特征；
5、d?ep模塊第一方面通過由卷積層、批量歸一化層和relu激活函數組成的輸入層初步提取圖像特征；第二方面通過由兩種不同感受野的卷積操作組成的雙重殘差塊進行斑點噪聲抑制，同時實現全局特征提取和局部細節保留；第三方面通過由一個卷積層和一個雙曲正切激活函數組成的輸出層將去噪結果映射回圖像，并生成最終的斑點噪聲抑制結果。
6、應用本專利技術sar圖像斑噪抑制和結構保持的協同優化系統進行的防止抑制斑點噪聲時導致圖像結構信息丟失的協同優化有下列步驟：
7、步驟一：獲取待處理sar圖像；
8、stu－fus－dep協同模型從1b級信號處理器中獲取任意一張單視幅度圖像，即有斑點噪聲的sar圖像，記為待處理圖像xi；
9、步驟二：應用stu網絡提取數字化二值圖像特征信息；
10、步驟21，在stu模塊中處理sar圖像；
11、stu網絡中依據dexined架構包含有編碼器塊、上采樣塊和結構融合層；
12、編碼器塊用于提取不同尺度的xi的特征，記為axi；
13、上采樣塊接收axi，利用卷積和轉置卷積生成中間結構映射，記為bxi；
14、結構融合層將所有上采樣塊生成的中間結構映射bxi進行融合，并生成最終的結構提取特征圖，記為cxi；
15、步驟22，獲取數字化二值圖像特征信息；
16、依據訓練好的stu模型fstu對cxi進行處理，得到二值化結構標簽圖像xsi；
17、步驟三：應用fus模塊完成基于卷積和注意力的特征融合；
18、步驟31，特征提取；
19、將xi通過3×3卷積層的卷積操作，生成圖像初步特征圖xi′；
20、步驟32，生成注意力矩陣；
21、將xsi通過1×1的卷積操作，生成空間注意力矩陣xsi′；
22、步驟33，特征加權；
23、將xi′與xsi′逐元素相乘，形成加權特征圖xxsi′；
24、步驟34，第二次加權融合；
25、將xxsi′通過卷積層再一次融合，得到加權融合后的輸出特征信息，記為uxi；
26、步驟四：通過dep完成斑點噪聲抑制；
27、步驟41，在dep模塊中處理特征融合后的信息；
28、輸入層初步提取uxi的特征，記為uxi′；
29、使用首位相連的6個雙重殘差塊對uxi′進行處理，得到去噪結果rxi；
30、輸出層將rxi映射回圖像空間，記為oxi；
31、步驟42，獲取斑點噪聲抑制結果；
32、依據fdep對oxi進行處理，得到斑點噪聲抑制結果xo；
33、所述fdep是來源于訓練好的dep模塊的輸出。
34、本專利技術的技術效果：
35、①高效去除斑點噪聲：本專利技術利用雙邊殘差塊網絡進行斑點噪聲抑制，顯著減少了噪聲干擾，改善了sar圖像的清晰度和可讀性，使后續的影像分析更加準確可靠。
36、②結構信息保留增強：通過引入結構提取網絡，本專利技術能夠在去噪的同時保留圖像中的邊緣和細節。這一結構保持功能對于sar圖像中的地物識別、目標檢本文檔來自技高網...
【技術保護點】
1.一種SAR圖像斑噪抑制和結構保持的協同優化系統，其特征在于：該系統由基于邊緣檢測網絡的結構提取模塊、基于卷積的特征融合模塊和基于雙邊殘差塊網絡的斑點噪聲抑制模塊組成；
2.根據權利要求1所述的應用SAR圖像斑噪抑制和結構保持的協同優化的系統，其特征在于：該系統存儲于1B級信號處理器中。
3.根據權利要求1所述的應用SAR圖像斑噪抑制和結構保持的協同優化的系統，其特征在于：該系統用于旨在解決現有技術中在抑制斑點噪聲時導致圖像結構信息丟失的問題。
4.構建基于邊緣檢測網絡的結構提取模塊的方法有下列步驟：
5.構建雙邊殘差塊網絡的斑點噪聲抑制模塊的方法有下列步驟：
6.一種SAR圖像斑噪抑制和結構保持的協同優化方法，其特征在于有下列步驟：
【技術特征摘要】
1.一種sar圖像斑噪抑制和結構保持的協同優化系統，其特征在于：該系統由基于邊緣檢測網絡的結構提取模塊、基于卷積的特征融合模塊和基于雙邊殘差塊網絡的斑點噪聲抑制模塊組成；
2.根據權利要求1所述的應用sar圖像斑噪抑制和結構保持的協同優化的系統，其特征在于：該系統存儲于1b級信號處理器中。
3.根據權利要求1所述的應用sar圖...
【專利技術屬性】
技術研發人員：于澤，潘寶菁，姚現勛，李春升，
申請(專利權)人：北京航空航天大學，
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。