1.Intruction
물체 인식에서, 물체 추적 및 화상 분류 및 다른 필드는 고품질 합성 개구 레이더 이미지에 대한 요구 (SAR 화상은) 매우 긴급한. 그러나, 합성 개구 레이더 화질은 크게 영상의인가를 방해 태어난 멀티 채널 노이즈 영향을받을 것이다.
2017 년부터 학습 기반 방법의 깊이 이미지 소음과 잡음이없는 영상의 좋은 학습 층 매핑 할 수 있지만, 광학 이미지 교육이 다른, 소음 SAR 영상은 현실에서 직접 얻을 수없는 경우가 없습니다. 시스템 시뮬레이션에서 잡음 정량을 추가 할 필요 : 일반적으로 문제를 일으키는 SAR 화상 잡음을 시뮬레이션하는 광학 이미지 노이즈 모델을 사용하여, 트레이닝을 생성한다. 당신이 고정 노이즈 추가 할되면 깊은 학습 모델은 (oversmo-othing) 또는 특정 세부 사항 (가짜 정보) 손실 일반화에 너무 많은 중점을 초과 부드럽게 이어질 수있는 고정 된 유형의 소음 분포를 배울 수 있습니다. 따라서 자동 보정 기능을 깊이 학습 모델은 우수성을 잡음 제거 SAR 영상을 달성하는 열쇠입니다.
본 논문 소개하고 텍스처 맵 수준의 개념 (TLM)는 두 개의 구성 요소 깊은 학습 네트워크의 설계는 위의 문제를 해결합니다. TLM이 화상 패턴의 분포와 균일 한 크기의 랜덤 성을 나타내는 열지도이다. 네트워크는 두 개의 서브넷, 즉 서브넷 텍스처 추정 및 잡음 제거 서브넷 구성된다. 전자는 원래 SAR 화상으로부터 노이즈 제거하고 대응 TLM 사용되는 TLM을 생성하는데 사용된다.
2.Method
A. 질감 계층 그래프
다른 이미지 잡음 제거의 결과의 광학 품질을 측정하는 실제 denoised 화상 SAR 화상을 취득 할 수 없다. 구조적 유사성 지수합니다 (SSIM)와 PSNR (PNSR)에 비해 따라서 ENL (ENL)의 평가 지표 SAR 이미지 잡음 제거의 가장 일반적인 방법이다. 평가 지수가 충분하지 않다하지만,이 때문에 이상 평활화 필터 것은 비교적 높은 ENL, ENL 따라서 만 달성 할 수있다. 계조 동시 발생 행렬의 2 차 통계 (GLMC), 즉 균질성 (균일 성)를 사용하여 종이의 평가. 텍스처 패턴보다 임의의 그 동질성을 낮 춥니 다. 고정 된 스텝 사이즈를 이용하여 슬라이딩 윈도우 정책은 부분 화상의 균일 성을 산출 할 수있다. 이어서, 로컬 균질성은 원본 이미지의 크기를 복원하기 위해 바이 큐빅 보간에 의해 샘플링된다. 최종 출력 화상은 텍스처 매핑 스테이지 (TLM)이다.
B. 더블 부분을 깊이 학습 네트워크
TLM가 네트워크에 포함하기 위해, 종이 디자인의 깊이는 네트워크를 구성 요소 중 하나 쌍을 학습. FCNe (완전 컨볼 루션 네트워크) 추정 서브넷 질감의 잡음 제거 서브넷 FCNd. 입력 및 출력 같은 잡음 이미지 사이즈 TLM FCNe 같은 잡음 이미지. 그리고, 화상 노이즈 TLM은 이중 채널 입력 FCNd 출력 최종 필터링 된 결과를 형성하도록 연결된다. 도 1에 도시 된 네트워크 구조.
FCNe 다섯 회선 층과 활성층 RELU 구성 FCN은 전형적인 패러다임을 따릅니다. 컨볼 루션 커널 크기는 3 × 3으로 설정되어 있습니다. 허용 도메인을 확장 스킵 (연결을 생략)와 디컨 볼 루션 (역대 합)를 연결하여 FCNd U 모양의 구조는 멀티 스케일 기능을 발견 할 수 있습니다. 네트워크 (도. 1 블루) 차원 감소로하고 (도 노란색 부. 1) 복원 경로의 크기를 포함한다. FCNd의 기본 구성 요소는 고밀도 블록 (블록 밀도) 인 상기 BN 층 RELU 활성층, 두 층과 컨벌루션 층 드롭 아웃 (피팅 위에 방지). 3 × 3의 모든 FCNd 컨볼 루션 커널 크기를 설정합니다. 층 (사이즈 감소 및 수용 필드 증가) 및 입력 maxpooling 차수 환원 공정의 각각의 치수가 반으로 줄어들. 경로 치수 감소 구배 문제 사라지고 결과 콘텐츠 기능 멀티 스케일을 추출하는 화상 공간 차원의 비용을 감소시킨다. 따라서, 출력 크기를 복구 컨벌루션 경유하여 회수 경로의 크기 및 두 경로의 특성 사이의 스킵 모드 접속의 사용은 쉽게 훈련 같은 네트워크의 세부 사항을 유지한다.
3. 실험 방법 및 결론
실험 논문은 두 가지 측면, 즉 몰입 실제 SAR 영상과 SAR 영상의 총이 포함되어 있습니다. 실험에서 PSNR합니다 (PSNR) 구조합니다 (SSIM) 및 에지 보존 지수의 유사도를 이용하여 실제 이미지는 SAR (엣지 보존 지수 : EPI) 평가가 수행된다. 이 모델은 각각 DnCNN는 WNNM, GFCNN 비교 알고리즘은 얻어진 결과를 비교 한 후 그대로 (굵은 최적 인덱스)를 따른다.
이 네트워크에서, 이전의 연구에서 얻어진 입력 패턴과 기준 패턴을 비교한다. 이 비교는 패턴 매칭에 큰 창에 의해 수행되지는 오히려 작은 세그먼트의 패턴 매칭 창에 의해 직접 수행된다. 어떤 작은 창에서 두 모드 사이의 차이가 특정 한도를 초과하지 않는 경우에만, 네트워크는 이러한 패턴이 다른 모드와 일치 심판 할 것이다.
실험에서 SAR 화상은, 화상이 denoised하지 않기 때문에, 상기 UMQ ENL (ENL)에 사용되는 지표 두 UQMH UQME 평가로 나눈다. 전자는 균제도지도 후자 남은 양자화 비율 맵 구조 및 UQMH UQME 작은 값, 필터의 더 나은 성능을 나타낸다.
AS는 WNNM DnCNN 때문에, 표 2에서 알 수있는 너무 큰 잡음 면역성, 그들은 높은 ENL 획득했다. GFCNN 및 FCNd 더 나은 ENL 이상이 모델. UMQE UMQH와,이 프로세스의 결과가 이하 잔상 비의 구조를 유지하는 것이 바람직하다. 일반적으로, 동시에 노이즈 제거 방법은 구조와 세부 사항의 대부분을 유지하고, 양호한 결과를 달성했다.
