基于多尺度交互结构卷积神经网络的SAR图像相干斑抑制方法

doi:10.12305/j.issn.1001-506X.2021.12.14

系统工程与电子技术 ›› 2021, Vol. 43 ›› Issue (12): 3526-3532.doi: 10.12305/j.issn.1001-506X.2021.12.14

基于多尺度交互结构卷积神经网络的SAR图像相干斑抑制方法

申仕煜, 叶晓东, 王昊, 陶诗飞*

南京理工大学电子工程与光电技术学院, 江苏南京 210094

收稿日期:2020-09-06 出版日期:2021-11-24 发布日期:2021-11-30
通讯作者: 陶诗飞
作者简介:申仕煜(1996—), 男, 硕士研究生, 主要研究方向为雷达图像处理|叶晓东(1967—), 男, 副教授, 博士, 主要研究方向为通信理论与技术、随机信号理论与应用、信号获取与处理、现代信号处理|王昊(1980—), 男, 副研究员, 博士, 主要研究方向为低温共烧陶瓷天线集成自系统、数字波束形成天线系统、多功能雷达天线系统、新型通信天线系统|陶诗飞(1987—), 男, 副研究员, 博士, 主要研究方向为雷达目标特性分析、雷达成像及信号处理、计算电磁学
基金资助:
国家自然科学基金(61701240);中央高校基本科研业务费专项资金(30918011317)

SAR image speckle suppression method based on muti-scale interactive structure convolutional neural network

Shiyu SHEN, Xiaodong YE, Hao WANG, Shifei TAO*

School of Electronic and Optical Engineering, Nanjing University of Science and Technology, Nanjing 210094, China

Received:2020-09-06 Online:2021-11-24 Published:2021-11-30
Contact: Shifei TAO

摘要/Abstract

摘要：

结合深度学习思想, 提出了一种基于多尺度交互结构卷积神经网络(convolutional neural network, CNN)的合成孔径雷达(synthetic aperture radar, SAR)图像相干斑抑制方法。首先, 通过不同尺寸的卷积核及跳跃连接构成多尺度交互特征提取模块以获得不同感受野的特征并加快网络收敛速度。然后, 在多尺度交互特征提取模块之间利用简化的密集连接方式使网络能够充分利用浅层纹理特征。最后, 采用残差学习策略得到抑制后的图像。实验结果表明, 与已有方法相比, 所提方法不仅使用较少的计算参数量, 还能保证性能的提升。

关键词: 深度学习, 合成孔径雷达, 相干斑抑制, 卷积神经网络, 残差学习策略

Abstract:

Combined with the idea of deep learning, a speckle suppression method for synthetic aperture radar (SAR) images based on multi-scale interactive convolutional neural network (CNN) is proposed. Firstly, a multi-scale extraction module is constructed by convolution kernels and skip connection with different sizes to obtain the features of different receptive fields and speed up the convergence of the network. Then, the network can make the best of shallow texture features by using simplified dense connection between multi-scale interactive feature extraction modules. Finally, the suppressed image is obtained by residual learning strategy. The experimental results show that compared with the existing methods, the proposed method not only uses less calculation parameters, but also ensures the improvement of performance.

Key words: deep learning, synthetic aperture radar (SAR), speckle suppression, convolutional neural network (CNN), residual learning strategy

中图分类号:

TP751

申仕煜, 叶晓东, 王昊, 陶诗飞. 基于多尺度交互结构卷积神经网络的SAR图像相干斑抑制方法[J]. 系统工程与电子技术, 2021, 43(12): 3526-3532.

Shiyu SHEN, Xiaodong YE, Hao WANG, Shifei TAO. SAR image speckle suppression method based on muti-scale interactive structure convolutional neural network[J]. Systems Engineering and Electronics, 2021, 43(12): 3526-3532.

图/表 13

图1

图2

图3

图4

表1

表2

表3

图5

图6

图7

图8

图9

表4

参考文献 24

1	GOODMAN J W . Some fundamental properties of speckle[J]. Journal of the Optical Society of America, 1976, 66 (11): 1145- 1150. doi: 10.1364/JOSA.66.001145
2	LEE J S . Refined filtering of image noise using local statistics[J]. Computer Graphics & Image Processing, 1981, 15 (4): 380- 389.
3	王彩云, 胡允侃, 吴淑侠. 基于贝叶斯模型的shearlet域SAR图像去噪方法[J]. 系统工程与电子技术, 2017, 39 (6): 1250- 1255.
	WANG C Y , HU Y K , WU S X . Shearlet domain SAR image denoising method based on Bayesian model[J]. Systems Engineering and Electronics, 2017, 39 (6): 1250- 1255.
4	刘书君, 吴国庆, 张新征, 等. 基于Shearlet域系数处理的SAR图像降噪[J]. 系统工程与电子技术, 2015, 37 (9): 2023- 2028.
	LIU S J , WU G Q , ZHANG X Z , et al. SAR image denoising via the process of shearlet coefficients[J]. Systems Engineering and Electronics, 2015, 37 (9): 2023- 2028.
5	刘帅奇, 胡绍海, 肖扬. 基于局部混合滤波的SAR图像去噪[J]. 系统工程与电子技术, 2012, 34 (2): 396- 402. doi: 10.3969/j.issn.1001-506X.2012.02.34
	LIU S Q , HU S H , XIAO Y . SAR image de-noise base on local hybrid filter[J]. Systems Engineering and Electronics, 2012, 34 (2): 396- 402. doi: 10.3969/j.issn.1001-506X.2012.02.34
6	DELEDALLE C , DENIS L , TUPIN F . Iterative weighted maximum likelihood denoising with probabilistic patch-based weights[J]. IEEE Trans.on Image Processing, 2009, 18 (12): 2661- 2672. doi: 10.1109/TIP.2009.2029593
7	PARRILLI S , PODERICO M , ANGELINO C V , et al. A nonlocal SAR image denoising algorithm based on LLMMSE wavelet shrinkage[J]. IEEE Trans.on Geoscience & Remote Sensing, 2012, 50 (2): 606- 616.
8	CHIERCHIA G, COZZOLINO D. SAR image despeckling through convolutional neural networks[C]//Proc. of the IEEE International Geoscience and Remote Sensing Symposium, 2017: 5438-5441.
9	ZHANG K , ZUO W M . Beyond a Gaussian denoiser: residual learning of deep CNN for image denoising[J]. IEEE Trans.on Image Processing, 2017, 26 (7): 3142- 3155. doi: 10.1109/TIP.2017.2662206
10	WANG P , ZHANG H , PATEL V M . SAR image despeckling using a convolutional neural network[J]. IEEE Signal Processing Letters, 2017, 24 (12): 1763- 1767. doi: 10.1109/LSP.2017.2758203
11	LATTARI F , GONZALEZ L B , ASARO F , et al. Deep learning for SAR image despeckling[J]. Remote Sensing, 2019, 11 (13): 1532. doi: 10.3390/rs11131532
12	ZHANG Q , YUAN Q Q . Learning a dilated residual network for SAR image despeckling[J]. Remote Sensing, 2018, 10 (2): 196. doi: 10.3390/rs10020196
13	GUI Y C , XUE L , LI X H . SAR image despeckling using a dilated densely connected network[J]. Remote Sensing Letters, 2018, 9 (7-9): 857- 866.
14	COZZOLINO D, VERDOLIVA L. Nonlocal SAR image despeckling by convolutional neural networks[C]//Proc. of the IEEE International Geoscience and Remote Sensing Syposium, 2019: 5117-5120.
15	LI S T , KANG X , HU J . Image fusion with guided filtering[J]. IEEE Trans.on Image Processing, 2013, 22 (7): 2864- 2875. doi: 10.1109/TIP.2013.2244222
16	LIU S , LIU T . Convolutional neural network and guided filtering for SAR image denoising[J]. Remote Sensing, 2019, 11 (6): 702. doi: 10.3390/rs11060702
17	SZEGEDY C. Going deeper with convolutions[C]//Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, 2015.
18	XIE S, GIRSHICK R. Aggregated residual transformations for deep neural networks[C]//Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 5987-5995.
19	HUANG G, LIU Z, LAURENS V D M, et al. Densely connected convolutional networks[C]//Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 2261-2269.
20	HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: 770-778.
21	ULABY F , DOBSON M C . Handbook of radar scattering statistics for terrain[M]. Norwood: Artech House Publishers, 1989.
22	LEE Y, HWANG J. An energy and GPU-computation efficient backbone network for real-time object detection[C]//Proc. of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, 2019: 752-760.
23	CHENG G , HAN J , LU X . Remote sensing image scene classification: benchmark and state of the art[J]. Proceedings of the IEEE, 2017, 105 (10): 1865- 1883. doi: 10.1109/JPROC.2017.2675998
24	KINGMA D P, BA J. Adam: a method for stochastic optimization[EB/OL][2020-08-30]. http://arxiv.org/pdf/1412.6980.pdf.

层级	网络层结构	卷积核尺寸	输出通道数
L1	卷积核+ReLU	3×3	64
L2	MIFEM-1	-	64
L3	MIFEM-2	-	64
L4	MIFEM-3	-	64
L5	MIFEM-4	-	64
L6	MIFEM-5	-	64
L7	卷积核	3×3	1

方法	ID-CNN	所提方法
网络参数量	223 553	150 161

视数L	指标	噪声图像	PPB	SAR-BM3D	ID-CNN	本文方法
1	PSNR/dB	8.271	19.143	18.726	22.594	24.331
1	SSIM	0.139	0.443	0.436 1	0.656	0.778
2	PSNR/dB	11.261	20.909	21.734	25.157	25.575
2	SSIM	0.217	0.665	0.658	0.811	0.824
4	PSNR/dB	14.304	22.532	24.134	26.667	27.011
4	SSIM	0.322 5	0.743	0.831	0.851	0.862
10	PSNR/dB	18.283	23.746	26.033	28.721	28.956
10	SSIM	0.482	0.776	0.855	0.896	0.901

地区	红框区域	观测SAR图像	PPB	SAR-BM3D	ID-CNN	本文方法
Flevoland	区域Ⅰ	2.76	62.25	14.16	81.45	154.92
Flevoland	区域Ⅱ	2.61	30.69	10.33	35.51	61.77
Deathvalley	区域Ⅰ	10.71	38.96	24.48	36.74	43.28
Deathvalley	区域Ⅱ	3.35	5.61	4.61	4.53	5.62
San Francisco	区域Ⅰ	1.72	3.01	3.29	4.08	3.99
San Francisco	区域Ⅱ	1.45	2.39	2.69	2.82	2.87

[1]	宋爽, 张悦, 张琳娜, 岑翼刚, 李浥东. 基于深度学习的轻量化目标检测算法[J]. 系统工程与电子技术, 2022, 44(9): 2716-2725.
[2]	韩啸, 陈世文, 陈蒙, 杨锦程. 基于互易点学习的LPI信号开集识别[J]. 系统工程与电子技术, 2022, 44(9): 2752-2759.
[3]	苗添, 曾虹程, 王贺, 陈杰. 基于迭代阈值分割的星载SAR洪水区域快速提取[J]. 系统工程与电子技术, 2022, 44(9): 2760-2768.
[4]	王彩云, 吴钇达, 王佳宁, 马璐, 赵焕玥. 基于改进的CNN和数据增强的SAR目标识别[J]. 系统工程与电子技术, 2022, 44(8): 2483-2487.
[5]	张立民, 谭凯文, 闫文君, 张聿远. 基于多级跳线残差网络的雷达辐射源识别[J]. 系统工程与电子技术, 2022, 44(7): 2148-2156.
[6]	金国栋, 薛远亮, 谭力宁, 许剑锟. 基于孪生神经网络的目标跟踪算法进展研究[J]. 系统工程与电子技术, 2022, 44(6): 1805-1822.
[7]	傅东宁, 廖桂生, 黄岩, 张邦杰, 王幸. 基于图拉普拉斯嵌入的合成孔径雷达时变窄带干扰抑制算法[J]. 系统工程与电子技术, 2022, 44(6): 1846-1853.
[8]	盖明慧, 张苏, 孙卫天, 倪育德, 杨磊. 复数兼容全变分SAR目标结构特征增强[J]. 系统工程与电子技术, 2022, 44(6): 1862-1872.
[9]	徐安林, 张毓, 周峰. 基于Beta过程的高分辨ISAR成像[J]. 系统工程与电子技术, 2022, 44(6): 1873-1879.
[10]	韦娟, 杨皇卫, 宁方立. 基于NMF与CNN联合优化的声学场景分类[J]. 系统工程与电子技术, 2022, 44(5): 1433-1438.
[11]	赵晓枫, 徐叶斌, 吴飞, 牛家辉, 蔡伟, 张志利. 基于全局感知机制的地面红外目标检测方法[J]. 系统工程与电子技术, 2022, 44(5): 1461-1467.
[12]	纪朋徽, 代大海, 邢世其, 冯德军. 密集虚假运动目标生成方法[J]. 系统工程与电子技术, 2022, 44(5): 1502-1511.
[13]	邹虹, 白陈阳, 何鹏, 崔亚平, 王汝言, 吴大鹏. 基于分布式深度学习的边缘服务放置策略[J]. 系统工程与电子技术, 2022, 44(5): 1728-1737.
[14]	刘丰恺, 黄大荣, 郭新荣, 冯存前. 基于吕氏分布的机动目标参数化平动补偿方法[J]. 系统工程与电子技术, 2022, 44(4): 1166-1173.
[15]	陈冬, 句彦伟. 基于语义分割实现的SAR图像舰船目标检测[J]. 系统工程与电子技术, 2022, 44(4): 1195-1201.

基于多尺度交互结构卷积神经网络的SAR图像相干斑抑制方法

SAR image speckle suppression method based on muti-scale interactive structure convolutional neural network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价