改进卷积神经网络的SAR图像噪声抑制算法_冯博迪.pdf

收稿日期:2021-05-18 修回日期:2021-06-05 第 40 卷 第 4 期计 算 机 仿 真2023 年 4 月 文章编号:1006-9348(2023)04-0005-06改进卷积神经网络的 SAR 图像噪声抑制算法冯博迪,杨海涛,张长弓,高宇歌(航天工程大学航天信息学院,北京 101416)摘要:SAR 图像由于其主动成像的特点,不可避免的存在相干斑噪声,噪声的存在让 SAR 图像的后续解译处理变得较为复杂,为了便于 SAR 图像的解译处理和广泛应用,改进了一种基于 CNN 的斑点噪声抑制算法,使用 Inception 结构和扩张卷积来增大网络的感受野,使用非对称卷积组取代传统对称卷积来增强网络的特征提取能力,同时引入跳跃结构进行残差学习,将仿真数据输入网络,学习干净图像和噪声图像之间的映射关系,使用常用的评价指标对网络进行评估并与其它的噪声抑制算法进行对比,实验结果表明,改进的算法具有较好的去噪效果,对比其它去噪算法,上述方法不仅可以有效去除斑点噪声,并且能够较好的保留纹理信息。关键词:图像去噪;卷积神经网络;残差学习中图分类号:TP183 文献标识码:BImproved Convolutional Neural Network-Based SAR ImageCoherent Speckle Noise Suppression AlgorithmFENG Bo-di,YANG Hai-tao,ZHANG Chang-gong,GAO Yu-ge(School of Space Information,Space Engineering University,Beijing 101416,China)ABSTRACT:The existence of noise makes the subsequent decompression processing of SAR images more complicat-ed.In order to facilitate the decompression processing and wide application of SAR images,this paper improves aCNN-based speckle noise suppression algorithm.The Inception structure and dilation convolution were used to in-crease the perceptual field of the network.The asymmetric convolution group was used to replace the traditional sym-metric convolution to enhance the feature extraction ability of the network,and at the same time,the jump structurewas introduced for residual learning,the simulation data was input into the network,the mapping relationshipbetween clean and noisy images was learned,and the network was evaluated using common evaluation metrics andcompared with other noise suppression algorithms.The experimental results show that the improved algorithm in thispaper has a better denoising effect,and compared with other denoising algorithms,the above method can not only ef-fectively remove speckle noise,but also can retain better texture information.KEYWORDS:Image denoising;Convolutional neural network;Residual learning1 引言合成孔径雷达是一种主动式高分辨率成像传感器1,与光学遥感成像不同的是,SAR 成像能够不受外界条件的干扰,全天候的对目标进行观测,然而由于 SAR 图像相干成像的特点,真实 SAR 图像无法避免的会受到斑点噪声的影响,这些噪声大大降低了 SAR 图像的质量,并对后续的解译和分析工作造成了极大的困扰。因此,为了更好地推动 SAR图像的广泛应用,需要采用合适的去噪算法对图像中的斑点噪声进行抑制削弱。近几十年来,涌现出了大量关于 SAR 图像噪声抑制的方法,传统的方法有基于空域滤波的方法和基于变换域滤波的方法。前者是直接对目标图像进行滤波,能够有效抑制均匀区域的噪声,但是其容易受到滤波器滤波核大小的影响,并且在图像去噪的效果和细节保留方面存在折衷情况,二者之间的关系难以得到平衡。后者是将原始信号转移到对应的变换域中进行滤波,再对降噪后的信号进行逆运算得到噪声抑制后的图像。常用的方法有 Lee2滤波、Kuan3滤波和Frost4滤波等。变换域滤波一般通过例如傅里叶变换或小波变换56等方法进行变换,拥有优于空域滤波的效果,但5在使用变换域滤波算法时,图像复原后边缘有时会出现虚假信息,即吉布斯(Gibbs)现象,导致图像像素失真,传统的噪声抑制算法均会对图像的边缘信息造成一定的损失。随着深度学习在各领域的成功应用,为了更好的规避上述问题并获得更好的去噪效果,深度学习被引入了图像去噪领域7,在深度网络的众多模型中,卷积神经网络(Convolu-tional Neural Networks,CNN)由其优越的特征学习能力,在图像降噪领域得到了众多学者的青睐。Jain8等人使用 CNN对自然图像进行去噪,与传统的去噪方法相比,卷积神经网络获得了有更为优秀的去噪效果。Zhang9等人提出了一种深度卷积神经网络(DnCNN),该算法由 17 层的全卷积网络构成,首次将残差学习(Residual learning)和批标准化(BatchNormalization,BN)思想引入图像去噪。DnCNN 在图像处理领域做出了巨大贡献,采用了更加高效的残差图像学习方法,通过神经网络计算噪声图像和干净图像的差值,引入跳跃连接,使用输入图像减掉学习到的残差图像从而实现噪声的去除。该网络的实验结果证明,残差学习和批标准化的结合能够有效提升去噪的效果。随后,Chierchia10等人采用对数变换的思想变换噪声性质为更易去除的加性噪声,提出了基于 CNN 的 SAR 图像去噪方法 SAR-CNN。该方法虽然取得了较好的噪声抑制效果,但对数变换过程增加的运算量导致了噪声去除的实际效率较低。虽然多年来关于 SAR 图像斑点噪声抑制的方法研究取得了非常大的进步,但是人们仍然不断探寻如何在有效抑制SAR 图像斑点噪声的基础上,更加准确的保留图像中的细节信息。在使用 CNN 对图像的噪声进行抑制的过程中,为了得到更好的去噪效果,往往构造比较深的网络,层叠使用卷积层来加强对图像信息的获取,但当网络结构较为深的时候,网络的参数数量较大,网络训练较为复杂,难以对模型进行优化,另一方面较深的网络模型在训练过程中容易发生梯度消失现象,对模型的调优也存在一定的难度,同时会消耗大量的时间和计算资源。因此,针对上述问题,本文在文献9的基础上,提出了一种基于 Inception 结构、非对称卷积结构、残差学习和跳跃连接的卷积神经网络去噪模型,通过实现含噪图像和干净图像的非线性映射关系来提高网络性能。模型的第一层是 Inception 结构,在该层包含了 4 种尺度不同的卷积操作来提取更多的特征信息,在第 2 至 16 层,层叠使用非对称卷积块,全部采用 ReLU 激活函数,同时为了加快网络的训练速度,引入了批量归一化操作。最后一层使用一个卷积核来进行非线性映射,并引入跳跃连接,使用残差学习思想来学习残差影像。在本文的第二部分介绍了文章所使用的方法,包括网络结构,多尺度卷积,非对称卷积块和训练过程,第三部分通过实验验证了本文方法的有效性,并与其它经典去噪方法做对比,突出本文方法的有效性。第四部分对文章进行总结。2 相关理论在本节中首先对 SAR 图像噪声模型进行了介绍,然后简要介绍了 CNN 的基本原理。2.1 SAR 图像噪声模型SAR 图像中的斑点噪声是由于雷达目标回波信号的衰落现象所引起的,在进行斑点噪声的噪声抑制算法研究时,经常采用乘性噪声模型对斑点噪声进行描述。相较于传统的高斯噪声而言,斑点噪声的去除更为复杂11。zi j=xijyi j(1)这里 zi j指 SAR 图像上第(i,j)个像素的强度或振幅,yi j是指服从均值为 1,标准偏差 分布的噪声。图像去噪的过程是从含噪图像中恢复出原始干净图像信息的过程,通过对图像的处理获得与初始图像近似的一个估计值,获得的估计值与初始图像相差越小,模型的去噪效果越好。2.2 卷积神经网络基本原理CNN 的出现是得到了生物学领域的启示,拥有多层结构,且是一种通过有监督学习获得的神经网络,生物中的神经元只对特定的局部信息有反应,与生物视觉皮层中的神经元相似,卷积神经网络中的每个人工神经元也只对图像的局部特征进行感知,在卷积神经网络中,有权值共享和局部感受野两个重要思想。如图 1 所示,为经典 LeNet-512结构,该结构主要包含卷积层、下采样层和全连接层。图 1 LeNet-5 网络结构CNN 的特征提取功能主要是靠卷积层和池化层来实现的,卷积层通过对各区域进行卷积来实现对图像特征的提取。卷积核的具体值可在训练过程中通过学习获得。下采样层主要的作用是降低数据维度,来有效避免训练过程中可能出现的过拟合现象,通过下采样的操作可以有效的减少网络中需要被处理数据的数量,同时保留有用的信息。全连接层采用多层结构,每层都包含大量神经元,可对输入的数据进行分类或回归。3 基于卷积神经网络 SAR 图像去噪对于 SAR 图像的小样本来说,如何提取和充分利用更多的特征信息至关重要。因此,为了提升网络对图像特征信息的捕捉,实现更为有效的特征提取,更好的得到输入和输出的非线性映射关系,本文构建了如图 3 所示的网络结构,使用了 Inception 结构来深度挖掘原始图像,获取更多特征信6息,采用扩张卷积的方法来增加模型的感受野,在网络构造过程中交叠使用非对称卷积块来进行特征映射,使用非对称卷积块替换掉传统的方形对称卷积块,在不引入额外参数的同时,来达到提高网络精度和提升网络特征提取能力的目的,使用残差学习思想来学习残差影像,由含噪图像减去学习到的残差影像从而得到干净的去噪图像。3.1 多特征提取层Inception13网络结构更宽,使得网络可以更好的选择有用的特征。在标准的 CNN 中,层与层之间通过提取特征信息将输入网络的图像转换成更有用的特征表示,不同类型的层提取获得的特征种类也是不同的14。Inception 结构的特点是可以采用不同的卷积核对同一个输入进行特征提取,并将提取的结果连接到同一个输出。这样的网络结构有助于从输入图像中获取更多的特征信息,以提高网络模型的训练效果,在对未知的噪声图像进行处理时,获得更好的泛化效果。同时,由于 Inceotion 模型的卷积网络特征映射的数量增加会增大计算成本,为了避免网络中的参数数量过多,本文的结构只在第一层使用 Inception 结构,旨在尽可能降低计算复杂度的同时又能增强对原始图像特征信息的获取,增强对输入图像特征信息的利用率,在该层使用 33,55,77,99这 4 种尺度不同的卷积核并列组合来提取更多的特征信