1.Intruction
En el reconocimiento de objetos, seguimiento de objetos y clasificación de imágenes y otros campos, la demanda de imágenes de radar de apertura sintética de alta calidad (imagen SAR) es muy urgente. Sin embargo, de apertura sintética de calidad de imagen de radar se verá afectada de ruido multicanal nacido, lo que afectó en gran medida la aplicación de la imagen.
Desde 2017, la profundidad del aprendizaje basado en el método puede ser un mapeo planta baja de aprendizaje buena entre el ruido de la imagen y la imagen libre de ruido, sin embargo, la formación de imagen óptica es diferente, no hay imagen SAR ruido no se puede obtener directamente en la realidad. Para generar la formación, por lo general mediante el uso de un modelo de ruido de imagen óptica para simular el ruido de la imagen SAR, lo que provoca un problema: la necesidad de añadir una cantidad fija de ruido en la simulación del sistema. Una vez que desea añadir el ruido se fija, modelo de aprendizaje profundo sólo puede conocer la distribución del ruido del tipo fijo, que puede conducir a un exceso de suavizado (oversmo-ada) o demasiado énfasis en ciertos detalles (detalles falsas) generalización perdido. Por lo tanto, el modelo de aprendizaje de profundidad con capacidades de auto-corrección, es clave para la eliminación de ruido de imagen SAR superioridad lograr.
Este artículo introduce el concepto de nivel de mapa de textura (TLM), el diseño de una red de aprendizaje profundo de dos componentes para resolver los problemas anteriores. TLM es un mapa de calor, que muestra la aleatoriedad de la distribución de la configuración de imagen, y dimensiones uniformes. La red consta de dos subredes, es decir, la textura de subred estimación y el ruido de subred eliminación. El primero se utiliza para generar TLM, que se utiliza para eliminar el ruido de la imagen del original SAR y la TLM correspondiente.
2.Method
A. Textura gráfico jerárquico
Y la medición de la calidad óptica de los resultados de diferentes eliminación de ruido de imagen, imágenes SAR imagen sin ruido real en que no pueden ser adquiridas. Por lo tanto, en comparación con el índice de similitud estructural (el SSIM) y PSNR (PNSR), ENL (ENL) es el método más común de índice de evaluación SAR imagen de eliminación de ruido. Sin embargo, debido a la sobre-filtro de suavizado puede lograr una relativamente alta ENL, por tanto, sólo ENL como el índice de evaluación no es suficiente. Evaluación del papel usando una estadística de segundo orden de la matriz de nivel de gris de co-ocurrencia (GLMC), que la homogeneidad (homogeneidad). Textura del modelo más al azar, menor es su homogeneidad. El uso de un tamaño de paso fijo y una política de ventana deslizante puede calcular la homogeneidad imagen parcial. Entonces, la homogeneidad local, se realiza un muestreo por interpolación bicúbica, para restaurar el tamaño de imagen original. La imagen de salida final es la textura de la etapa de asignación (TLM).
red de aprendizaje profundidad doble porción B.
Para TLM incrustado en la red, la profundidad de diseño de papel el aprendizaje de la red un par de componentes. FCNe (convolución completa red) subred estimado textura, FCND para la eliminación de ruido de subred. imagen ruido FCNe como una entrada, y salidas el mismo TLM tamaño de la imagen de ruido. A continuación, el ruido de la imagen y TLM están conectados para formar una salida de FCND resultado final doble entrada de canal filtrada. La arquitectura de red mostrada en la Figura 1.
FCNe de cinco capas de convolución y la composición de la capa activa RELU FCN siguen paradigma típico. Convolución kernel de tamaño se establece en 3x3. FCND estructura en forma de U mediante la conexión de salto (skip conexiones) y deconvolución (deconvolución) para expandir el dominio aceptado, descubre características multi-escala. La red comprende una trayectoria de reducción de la dimensión (azul en la Fig. 1) y el tamaño de la vía de restauración (porción amarilla en la Fig. 1). Los componentes básicos de FCND es denso bloque (bloque denso), la capa de BN, RELU capa activa, dos capas y una capa de deserción de convolución (para evitar un exceso de ajuste). Todo FCND convolución tamaño del grano conjunto de 3 x 3. En cada una de la etapa de reducción de dimensionalidad, maxpooling capa (reducción de la dimensión y de aumentar el campo receptivo), y entradas el tamaño reducido a la mitad. reducción de la dimensión Path para reducir el costo de las dimensiones espaciales de la imagen para extraer contenido de las funciones de escala múltiple, resultando en un problema gradiente desaparece. Por lo tanto, el tamaño de la vía de recuperación por medio de la deconvolución para recuperar el tamaño de salida, y el uso de la conexión de modo de salto entre las características de los dos caminos, para mantener los detalles de dicha red de formación más fácil.
3. EXPERIMENTOS Y CONCLUSIÓN
El papel experimental contiene un total de dos aspectos, a saber inmersión reales imágenes SAR y las imágenes SAR. En los experimentos de imágenes realistas SAR, utilizando PSNR (la PSNR), la similitud de la estructura (el SSIM) y el índice de retención del borde (borde índice de conservación: EPI) Se realiza la evaluación. El modelo respectivamente DnCNN, WNNM, algoritmo de comparación de GFCNN, después de comparar los resultados obtenidos son los siguientes (índice óptimo en negrita).
En esta red, el patrón de entrada y patrones estándar previamente obtenida del estudio se comparan. Esta comparación se lleva a cabo no por una gran ventana en coincidencia de patrones se realiza directamente, sino más bien por la pequeña ventana de coincidencia de patrones segmento. Sólo cuando la diferencia entre los dos modos en cualquier ventana pequeña no supera un cierto límite, la red va a juzgar estos patrones son consistentes con otros modos.
En los experimentos de imágenes SAR, ya que no hay ninguna imagen sin ruido, y los indicadores utilizados para la UMQ ENL (ENL), la dividen en dos UQMH UQME y evaluado. El primero representa el mapa de relación de uniformidad, la última estructura mapa de relación de cuantificación restante, y UQMH UQME menor valor, mejor será el rendimiento del filtro.
Como puede verse en la Tabla 2, puesto que WNNM DnCNN y ha demasiado grande inmunidad al ruido, se obtiene una alta ENL. Este modelo de GFCNN y FCND mejor ENL. Para UMQE y UMQH, el resultado de este proceso es deseable, para retener la estructura en relación de imagen menos residual. En general, el método de eliminación de ruido al mismo tiempo conserva gran parte de la estructura y los detalles, y ha logrado buenos resultados.
