1.Intruction
Dans la reconnaissance d'objets, le suivi d'objets et de classification d'image et d'autres domaines, la demande pour les images radar à ouverture synthétique de haute qualité (image SAR) est très urgent. Cependant, l'ouverture synthétique la qualité de l'image radar sera affectée né le bruit multi-canal, ce qui a grandement entravé l'application de l'image.
Depuis 2017, la profondeur de la méthode basée sur l'apprentissage peut être une bonne cartographie d'apprentissage rez de chaussée entre bruit de l'image et de l'image sans bruit, cependant, la formation d'image optique est différente, aucune image de bruit SAR ne peut pas être obtenu directement dans la réalité. Pour générer la formation, généralement en utilisant un modèle de bruit d'image optique pour simuler le bruit de l'image SAR, ce qui pose un problème: la nécessité d'ajouter un montant fixe de bruit dans la simulation du système. Une fois que vous voulez ajouter du bruit est fixe, le modèle d'apprentissage profond ne peut apprendre la distribution du bruit du type fixe, ce qui peut conduire à plus de lissage (oversmo-ien) ou trop l'accent sur certains détails (détails faux) de généralisation perdue. Par conséquent, le modèle d'apprentissage en profondeur avec des capacités d'auto-correction, est la clé pour atteindre l'image SAR débruitage supériorité.
Cet article présente le concept de niveau de carte de texture (GGP), la conception d'un réseau d'apprentissage profond à deux composants pour résoudre les problèmes ci-dessus. TLM est une carte de chaleur, ce qui montre le caractère aléatoire de la distribution du motif d'image, et des dimensions uniformes. Le réseau se compose de deux sous-réseaux, sous-réseau à savoir la texture et l'estimation sous-réseau de suppression du bruit. La première est utilisée pour générer TLM, qui est utilisé pour éliminer le bruit de l'image SAR d'origine et la TLM correspondant.
2.Méthode
A. Texture graphe hiérarchique
Et la mesure de la qualité optique des résultats de différents débruitage d'images, des images SAR en image réelle débruitée ne peuvent pas être acquises. Par conséquent, par rapport à l'indice de similarité structurelle (le SSIM) et PSNR (PNSR), ENL (ENL) est la méthode la plus courante de l'indice d'évaluation de débruitage d'image SAR. Cependant, en raison de filtre sur-lissage peut atteindre un ENL relativement élevé, ainsi que ENL que l'indice d'évaluation ne suffit pas. Évaluation du papier en utilisant une statistique de deuxième ordre de la matrice de co-occurrence de niveau de gris (GLMC), que l'homogénéité (homogénéité). Texture motif plus aléatoire, plus son homogénéité. En utilisant une taille de pas fixe et une politique de fenêtre coulissante peut calculer l'homogénéité de l'image partielle. Ensuite, l'homogénéité locale est échantillonné par interpolation bicubique, pour restaurer la taille de l'image originale. L'image de sortie finale est l'étape de mappage de texture (SLT).
B. double portion réseau d'apprentissage de la profondeur
Pour GGP intégré dans le réseau, le réseau d'apprentissage profondeur de conception de papier une paire de composants. FCNe (pleine convolution réseau) texture de sous-réseau estimée, FCND pour le débruitage sous-réseau. FCNe image de bruit en entrée et en sortie la même image sonore GGP. Ensuite, le bruit de l'image et TLM sont reliés pour former une double entrée de canal de sortie FCND résultat final filtré. L'architecture de réseau de la figure 1.
FCNe cinq couches de convolution et la composition de la couche active RELU FCN ils suivent paradigme typique. Circonvolution taille du noyau est réglé sur 3x3. Structure FCND en forme de U en connectant saut (sauter connexions) et déconvolution (déconvolution) pour développer le domaine accepté, découvrez des fonctionnalités multi-échelles. Le réseau comprend un chemin de réduction de la dimension (bleu. Figure 1) et la taille du chemin de restauration (partie jaune. La figure 1). Les composants de base de FCND est dense bloc (bloc dense), la couche de BN, RELU couche active, deux couches et un décrochage de la couche de convolution (pour éviter une sur-ajustement). Toutes les convolution FCND taille du noyau fixé à 3 × 3. Dans chacune de l'étape de réduction de dimension, la couche maxpooling (réduction de dimension et d'augmenter le champ récepteur), et les entrées de la taille réduite de moitié. la réduction de la dimension de chemin pour réduire le coût de l'image des dimensions spatiales pour extraire le contenu caractéristique multi-échelle, ce qui entraîne un problème disparaît dégradé. Ainsi, la taille du chemin de récupération par voie de déconvolution pour récupérer la taille de sortie, et l'utilisation de la connexion en mode saut entre les caractéristiques des deux chemins, pour maintenir les détails de ce réseau de formation plus facile.
3. EXPÉRIENCES ET CONCLUSION
Le document expérimental contient un total de deux aspects, à savoir réelles immersive images SAR et des images SAR. Dans des expériences réalistes des images SAR, en utilisant PSNR (PSNR), la similitude de la structure (SSIM) et l'indice de rétention de bord (indice de conservation de bord: EPI) l' évaluation est effectuée. Le modèle respectivement DnCNN, WNNM, algorithme de comparaison GFCNN, après avoir comparé les résultats obtenus sont comme suit (indice de gras optimal).
Dans ce réseau, la configuration d'entrée et des modèles standards précédemment obtenu à partir de l'étude sont comparés. Cette comparaison est effectuée non pas par une grande fenêtre en correspondance de motifs est effectuée directement, mais plutôt par la petite fenêtre de correspondance de motif de segment. Seulement lorsque la différence entre les deux modes dans une petite fenêtre ne dépasse pas une certaine limite, le réseau juge ces modèles sont compatibles avec d' autres modes.
Dans les expériences images SAR, car aucune image est débruitées, et les indicateurs utilisés pour l'UMQ ENL (ENL), le diviser en deux UQMH UQME et évalués. La première représente la carte du rapport d'uniformité, cette dernière structure de carte de rapport de quantification restantes et UQMH UQME valeur plus petite, meilleure est la performance du filtre.
Comme on peut le voir dans le tableau 2, puisque WNNM DnCNN et a trop grande immunité au bruit, ils ont obtenu de haute ENL. Ce modèle que GFCNN et FCND mieux ENL. Pour UMQE et UMQH, le résultat de ce processus est souhaitable de conserver la structure en rapport à l'image résiduelle inférieure. En général, le procédé d'élimination du bruit en même temps conserve une grande partie de la structure et les détails, et a obtenu de bons résultats.
