基于注意力卷积神经网络的SAR图像去噪算法研究.pdfVIP

SAR图像

去噪算法研究

摘要：合成孔径雷达（SyntheticApertureRadar，SAR）技

术在遥感图像领域应用广泛，但SAR图像本身就存在着大量

的噪声，降低了其可视化效果和对后续数据处理过程的影响。

因此，本文提出了一种基于注意力卷积神经网络（Attention

ConvolutionalNeuralNetwork，ACNN）的SAR图像去噪算

法。ACNN首先提出了一种特征挖掘方法，通过信噪比得分对

输入SAR图像进行筛选和排序，探索SAR图像局部结构以降

低噪声种类和强度。然后，在去噪网络中引入注意力机制，提

高神经网络对SAR图像正常区域与噪声区域的关注程度，同

时降低对无关空间区域的关注度，加速去噪效率并提高去噪效

果。实验结果表明，与传统去噪算法相比，ACNN在去除SAR

图像噪声方面具有更高的精度和时效性，本文提出的方法对于

SAR图像去噪具有很好的应用前景。

关键词：SAR图像；去噪算法；注意力卷积神经网络；特征挖

掘；信噪比得分

一、引言

合成孔径雷达（SyntheticApertureRadar，SAR）技术是一

种利用雷达波信号实现图像成像的遥感技术，可以实现对地面

多种物质的探测，包括地形、建筑物、水体等等。由于SAR

技术具有非常高的灵敏度和穿透力，因此在军事、海洋、气候

SAR图像存在明显的斑

点、梯度等不可避免的噪声，影响了对实际目标的准确识别和

分类，因此需要对其进行噪声去除以提高其可视化效果和数据

精度。

传统的SAR图像去噪方法主要包括基于小波变换的方法、基

于非线性滤波的方法和基于矩阵分解的方法。但由于这些传统

方法对于SAR图像的特征和噪声分布不够精准，去噪效果往

往不能令人满意。随着深度学习技术的不断进步，越来越多的

研究开始利用卷积神经网络（ConvolutionalNeuralNetwork，

CNN）对SAR图像进行噪声去除，其去噪效果在很大程度上取

得了相对较好的效果。

近年来，一些学者将注意力机制引入卷积神经网络中，提高神

经网络对图像细节和重要区域的关注度，进而获得更加精确的

特征提取和分类效果。本文基于注意力卷积神经网络，提出了

一种SAR图像去噪算法，目的是加强神经网络对SAR图像噪

声的处理和对正常区域的更好把握。

二、ACNN算法模型

2.1特征挖掘

针对原始SAR图像存在的大量噪声和干扰，本文提出了一种

基于信噪比得分的特征挖掘方法。首先，将输入SAR图像拆

分为一系列互不重叠的小块，对每个小块计算出对应的信噪比

得分（Signal-to-NoiseRatio，SNR），然后通过SNR得分

成新的SAR图像输入集合。接着，本文进一步挖掘SAR图像

的局部结构信息，在卷积神经网络中引入注意力机制，提高神

经网络对小块内部局部结构的把握和对外部噪声的排除。

2.2注意力卷积神经网络

本文的注意力卷积神经网络主要包括编码器、解码器、注意力

模块等三个部分。编码器主要利用若干个卷积层提取输入SAR

图像的特征向量，并在此基础上构建一张特征图；解码器则通

过反卷积（transposeconvolution，即升维操作）将特征图

转化成与原始SAR图像大小相同的图像，加息保留了所有图

像信息和特征细节。在编码器和解码器之间，本文引入了一种

特殊的注意力模块，用于区分SAR图像中的正常区域和噪声

区域，以便网络更好地学习图像特征和去除噪声。

2.2.1编码器

本文的编码器主要包含数个卷积层和激活函数。输入SAR图

像首先经过第一个卷积层进行卷积运算，得到一组特征图；然

后，这组特征图再经过一系列卷积层，通过非线性变换，逐渐

生成更深层的特征图。这些特征图具有不同的大小和深度，也

具有不同的特征细节，包括SAR图像中的明暗变化、边缘信

息、角点等。

2.2.