1.Intruction
物体認識、物体追跡及び画像分類及び他の分野において、高品質な合成開口レーダ画像の要求（SAR画像）が非常に急務です。しかし、合成開口レーダ画像の品質が大幅に画像の適用を妨げ生まれマルチチャネル雑音を、影響を受けることになります。
2017年以来、学習ベースの方法の深さが画像ノイズとノイズのない画像との間の良好な学習階マッピングすることができるが、光学イメージトレーニングが異なる、全くノイズSAR画像が現実で直接得られないことができません。システムシミュレーションでノイズの一定量を追加する必要があります一般的に問題となるSAR画像ノイズをシミュレートするために光学画像ノイズモデルを用いて、トレーニングを生成します。あなたノイズ追加したいが固定されると、深い学習モデルは、ノイズのみの上で平滑化につながることができます固定タイプの分布、（oversmo-othing）または特定の細部を強調しすぎる（偽の詳細）失われた一般化を学ぶことができます。そのため、自己補正機能を備えた深学習モデルは、優位性をノイズ除去SAR画像を達成するための鍵です。
本論文では、上記の問題を解決するには、2つのコンポーネントの深い学習ネットワークの設計をテクスチャマップレベル（TLM）の概念を導入しています。TLMは、画像パターンの分布、均一な寸法のランダム性を示すヒートマップです。ネットワークは、2つのサブネット、サブネットすなわちテクスチャ推定及びノイズ除去サブネットで構成されています。前者は、元のSAR画像と対応TLMからノイズを除去するために使用されるTLMを生成するために使用されます。
2.Method
A.テクスチャ階層グラフ
異なる画像のノイズ除去の結果の光学的品質を測定し、実際のノイズ除去済み画像におけるSAR画像を取得することができません。構造的類似性指数（SSIM）とPSNR（PNSR）と比較してそのため、ENL（ENL）は、評価指標のSAR画像のノイズ除去の最も一般的な方法です。評価指標が十分ではありませんしかし、過剰平滑化フィルタによる比較的高いENL、従ってのみENLを達成することができます。グレーレベル同時生起行列（GLMC）、その均質性（均一性）の二次統計を用いて紙の評価。テクスチャパターンよりランダム、その均質性を下げます。固定ステップサイズを使用し、スライディングウィンドウポリシーは、部分画像の均一性を算出してもよいです。次いで、局所均質性は、元の画像サイズを復元するために、バイキュービック補間によってサンプリングされます。最終的な出力画像がテクスチャマッピングステージ（TLM）です。
B.二重の部分の深さラーニングネットワーク
TLMへのネットワーク、コンポーネントのネットワークの1ペアを学習紙のデザインの深さに埋め込まれました。FCNe（フル畳み込みネットワーク）推定サブネットテクスチャ、ノイズ除去サブネットのFCNd。入力としてFCNeノイズ画像、及び同じノイズ画像サイズTLM出力します。次に、画像ノイズとTLMは、ダブルチャネル入力FCNd出力最終的なフィルタリングされた結果を形成するように接続されています。図1に示すネットワークアーキテクチャ。
FCNe 5つの畳み込み層と活性層RELU構図FCN彼らは典型的なパラダイムに従ってください。コンボリューションカーネルサイズが3×3に設定されています。FCNd U字型構造承認済みドメインを拡張するスキップ（接続をスキップ）し、デコンボリューション（デコンボリューション）を接続することにより、マルチスケールの特徴を発見します。ネットワークは、次元削減経路（図1における青）及び復旧パス（図1中の黄色部分）のサイズを含みます。FCNdの基本的な構成要素は、高密度ブロック（稠密ブロック）、BN層、RELU活性層、二層及び（オーバーフィッティングを防ぐために）畳み込み層ドロップアウトです。3×3のすべてのFCNdのコンボリューションカーネルサイズセット。層（次元削減及び受容野を増加させる）、および入力maxpooling次元削減ステップのそれぞれにおいて、大きさが半分に減少しました。勾配問題消失をもたらす、コンテンツ特徴マルチスケールを抽出する画像空間次元のコストを削減する経路次元削減。従って、出力の大きさを回復するデコンボリューションを介して回収流路のサイズ、及び2つのパスの特性との間のスキップ・モード接続を使用することは、容易に訓練このようなネットワークの詳細を維持します。
3.実験＆結論
実験論文では二つの側面、すなわち没入実際のSAR画像とSAR画像の合計が含まれています。実験ではPSNR（PSNR）、構造（SSIM）とエッジ保持指標の類似性を利用して、現実的なSAR画像は、（エッジ保存度：EPI）評価が行われます。モデル（太字最適なインデックス）を次のように得られた結果である比較した後、それぞれDnCNN、WNNM、GFCNN比較アルゴリズム、。
このネットワークでは、以前の研究から得られた入力パターンと標準パターンとを比較します。この比較はないパターンマッチングの大きなウィンドウを直接行うのではなく、小さなセグメントのパターンマッチング・ウィンドウによってれることによって行われます。任意の小さなウィンドウ内の2つのモード間の差が一定の限度を超えていない場合にのみ、ネットワークは、これらのパターンは、他のモードと一致している判断します。
実験ではSAR画像は、全く画像がノイズ除去されないので、そしてUMQ ENL（ENL）に使用される指標は、2 UQMH UQME及び評価に分割します。前者は、より良い均斉度マップ、後者の残りの量子化比マップ構造、及びUQMH UQME小さい値、フィルタの性能を表します。
WNNM DnCNNので、表2から見て大きすぎるとノイズ耐性を持つことができるように、彼らは高いENLを得ました。GFCNNとFCNd良くENLよりもこのモデル。UMQEとUMQHため、このプロセスの結果は、以下残像率構造を保持することが望ましいです。一般的に、同時に、ノイズを除去する方法は、構造および詳細の多くを保持し、良好な結果を達成しました。
