錢 滿，張向陽，李仁昌

南昌航空大學(xué) 信息工程學(xué)院，南昌 330063

1 引言

合成孔徑雷達(dá)（SAR）是一種相干波雷達(dá)，它可以對(duì)目標(biāo)進(jìn)行高分辨率成像[1]。它具有全天候、晝夜成像、高分辨率等特點(diǎn)，在遙感領(lǐng)域具有重要的應(yīng)用價(jià)值，在軍事和民用領(lǐng)域都發(fā)揮著重要作用。然而，在相干輻射作用下圖像會(huì)出現(xiàn)顆粒噪聲，即散斑噪聲。它是由于雷達(dá)每個(gè)分辨率單元內(nèi)的小反射器散射的相干回波的干涉引起的[2]。由于SAR圖像中散斑噪聲的存在，常常給圖片的后續(xù)分析和處理帶來很大的困難。因此，SAR圖像去除散斑噪聲是SAR圖像預(yù)處理中的一項(xiàng)關(guān)鍵任務(wù)，也是后續(xù)圖像處理中的分割、檢測(cè)和分類任務(wù)中不可或缺的一部分。

為了去除SAR圖像中的散斑噪聲，學(xué)者們首先提出了基于空域的去噪算法，如Lee濾波[3]、Frost濾波[4]和非局部均值（NLM）去噪方法[5]。Lee濾波器和Frost濾波器都是基于線性散斑噪聲模型的局部空間域?yàn)V波器，通過對(duì)局部窗口中像素值加權(quán)函數(shù)的線性組合，得到增強(qiáng)的中心像素。這些濾波器不能較好地保存圖像的紋理信息和邊緣信息。在此基礎(chǔ)上，研究人員又提出了NLM濾波器利用子塊相似性對(duì)圖像進(jìn)行去噪[6-7]，特別是基于概率塊的（PPB）算法已經(jīng)被證明非常適合于SAR圖像的去噪。然而該方法存在計(jì)算量過大的問題。

與空間域降噪相比，在變換域干凈信號(hào)和噪聲信號(hào)更加易于分離?；谧儞Q域的去噪算法主要有Wavelet域去噪[8]和Shearlet域去噪[9]等方法。其中基于Wavelet域圖像去噪算法是假設(shè)噪聲主要存在于高頻小波分量中，因此可以將變換域中的高頻小波系數(shù)過濾從而消除噪聲。該方法在降低加性高斯白噪聲方面取得了很好的效果。但該方法存在非稀疏性和方向選擇性不足。為克服這些困難Shearlet變換[10]被提出，它由合成膨脹仿射系統(tǒng)構(gòu)造的一種新型變換，可以對(duì)圖像進(jìn)行稀疏表示，并具有靈活的方向選擇性。然而，它也有一些缺點(diǎn)，如平移魯棒性差和圖像邊緣會(huì)出現(xiàn)偽吉布斯紋理。

隨著深度學(xué)習(xí)技術(shù)的應(yīng)用推廣，近年已有基于深度學(xué)習(xí)方法應(yīng)用到圖像去噪中，并取得了很好的效果[11]。其中，Chierchia等人[12]在DnCNN[13]模型的基礎(chǔ)上提出了基于卷積神經(jīng)網(wǎng)絡(luò)SAR圖像去噪方法SAR-CNN。該方法的卷積層由批量歸一化（BN）和線性整流函數(shù)（ReLU）組成，其中ReLU作為卷積層的激活函數(shù)。SAR-CNN為了去除SAR圖像中的乘性噪聲，該方法采用對(duì)數(shù)變換和指數(shù)變換結(jié)構(gòu)，將SAR圖像中的乘性噪聲轉(zhuǎn)換為加性噪聲，再使用殘差學(xué)習(xí)方法去除噪聲。這種非線性去噪方法相比傳統(tǒng)的線性去噪方法有更好的效果，能夠去除再去噪的同時(shí)保存圖像的細(xì)節(jié)紋理和邊緣特征，但該方法存在去噪效率較低的問題。為了克服這些問題，本文在文獻(xiàn)[14-15]的基礎(chǔ)上提出了一種基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)用于SAR圖像去噪。該方法通過構(gòu)建圖像下采樣、卷積操作、跳躍連接和殘差學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在含噪聲的SAR圖像和干凈的SAR圖像之間實(shí)現(xiàn)非線性端到端映射以提高網(wǎng)絡(luò)的性能。實(shí)驗(yàn)結(jié)果表明本文方法相比SAR-BM3D、SAR-Shearlet和SAR-CNN去噪方法有更好的去噪效果和較高的計(jì)算效率。

2 相關(guān)工作

在本章中，首先對(duì)SAR圖像噪聲模型進(jìn)行了介紹，然后對(duì)卷積神經(jīng)網(wǎng)絡(luò)的基本原理進(jìn)行了介紹。

2.1 SAR圖像斑點(diǎn)噪聲模型

SAR圖像的噪聲是影響SAR圖像成像效果的主要原因，其噪聲與常見的加性高斯白噪聲（AWGN）數(shù)學(xué)模型并不相同，它是乘性噪聲。所以SAR圖像噪聲相比一般圖像中的加性高斯白噪聲更難去除[16]。令Y∈?W×H為SAR觀測(cè)圖像，X∈?W×H為干凈圖像，N∈?W×H表示乘性噪聲。然后用下面的乘性噪聲模型[17]來描述SAR圖像噪聲：

其中，SAR圖像中乘性噪聲的幅值信號(hào)服從伽馬分布：

其中，L>1，N>0，Γ(?)表示Gamma分布函數(shù)，L是等效外觀視數(shù)（ENL）。

其中，Xˉ和var分別代表SAR圖像的均值和方差。

2.2 卷積神經(jīng)網(wǎng)絡(luò)基本原理

卷積網(wǎng)絡(luò)是基于神經(jīng)網(wǎng)絡(luò)的局部感受區(qū)域仿生特性和權(quán)值共享的特點(diǎn)而構(gòu)造的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。與生物視覺皮層的神經(jīng)元局部接受信息特點(diǎn)相似，卷積神經(jīng)網(wǎng)絡(luò)中每個(gè)神經(jīng)元只對(duì)局部圖像進(jìn)行感知，通過在更高層將局部信息綜合獲得全局信息。神經(jīng)元將提取的局部特征映射為一個(gè)平面，而同一平面中的神經(jīng)元共享同一權(quán)值，局部感知和權(quán)值共享兩個(gè)特點(diǎn)減少了訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)所需的參數(shù)。

一個(gè)典型的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的結(jié)構(gòu)主要包含三層：卷積層、池化層和全連接分類層。本文方法只用到了卷積層，沒有用到池化層和全連接層。

3 基于卷積神經(jīng)網(wǎng)絡(luò)SAR圖像去噪

本文構(gòu)建了一個(gè)14層網(wǎng)絡(luò)和5個(gè)跳躍連接結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。第1層可逆下采樣層，第2層包括卷積與激活函數(shù)，第3至12層包括卷積層、批歸一化和激活函數(shù)，第13層是單獨(dú)的一層卷積層，第14層為可逆上采樣層。其中網(wǎng)絡(luò)的第2層到第13構(gòu)成了一個(gè)非線性映射結(jié)構(gòu)，其結(jié)構(gòu)如表1所示。

去噪方法過程如下：首先將含噪的圖像Y大小裁剪為256×256，再將噪聲圖像下采樣變?yōu)樗膫€(gè)大小為原圖像四分之一的子圖像作為非線性映射結(jié)構(gòu)的輸入。經(jīng)過非線性映射層映射后得到估計(jì)的噪聲分布圖像，再使用殘差學(xué)習(xí)方法將含噪子圖像減去估計(jì)的散斑噪聲圖像，從而得到干凈的子圖像。最后，利用圖像上采樣方法將四個(gè)干凈的子圖像上采樣合成一個(gè)與原圖像大小相同但不含有噪聲的去噪圖像X?。

3.1 圖像下采樣

圖1 SAR-DSCN網(wǎng)絡(luò)結(jié)構(gòu)

表1 網(wǎng)絡(luò)非線性映射結(jié)構(gòu)

由于算法去噪效率是評(píng)價(jià)SAR圖像去噪算法的重要指標(biāo)。傳統(tǒng)基于卷積神經(jīng)網(wǎng)絡(luò)SAR圖像去噪提高算法效率的方法主要是減小網(wǎng)絡(luò)的深度。但是，這會(huì)導(dǎo)致算法的去噪能力下降。為了提高算法去噪效率，該方法引入了可逆下采樣[18]結(jié)構(gòu)。算法利用下采樣算子將輸入的尺寸為W×H×C圖像轉(zhuǎn)換為四個(gè)尺寸為下采樣子圖像，其中C為圖像通道的個(gè)數(shù)，在下采樣以后使用卷積運(yùn)算來提取圖片的特征信息。

圖像下采樣方法還可以有效地?cái)U(kuò)大感受野。例如，利用一個(gè)15層的卷積神經(jīng)網(wǎng)絡(luò)與大小為3×3的卷積核，最終輸出層將得到感受野大小為62×62。相比之下普通的15層和卷積核大小為3×3的卷積神經(jīng)網(wǎng)絡(luò)最終得到的感受野大小只有31×31，只有本文所提出方法的一半。

為了證明下采樣方法能夠大大提高去噪效率速度。因此，本文使用UC Merced land-use數(shù)據(jù)集作為實(shí)驗(yàn)的訓(xùn)練數(shù)據(jù)集，并在訓(xùn)練集圖像中加入不同等級(jí)的噪聲(L=1,L=8)用于模擬SAR圖像去噪實(shí)驗(yàn)。對(duì)于灰度SAR圖像去噪，實(shí)驗(yàn)訓(xùn)練了一個(gè)與本文所提出的方法有相同網(wǎng)絡(luò)深度但沒有下采樣算子的卷積神經(jīng)網(wǎng)絡(luò)。在相同情況下使用圖像下采樣的卷積神經(jīng)網(wǎng)絡(luò)的去噪速度大約比沒有使用圖像下采樣的卷積神經(jīng)網(wǎng)絡(luò)的快2.5倍。

3.2 跳躍連接

為了獲取圖片更多的數(shù)據(jù)特征，常用的方法是通過增加卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)層來提高網(wǎng)絡(luò)的提取特征能力。但網(wǎng)絡(luò)層過深會(huì)導(dǎo)致網(wǎng)絡(luò)存在梯度消失問題，使得網(wǎng)絡(luò)的訓(xùn)練變得更加困難。于是Mao等人[19-20]使用了跳躍連接，將前一層的特征信息直接傳遞到后面的網(wǎng)絡(luò)層，這種結(jié)構(gòu)可以避免或減少深度網(wǎng)絡(luò)中的梯度消失問題。假設(shè)在網(wǎng)絡(luò)中有k個(gè)跳躍連接，對(duì)于網(wǎng)絡(luò)的第i層，設(shè)L(i)為輸入圖像。則網(wǎng)絡(luò)的第(i+k)層的輸出為：

由于輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的關(guān)系通常是非線性的。因此，F(xiàn)(?)要采用非線性函數(shù)ReLU作為激活函數(shù)如式（5）所示。網(wǎng)絡(luò)參數(shù)W和b需要通過反向傳播（BP）算法進(jìn)行更新。

跳躍連接層是由兩個(gè)卷積層和一個(gè)跳躍連接結(jié)構(gòu)組成（如圖2所示），本文整個(gè)網(wǎng)絡(luò)中共有5個(gè)這樣的結(jié)構(gòu)。

圖2 網(wǎng)絡(luò)的跳躍連接層結(jié)構(gòu)

3.3 殘差學(xué)習(xí)

由于隨著網(wǎng)絡(luò)層數(shù)的增加，網(wǎng)絡(luò)會(huì)出現(xiàn)明顯退化，常用的網(wǎng)絡(luò)難以用Conv-BN-ReLU非線性層的疊加來逼近相同的映射，并且網(wǎng)絡(luò)訓(xùn)練損失函數(shù)存在收斂過慢問題，為了加速收斂，提高網(wǎng)絡(luò)性能。因此本文采用了殘差網(wǎng)絡(luò)學(xué)習(xí)[21]，使用殘差學(xué)習(xí)可以更快更容易地尋找到接近于最優(yōu)網(wǎng)絡(luò)的參數(shù)，這就允許向網(wǎng)絡(luò)中添加更多可訓(xùn)練的網(wǎng)絡(luò)層。

通過更深網(wǎng)絡(luò)層數(shù)和非線性特征提取，使網(wǎng)絡(luò)的學(xué)習(xí)結(jié)果更接近圖片中的SAR圖像的噪聲分布特性。然后從含噪的SAR圖像中減去訓(xùn)練得到的噪聲分布，得到去噪后干凈的SAR圖像。其中，期望的殘差圖像與噪聲輸入估計(jì)殘差之間的平均均方誤差（MSE）作為網(wǎng)絡(luò)的損失函數(shù)，其可以表示為：

其中，Θ表示網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。{(Yi-Xi)}Ni=1表示N對(duì)噪聲-干凈圖像，R(Yi,Θ)表示網(wǎng)絡(luò)學(xué)習(xí)到的噪聲分布特性。

3.4 網(wǎng)絡(luò)訓(xùn)練過程

由于真實(shí)SAR圖像不可避免地存在相干斑噪聲，本文采用光學(xué)圖像模擬SAR圖像訓(xùn)練網(wǎng)絡(luò)?？梢岳闷胀▓D像和相干斑噪聲合成帶斑點(diǎn)噪聲的仿真SAR圖像，并使用仿真圖像作為網(wǎng)絡(luò)的訓(xùn)練集來訓(xùn)練網(wǎng)絡(luò)。

本文在網(wǎng)絡(luò)訓(xùn)練過程中主要采用ReLU[22]、批量歸一化（BN）[23-24]、Adam算法[25]和BP算法。網(wǎng)絡(luò)的訓(xùn)練過程如圖3所示，卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練主要分為兩個(gè)部分：

（1）前向傳輸部分

①從訓(xùn)練集中選擇一個(gè)樣本(x,y)，將干凈圖像x作為模型的輸入。

②計(jì)算該樣本的實(shí)際輸出y0去噪后圖像。

（2）后向傳播部分：

①計(jì)算實(shí)際輸出圖像y0與樣本理論值y的偏差。

②按照最小化損失函數(shù)方法，通過反向傳播方法和Adam算法來調(diào)整網(wǎng)絡(luò)參數(shù)。

其中，Adam算法是代替隨機(jī)梯度下降算法（SGD）作為梯度下降優(yōu)化方法：

Adam算法動(dòng)量參數(shù) β1與 β2分別設(shè)置為0.9和0.999，停止參數(shù)ε=10-8,θt為網(wǎng)絡(luò)中第t次迭代可訓(xùn)練的參數(shù)。

網(wǎng)絡(luò)的初始學(xué)習(xí)速率α設(shè)置為10-3，訓(xùn)練過程中網(wǎng)絡(luò)學(xué)習(xí)速率下降到10-4網(wǎng)絡(luò)會(huì)停止訓(xùn)練；或損失函數(shù)減少到設(shè)定的閾值時(shí)，網(wǎng)絡(luò)也會(huì)停止訓(xùn)練。

4 實(shí)驗(yàn)結(jié)果與分析

訓(xùn)練并測(cè)試網(wǎng)絡(luò)，利用仿真和實(shí)測(cè)數(shù)據(jù)驗(yàn)證本文提出方法的有效性。接下來介紹實(shí)驗(yàn)設(shè)置和實(shí)驗(yàn)結(jié)果。

4.1 網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集與條件

為了驗(yàn)證本文方法的有效性，本文使用UC Merced land-use數(shù)據(jù)集作為模擬SAR圖像去噪的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，該數(shù)據(jù)集包含21個(gè)場(chǎng)景，每個(gè)場(chǎng)景包含100幅圖像。所有的圖像大小都被調(diào)整為256×256。圖像塊的大小取40×40。在網(wǎng)絡(luò)訓(xùn)練過程中，隨機(jī)從數(shù)據(jù)集中選取400幅圖像作為訓(xùn)練集，并在訓(xùn)練集圖像中添加噪聲。為了提高網(wǎng)絡(luò)性能、增強(qiáng)網(wǎng)絡(luò)的泛化能力，對(duì)訓(xùn)練圖像進(jìn)行數(shù)據(jù)增強(qiáng)，采用鏡面翻轉(zhuǎn)操作、垂直翻轉(zhuǎn)和順時(shí)針90°的旋轉(zhuǎn)操作。

實(shí)驗(yàn)采用MatConvNet框架，在MATLAB R2016a環(huán)境下進(jìn)行，CPU采用六核AMD Ryzen 5 2600、頻率是3.60 GHz。GPU采用Nvidia GeForce RTX-2060、內(nèi)存8 GB。

4.2 實(shí)驗(yàn)比較算法和評(píng)價(jià)指標(biāo)

為驗(yàn)證本文算法的優(yōu)越性，這一節(jié)將本文算法與Frost-Filter算法、SAR-BM3D[26]方法、基于Shearlet域的SAR圖像去噪方法、SAR-CNN方法和文獻(xiàn)[15]算法進(jìn)行比較。在模擬圖像實(shí)驗(yàn)中，采用常用峰值信噪比PSNR（Peak Signal to Noise Ratio）和結(jié)構(gòu)相似度SSIM（Structural Similarity Index）作為定量評(píng)價(jià)指標(biāo)評(píng)估去噪效果，其中PSNR越大，表示圖像質(zhì)量越好，SSIM越大表示去噪后圖像與原圖像的相似度越高，去噪效果越好。在實(shí)際SAR圖像去噪實(shí)驗(yàn)中，還采用了ENL作為圖像去噪評(píng)價(jià)指標(biāo)，ENL被認(rèn)為是評(píng)價(jià)SAR圖像去噪后均勻區(qū)域的平滑度，其值越大表明均勻區(qū)域越平滑。

4.3 實(shí)驗(yàn)結(jié)果

本節(jié)在普通光學(xué)圖像中加入4種不同強(qiáng)度噪聲，模擬含噪SAR圖像，添加的噪聲強(qiáng)度從低到高分別是L=1,2,4,8。為了驗(yàn)證本文去噪方法的去噪性能，使用模擬含噪SAR圖像和真實(shí)SAR圖像進(jìn)行去噪實(shí)驗(yàn)。圖像去噪后的峰值信噪比（PSNR）和結(jié)構(gòu)相似度指數(shù)（SSIM）的相應(yīng)實(shí)驗(yàn)結(jié)果如表2所示。

圖3 網(wǎng)絡(luò)訓(xùn)練圖

從表2可知，與其他五種去噪方法相比，本文方法得到去噪后圖片的PSNR值在大多數(shù)情況下更大，說明本文方法的去噪效果比其他五種方法的去噪效果更好。并且在噪聲等級(jí)增大時(shí)，PSNR并沒有大幅度的降低，說明該方法對(duì)高強(qiáng)度噪聲不敏感，在噪聲較大時(shí)時(shí)，也能達(dá)到不錯(cuò)的去噪效果。而且在相同噪聲情況下本文方法去噪后的SSIM值大部分情況下也是最大的，仿真圖像實(shí)驗(yàn)結(jié)果理論上說明本文方法的去噪后圖像與去原圖像的結(jié)構(gòu)相似度最高，這說明該方法保存圖像細(xì)節(jié)能力最好。

此外，視覺評(píng)價(jià)也是定性評(píng)價(jià)算法去噪性能的另一種方法。為了測(cè)試各種方法去噪效果，本實(shí)驗(yàn)噪聲強(qiáng)度等級(jí)設(shè)置為L(zhǎng)=4，本文方法與經(jīng)典的Frost-Filter方法、SAR-BM3D方法、SAR-Shearlet方法、較新的SAR-CNN方法和文獻(xiàn)[15]方法的去噪效果對(duì)比如圖4所示，其中圖（a）為原始不含噪聲圖像，圖（b）為模擬帶噪聲圖像，圖（c）為Frost-Filter方法去噪后圖像，圖（d）為SARShearlet方法去噪后圖像，圖（e）為SAR-BM3D方法去噪后圖像，圖（f）為SAR-CNN方法去噪后圖像，圖（g）為文獻(xiàn)[15]方法濾波圖像，圖（h）為本文方法去噪后圖像。從圖中可以看出，F(xiàn)rost-Filter濾波方法去噪效果最差，去噪后圖片不但仍然存在噪聲，還使得圖像邊緣細(xì)節(jié)信息丟失。這是因?yàn)镕rost-Filter濾波方法是根據(jù)圖像的局部塊的統(tǒng)計(jì)特性去噪，這會(huì)造成圖像的點(diǎn)狀目標(biāo)處的噪聲難以很好地濾除。Shearlet域?yàn)V波方法在去噪同時(shí)仍能保留圖像細(xì)節(jié)紋理信息，但會(huì)在圖像的邊緣產(chǎn)生一些偽吉布斯紋理，這是因?yàn)镾hearlet變換的平移魯棒性較差。而SAR-BM3D和SAR-CNN方法具有良好去噪效果，但這兩種方法同時(shí)存在圖像過度平滑問題，導(dǎo)致圖像的一些邊緣細(xì)節(jié)和紋理特征丟失。文獻(xiàn)[15]方法雖然有較好去噪效果，但是圖像出現(xiàn)輕微的模糊。這是因?yàn)槲墨I(xiàn)[15]方法的卷積層只有7層，對(duì)圖片的特征提取能力較低。對(duì)比觀察紅色標(biāo)注的區(qū)域，可以發(fā)現(xiàn)采用本文方法去噪后的圖像與原始無噪聲圖像相似度更高，并且在體育館頂部的紋理結(jié)構(gòu)和局部位置的輪廓更加清晰。本文方法在去除相干斑噪聲的同時(shí)，更好地保留了圖像的邊緣細(xì)節(jié)和紋理信息。同時(shí)本文方法在圖像去噪同時(shí)還避免在圖像的邊緣處引入偽吉布斯紋理。

為了證明本文方法對(duì)于真實(shí)的SAR圖像的去噪效果也優(yōu)于其他五種方法，實(shí)驗(yàn)采用巴西雨林地區(qū)和阿爾卑斯山脈地區(qū)的SAR圖像對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行去噪評(píng)估。先將圖像大小裁剪為256×256，再分別使用Frost-Filter方法、SAR-BM3D方法、SAR-Shearlet方法、SARCNN、文獻(xiàn)[15]方法和本文方法進(jìn)行去噪實(shí)驗(yàn)。并且本文還使用等效視數(shù)（ENL）來衡量不同圖像去噪方法的性能。ENL值是從圖5中兩個(gè)紅色均勻區(qū)域內(nèi)估算的，阿爾卑斯山SAR圖像去噪后的效果圖和計(jì)算的ENL值結(jié)果如圖6和圖7所示。從圖6中可以看出，F(xiàn)rost-Filter濾波的去噪效果比較差，圖像去噪后依然存在許多斑點(diǎn)噪聲信息。Shearlet域?yàn)V波方法能夠較好地平滑噪聲圖像，但會(huì)在圖像的邊緣產(chǎn)生一些偽吉布斯紋理。SARBM3D算法和SAR-CNN算法的去噪效果比較好，均勻區(qū)域比較光滑，但也存在少量的信息丟失。文獻(xiàn)[15]SAR圖像去噪方法和本文SAR圖像去噪算法都能很好地抑制斑點(diǎn)噪聲，并且在保留紋理信息上也處理得很好。但文獻(xiàn)[15]方法的去噪結(jié)果存在背景輕微模糊問題，而本文算法能夠較好地解決這個(gè)問題，在SAR圖像去噪同時(shí)并保持圖像的清晰度。從圖7中可以看出本文去噪算法去噪后的ENL值是最大的，這也說明本文去噪算法對(duì)SAR圖像上的相干斑噪聲的抑制能力是最強(qiáng)的。

表2 在噪聲等級(jí)L=1,2,4,8情況仿真圖片去噪后PSNR和SSIM結(jié)果

圖4 仿真SAR圖像去噪實(shí)驗(yàn)對(duì)比圖

圖5 巴西雨林地區(qū)去噪效果圖

4.4 運(yùn)行時(shí)間的比較

圖7 各種算法去噪后巴西雨林的ENL結(jié)果

對(duì)于圖5和圖6這兩幅真實(shí)SAR圖像去噪的平均運(yùn)行時(shí)間如表3所示。從表3可以看出，本文方法的運(yùn)行時(shí)間相較于其他五種方法要快很多，處理一幅大小大256×256的SAR噪聲圖片，本文方法大約僅需要0.65 s，大約是SAR-CNN方法的五分之一和文獻(xiàn)[15]SAR圖像去噪算法的四分之一。這主要是因?yàn)楸疚乃岢龅娜ピ敕椒ú捎昧藞D像下采樣方法和殘差學(xué)習(xí)方法。

表3 256×256SAR圖像去噪平均耗時(shí)

5 結(jié)束語

為了提高SAR圖像質(zhì)量，在消除SAR圖像中的相干斑噪聲同時(shí)并保留圖像中的細(xì)節(jié)和紋理信息，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像去斑方法。該方法使用卷積運(yùn)算來提取圖像特征，與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)不同，該方法采用下采樣算子和殘差學(xué)習(xí)結(jié)構(gòu)，既可以加速學(xué)習(xí)過程，又可以提高去斑性能。此外，該網(wǎng)絡(luò)還使用了跳過連接結(jié)構(gòu)來保留圖像的詳細(xì)信息，并避免深度卷積神經(jīng)網(wǎng)絡(luò)中存在的梯度消失問題。與傳統(tǒng)的去噪算法相比，本文提出的算法的仿真和真實(shí)圖像實(shí)驗(yàn)表明，該方法具有比其他去斑方法更好的去斑點(diǎn)性能。因此，該方法在SAR圖像應(yīng)用中更具競(jìng)爭(zhēng)力。但是，所提出的去噪方法對(duì)于多極化SAR圖像去噪較為困難，其噪聲模型比單極化SAR要復(fù)雜得多。所以，基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)對(duì)于多極化SAR圖像去噪將是今后研究的重點(diǎn)。