[发明专利]无监督SAR图像去噪方法

说明书

本发明公开了一种无监督SAR图像去噪方法，主要解决现有SAR图像去噪时容易丢失图像边缘信息和细节信息的问题。其实现方案为：1)获取训练数据集；2)在用于无监督图像转换网络CycleGAN的基础上，构建SAR图像去噪网络；3)对CycleGAN网络的损失函数进行改进，得到SAR图像去噪网络的损失函数；4)利用训练数据集对SAR图像去噪网络进行训练，得到训练好的SAR图像去噪网络；5)将待去噪的SAR图像输入到训练好的SAR图像去噪网络中，得到去噪后的SAR图像。本发明能在保留图像边缘信息和细节信息的条件下有效地抑制实际SAR图像的相干斑噪声，可用于改善SAR图像质量和提高SAR图像的可解释性。

技术领域

本发明属于图像处理技术领域，特别涉及一种无监督SAR图像去噪方法，可用于改善SAR图像质量和提高SAR图像的可解释性。

背景技术

合成孔径雷达SAR是一种主动式微波成像系统，具有在不同的气候和光照条件下对地面、海面进行全天候的观察能力，在地质资源勘探、海洋监测和城市规划等诸多应用中发挥了重要的作用。然而，由于SAR使用相干的电磁波成像，导致SAR图像中存在大量的相干斑噪声，给SAR图像的理解和解译造成了巨大的困难，因此相干斑噪声的抑制研究对SAR图像的可解释性和后续应用具有重要的意义。

传统的SAR图像去噪方法包括Frost滤波、Sigma滤波、均值滤波、中值滤波、Lee滤波等方法。这些图像滤波方法确实能抑制相干斑噪声，但会导致图像的边缘信息和细节信息的丢失，不利于SAR图像的后续应用。近年来，深度学习在计算机视觉领域展现出了强大有效的特征表征能力，被广泛应用于图像分类、图像恢复和图像超分辨等诸多图像处理任务。目前，基于深度学习的SAR图像去噪也被提出并得到了发展。

Puyang Wang、He Zhang和Vishal M.Patel在论文“SAR Image DespecklingUsing a Convolutional Neural Network”和“Generative Adversarial Network-BasedRestoration of Speckled SAR Images”中分别提出了采用卷积神经网络抑制SAR图像中相干斑噪声的方法和基于生成对抗网络的SAR图像去噪方法。然而这两种方法都假设相干斑噪声满足伽马分布这一条件并且采用有监督的方式进行学习，使得这两种方法仅能有效地抑制满足伽马分布的相干斑噪声。然而实际SAR图像的相干斑噪声分布常常不满足伽马分布，因此上述两种方法不适用于实际SAR图像去噪。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种无监督SAR图像去噪方法，以在保留图像边缘信息和细节信息的条件下有效地抑制实际SAR图像的相干斑噪声。

实现本发明目的的技术方案包括如下：

(1)制作数据集；

1a)获取SAR图像，将其裁剪成256×256大小的图像，得到有噪声图像数据集，并将该数据集称为初始域A；

1b)获取光学灰度图像，将其裁剪成256×256大小的图像，得到无噪声图像数据集，并将该数据集称为目标域B。

(2)在用于无监督图像转换网络CycleGAN的基础上，构建SAR图像去噪网络DnCycleGAN；

2a)对CycleGAN网络中的两个生成器结构进行改进，得到改进后的生成器G和F,其中G用于将初始域A中的图像x转换为类似于目标域B中图像的生成图像G(x)，F用于将目标域B中的图像y转换为类似于初始域A中图像的生成图像F(y)；

2b)对CycleGAN网络中的两个判别器结构进行改进，得到改进后的判别器D_A和D_B，其中D_A用于判断它的输入图像是初始域A中的图像还是生成图像F(y)，D_B用于判断它的输入图像是目标域B中的图像还是生成图像G(x)；