合成孔徑雷達(dá)圖像去噪算法研究綜述

劉帥奇，扈 琪，劉 彤，趙 杰

(1.河北大學(xué) 電子信息工程學(xué)院， 河北 保定 071000； 2.河北省機(jī)器視覺(jué)工程技術(shù)研究中心， 河北 保定 071000；3.河北省數(shù)字醫(yī)療工程重點(diǎn)實(shí)驗(yàn)室， 河北 保定 071000)

合成孔徑雷達(dá)(SAR)是一種能產(chǎn)生高分辨率遙感圖像的相干系統(tǒng)，使用微波波段的電磁波，對(duì)接收到的信號(hào)的幅值和相位進(jìn)行處理進(jìn)而產(chǎn)生圖像。與可見(jiàn)光、紅外遙感相比，SAR有許多優(yōu)越性，表現(xiàn)為：SAR具有全天候、全天時(shí)產(chǎn)生高分辨率遙感圖像的特點(diǎn)，可以不受季節(jié)、天氣和光照等惡劣條件的限制；穿透能力強(qiáng),不僅可以穿透雨區(qū)、塵埃、云層，還能在一定程度上穿透土壤、植被等；具有多波段、多極化、可變側(cè)視角工作方式，在太空或高空都能有效工作，使用SAR可獲得大面積的遙感圖像；能產(chǎn)生高分辨率遙感圖像，并且與雷達(dá)的工作波長(zhǎng)、載機(jī)的飛行高度、雷達(dá)作用距離無(wú)關(guān)。由于SAR所具有的眾多優(yōu)點(diǎn)，使其已成為森林監(jiān)測(cè)、城市規(guī)劃、災(zāi)害評(píng)估等眾多領(lǐng)域不可替代的觀(guān)測(cè)工具。

然而，由于SAR成像系統(tǒng)的有限分辨率和相干性，SAR成像過(guò)程中總是不可避免地要產(chǎn)生一種稱(chēng)為相干斑的噪聲，使得SAR圖像的視覺(jué)解譯變得非常困難，對(duì)SAR圖像的后續(xù)處理產(chǎn)生了嚴(yán)重的影響[1-3]。因此，SAR 圖像去噪的主要著眼點(diǎn)在于抑制或者消除相干噪聲。

本文對(duì)SAR圖像的特點(diǎn)進(jìn)行簡(jiǎn)要概述，并對(duì)近年來(lái)主流的三類(lèi)SAR圖像去噪處理算法：基于空域?yàn)V波的SAR圖像去噪算法、基于變換域?yàn)V波的SAR圖像去噪算法和基于深度學(xué)習(xí)的SAR圖像去噪算法進(jìn)行了深入研究，針對(duì)SAR圖像特點(diǎn)分析了各種算法的性能，最后對(duì)SAR圖像去噪的發(fā)展趨勢(shì)進(jìn)行了展望。

1 相干斑噪聲形成機(jī)理及模型

由于SAR系統(tǒng)的相干性，導(dǎo)致SAR圖像表現(xiàn)出粒子散斑，而SAR圖像中的斑點(diǎn)噪聲與數(shù)字圖像處理中所遇到的噪聲有本質(zhì)的不同，這是因?yàn)樗鼈冃纬傻奈锢磉^(guò)程有本質(zhì)上的區(qū)別。SAR圖像中的斑點(diǎn)噪聲是在雷達(dá)回波中產(chǎn)生的，是包括SAR系統(tǒng)在內(nèi)所有基于相干原理的成像系統(tǒng)所固有的原理性缺點(diǎn)，而數(shù)字圖像處理中的椒鹽噪聲和高斯噪聲等都是在對(duì)照片進(jìn)行采樣、量化、壓縮、傳輸和解碼等數(shù)字化過(guò)程中產(chǎn)生或者由照片本身在保存過(guò)程中退化所引起的，是直接作用到圖像上的。形象地講，一塊均勻場(chǎng)景的SAR圖像中，相鄰像素點(diǎn)之間的灰度會(huì)圍繞著某一均值隨機(jī)地起伏變化，這種現(xiàn)象稱(chēng)為斑點(diǎn)現(xiàn)象。一般情況下相干斑噪聲是完全發(fā)育的[1]，Goodman證明了完全發(fā)育的相干斑噪聲是一種乘性噪聲，其乘性模型為：

F(x,y)=R(x,y)·N(x,y)

(1)

式(1)中，(x,y)表示分辨單元中心像素方位向和距離向的坐標(biāo)；F(x,y)表示被相干斑噪聲污染的圖像的強(qiáng)度；R(x,y)表示隨機(jī)的地面目標(biāo)的雷達(dá)散射特性，即實(shí)際上應(yīng)該觀(guān)察到的真實(shí)的地貌場(chǎng)景；N(x,y)表示由于衰落過(guò)程所引起的相干斑噪聲過(guò)程,其服從具有二階平穩(wěn)性，均值為1的Γ分布，且方差與等效視數(shù)成反比。隨機(jī)過(guò)程R(x,y)和N(x,y)相互獨(dú)立。

通常根據(jù)相干斑特點(diǎn)進(jìn)行SAR圖像去噪。國(guó)內(nèi)外學(xué)者研究的SAR圖像去噪算法大體可以分為：基于空域?yàn)V波的去噪算法，基于變換域?yàn)V波的去噪算法以及近年來(lái)逐漸流行的基于深度學(xué)習(xí)的去噪算法。

2 基于空域?yàn)V波的去噪算法

基于空域?yàn)V波的去噪方法主要包括Lee濾波[4]、Frost 濾波[5]等經(jīng)典濾波器以及非局部均值(Non-local Mean，NLM)去噪[6]等。

2.1 經(jīng)典濾波器

在經(jīng)典的降斑算法中，自適應(yīng)空間濾波器早已被研究人員所使用和改進(jìn)。1980年，Lee引入了第一個(gè)基于模型的降斑濾波器—Lee濾波器[7]。它基于線(xiàn)性的斑點(diǎn)噪聲模型和最小均方誤差模型，通過(guò)計(jì)算一個(gè)像素的鄰域來(lái)得到增強(qiáng)的像素點(diǎn)。在Frost濾波器[5]中，像素濾波值是局部窗口內(nèi)像素值與高斯加權(quán)函數(shù)的線(xiàn)性組合。Kuan濾波器[8]與Lee濾波器類(lèi)似，但對(duì)未濾波的噪聲像素值及其局部平均值具有不同的權(quán)重。這些濾波器可以通過(guò)應(yīng)用異質(zhì)性調(diào)整來(lái)改善，得到的濾波器分別被稱(chēng)為增強(qiáng)的Lee，F(xiàn)rost和Kuan濾波器，改善后的濾波器不僅可以更好地進(jìn)行噪聲抑制，還可以更好地保存紋理信息、邊緣、線(xiàn)性特征和點(diǎn)目標(biāo)響應(yīng)。但是，這些空間濾波器的性能受濾波器窗口的大小影響很大，較小的窗口不能有效地對(duì)噪聲進(jìn)行抑制，而較大的窗口則不可避免地在去噪過(guò)程中導(dǎo)致圖像紋理細(xì)節(jié)的丟失。而且，這些濾波算法，在圖像的平穩(wěn)區(qū)域，它們往往要么保留散斑噪聲，要么擦除異質(zhì)區(qū)域(如紋理區(qū)域、邊界、線(xiàn)條或點(diǎn)目標(biāo))的弱場(chǎng)景信號(hào)。

2.2 非局部均值去噪

假設(shè)自然圖像包含相當(dāng)數(shù)量的自相似性，非局部均值去噪算法使用子塊相似性對(duì)噪聲圖像進(jìn)行濾波，根據(jù)當(dāng)前噪聲圖像塊和相鄰塊之間的相似性計(jì)算權(quán)重。實(shí)際上，NLM算法通過(guò)基于兩個(gè)子塊之間的相似度來(lái)確定用于計(jì)算平均值的每個(gè)子塊的參與率。

在NLM方法中使用均方誤差作為相似函數(shù)，在高度結(jié)構(gòu)化的子塊中可能達(dá)不到可接受的質(zhì)量。因此，學(xué)者們提出了一些改進(jìn)的NLM方法，提出了新的相似函數(shù)。NLM算法的另一個(gè)問(wèn)題是其計(jì)算復(fù)雜度非常高?；谶@些觀(guān)點(diǎn)，文獻(xiàn)[9-13]中使用不同的權(quán)重估計(jì)方法對(duì)NLM算法進(jìn)行改進(jìn)；文獻(xiàn)[14-16]中提出頻域去噪方案以提高NLM算法性能。盡管非局部均值算法的輸出對(duì)于去除低水平的噪聲是非常理想的，但是當(dāng)噪聲增加時(shí)性能惡化。這是因?yàn)橄嗨菩圆荒芡ㄟ^(guò)噪聲子塊來(lái)完美評(píng)估。

在文獻(xiàn)[17-19]中，根據(jù)相干噪聲的性質(zhì)，通過(guò)調(diào)整相似性度量等方式將NLM方法應(yīng)用于SAR圖像去噪。特別是，文獻(xiàn)[19]中基于概率子塊(Probabilistic Patch-based，PPB)的算法被證明可以非常好地適用于SAR圖像去噪。為了提高NLM的視覺(jué)效果，文獻(xiàn)[20]應(yīng)用廣義非局部均值收縮SAR圖像的非下采樣剪切波系數(shù)；文獻(xiàn)[21]則將NLM和稀疏表示相結(jié)合，從而在斑點(diǎn)噪聲抑制過(guò)程中消弱人造紋理的產(chǎn)生。

此外，NLM的思想還與變換域去噪方法相結(jié)合，產(chǎn)生了一系列具有良好去噪效果的圖像去噪技術(shù)，例如塊匹配三維濾波(Block-matching 3-D Filtering，BM3D)[16]和LPG-PCA[22]。隨后，該技術(shù)也被擴(kuò)展到SAR圖像去噪領(lǐng)域，如SAR-BM3D相干斑抑制算法[23]和改進(jìn)相似性度量準(zhǔn)則的SAR-BM3D相干斑抑制算法[24]。在對(duì)具有相似結(jié)構(gòu)的圖像塊進(jìn)行去噪時(shí)，所有方法都利用了圖像在變換域的稀疏性。在這些方法中，塊匹配方法被用來(lái)為圖像中的每個(gè)子塊找到一組相似的子塊。然而，這種方法面臨著如何定義可接受的與參考子塊相似程度相關(guān)的閾值的困難，同時(shí)也有很高的計(jì)算成本。

3 基于變換域的去噪算法

相比于在空間域進(jìn)行去噪，在信號(hào)和噪聲更容易分離的變換域中執(zhí)行去噪任務(wù)已經(jīng)被證明是更有效的。基于變換域的去噪算法主要包括基于小波變換和多尺度幾何變換的圖像去噪算法，例如：小波域SAR圖像去噪[25]、輪廓波域SAR圖像去噪[26]和剪切波域SAR圖像去噪[27]等等。

3.1 基于小波變換的去噪算法

小波變換是一種信號(hào)的“時(shí)間—尺度、時(shí)間—頻率”的分析方法，其窗口大小固定不變，但其形狀、時(shí)間窗和頻率窗都可以改變。它具有多分辨率分析的特點(diǎn)，而且在時(shí)頻兩域都具有表征信號(hào)局部特征的能力。小波變換在低頻部分具有較高的頻率分辨率和較低的時(shí)間分辨率，在高頻部分具有較高的時(shí)間分辨率和較低的頻率分辨率，很適合于探測(cè)正常信號(hào)中夾帶的瞬態(tài)反?，F(xiàn)象并展示其成分，所以被譽(yù)為信號(hào)分析的顯微鏡。與Fourier分析理論相比，小波分析具有兩大優(yōu)點(diǎn)：其一，它是一種時(shí)頻聯(lián)合分析方法，能夠根據(jù)信號(hào)不同的頻率成分和時(shí)間域采樣的疏密，自適應(yīng)地調(diào)節(jié)時(shí)頻窗口，同時(shí)具有時(shí)頻域局部化的性能；其二，小波函數(shù)可作為許多經(jīng)典函數(shù)空間的無(wú)條件基，通過(guò)快速離散小波變換能夠?qū)崿F(xiàn)這些空間中的函數(shù)逼近。

基于小波域的圖像去噪算法，假設(shè)噪聲主要存在于高頻小波分量上，因此可以通過(guò)對(duì)變換域中的小波系數(shù)進(jìn)行濾波來(lái)消除噪聲。這個(gè)思想已經(jīng)被證明對(duì)加性高斯白噪聲降噪是非常成功的。為了使小波適用于SAR去噪，通常對(duì)SAR圖像進(jìn)行同態(tài)濾波，其中經(jīng)過(guò)對(duì)數(shù)變換的散斑噪聲被視為高斯噪聲，并通過(guò)閾值[28-29]或?qū)π〔ㄏ禂?shù)建模[30-31]在小波域中進(jìn)行去噪。然而，由于對(duì)數(shù)運(yùn)算往往會(huì)使去噪后的SAR圖像的輻射特性發(fā)生畸變，因此在文獻(xiàn)[32-33]中提出了基于加性信號(hào)相關(guān)噪聲模型的噪聲抑制技術(shù)。盡管已經(jīng)證明基于小波的去噪方法比經(jīng)典濾波器具有更好的效率，但應(yīng)用小波變換的局限性在于小波變換的基通常都是固定的，不能充分地表示圖像。為了“更優(yōu)”地表示含線(xiàn)或者面奇異的二維圖像，克服小波變換在高維時(shí)系數(shù)的非稀疏性和缺乏方向選擇性，學(xué)者們提出了一系列的多尺度幾何分析的方法，其中Contourlet和Shearlet兩種變換在圖像去噪中應(yīng)用最為廣泛。

3.2 基于Contourlet變換的去噪算法

為了更有效地“捕獲”圖像方向信息，Do和Vetterli提出了更好的表達(dá)二維圖像各向異性特征的方法—Contourlet變換[34]，也稱(chēng)為塔形方向?yàn)V波器組。Contourtet變換是由塔形方向?yàn)V波器組把圖像分解成各個(gè)尺度上的方向子帶。分兩大部分實(shí)現(xiàn)：第一部分用拉普拉斯金字塔變換對(duì)圖像進(jìn)行多尺度分解以“捕獲”奇異點(diǎn)，也稱(chēng)為子帶分解部分；第二部分由方向?yàn)V波器組將分布在同方向上的奇異點(diǎn)合成為一個(gè)系數(shù)，也稱(chēng)為方向變換部分。Contourlet變換的最終結(jié)果是用類(lèi)似線(xiàn)段的基結(jié)構(gòu)來(lái)逼近原圖像。Contourlet不但有足夠的方向性，還保持了小波的多尺度特性、時(shí)頻局部特性。由于Contourlet具有非常好的非線(xiàn)性逼近性能，能將更多的系數(shù)集中到更少的Contourlet系數(shù)中，因此能夠?qū)D像進(jìn)行更稀疏的表示。

Contourlet變換在SAR圖像去噪中的應(yīng)用非常廣泛，例如文獻(xiàn)[35]中將非下采樣輪廓波與雙樹(shù)復(fù)小波變換相結(jié)合進(jìn)行局部混合濾波，保持了圖像的平移不變性，改善了圖像的視覺(jué)效果；文獻(xiàn)[36]建立了SAR圖像經(jīng)過(guò)復(fù)Contourlet變換以后的系數(shù)域的高斯比例混合模型，有效地抑制了人造紋理產(chǎn)生。但是，由于Contourlet是基于離散方式提出的，因此它并不符合多分辨分析(Multi-resolution analysis，MRA)理論，在數(shù)學(xué)理論分析上存在著種種的困難。

3.3 基于Shearlet變換的去噪算法

Shearlet變換[37-38]通過(guò)合成膨脹的仿射系統(tǒng)構(gòu)造而成，是具有Contourlet、Curvelet優(yōu)點(diǎn)而克服了它們?nèi)秉c(diǎn)的新型變換。該變換不僅在理論上符合MRA并且能夠?qū)D像進(jìn)行稀疏表示產(chǎn)生最優(yōu)逼近，且具有靈活的方向選擇性，還更易于實(shí)現(xiàn)，所以Shearlet 變換很快被應(yīng)用到邊緣提取、目標(biāo)檢測(cè)等圖像處理任務(wù)中。

非下采樣剪切波變換[37](Non-subsample Shearlet Transform，NSST)是Shearlet變換的擴(kuò)展，彌補(bǔ)了其平移魯棒性差和邊緣偽吉布斯失真現(xiàn)象明顯等缺陷，可以通過(guò)多尺度變換和多方向變換構(gòu)造。

在圖像去噪中應(yīng)用Shearlet變換不僅可以大幅減少噪聲，還能保留源圖像更多有用的信息。例如，文獻(xiàn)[39]中提出對(duì)NSST系數(shù)進(jìn)行子塊排序，從而使NSST系數(shù)全局最優(yōu)地表示圖像；文獻(xiàn)[40]在NSST域中應(yīng)用循環(huán)旋轉(zhuǎn)理論，構(gòu)造了一種新的最優(yōu)去噪模型；文獻(xiàn)[41]在Shearlet域中構(gòu)造了稀疏表示模型，提高了去噪圖像的峰值信噪比；文獻(xiàn)[42]中建立了復(fù)Shearlet稀疏域的高斯混合模型，提高了算法的計(jì)算速度；文獻(xiàn)[43]利用基于貝葉斯估計(jì)理論的雙變量閾值函數(shù)對(duì)Shearlet變換系數(shù)進(jìn)行處理，提高了圖像的峰值信噪比，而且去噪后的圖像更平滑。

為了進(jìn)一步說(shuō)明各個(gè)算法的優(yōu)缺點(diǎn)，對(duì)TerraSar-X 拍攝的SAR 原始圖像進(jìn)行去噪并對(duì)結(jié)果進(jìn)行了分析。去噪算法包括基于空域的去噪算法和基于變換域的去噪算法，分別為L(zhǎng)ee 濾波[4]，F(xiàn)rost 濾波[5]，小波域貝葉斯去噪(BWS)[44],基于稀疏表示的剪切波域貝葉斯去噪(BSSR)[45]，基于NSST的圖像去噪[46]，基于NSST的廣義非局部均值去噪(GNL-NSST)[47],基于優(yōu)化加權(quán)像素的廣義非局部均值去噪(GNL-OPW)[20]和基于子塊排序的NSST域去噪(PO-NSST)[39]。某種測(cè)試圖像如圖1所示。

圖1(a)是一幅田地的SAR 圖像，圖1(b)是一幅森林的SAR 圖像，分別對(duì)這2幅圖像使用上面提到的去噪算法進(jìn)行去噪。圖2是圖1(a)用以上方法去噪以后的圖像，圖3是圖1(b)用以上方法去噪以后的圖像，從圖2和圖3我們可以看到，使用Lee濾波和Frost濾波的效果較差；使用BWS和GNL-NSST去噪時(shí)圖像過(guò)于平滑，去掉了一些邊緣紋理；使用BSSR和GNL-OPW去噪視覺(jué)效果較好，但產(chǎn)生了一些人造紋理；使用NSST去噪產(chǎn)生了邊緣模糊；使用PO-NSST進(jìn)行去噪，相比于其他圖像，去噪后的圖像可以更好地保持圖像邊緣和紋理信息，抑制人造紋理的產(chǎn)生。

為了更客觀(guān)的進(jìn)行不同算法的比較，計(jì)算了上述去噪算法的幾種常用的去噪性能參數(shù)，其中包括峰值信噪比(Peak Signal to Noise Ratio，PSNR)[39]、等效視數(shù)(Equivalent Numbers of Looks，ENL)[39]、邊緣保持指數(shù)(Edge Preservation Index，EPI)[39]和無(wú)參考質(zhì)量評(píng)價(jià)指數(shù)(Unassisted Measure of Quality，UMQ)[48]，其中PSNR 越大表明算法的去噪能力越強(qiáng)，ENL 越大表明算法的去噪后的視覺(jué)效果越好，EPI 越大表明算法可以保留更多的細(xì)節(jié)信息，而UMQ越小說(shuō)明算法的綜合性能越好。表1給出了圖2和圖3所有SAR 圖像的去噪性能參數(shù)的實(shí)驗(yàn)結(jié)果。

表1 圖2和圖3中去噪圖像的性能參數(shù)

從表1看出，Lee濾波和Frost濾波去噪后評(píng)價(jià)指標(biāo)較差；BWS和NSST去噪后ENL和EPI較低，說(shuō)明去噪過(guò)程中損失了部分細(xì)節(jié)信息；BSSR、GNL-NSST、GNL-OPW和PO-NSST去噪后各項(xiàng)評(píng)價(jià)指標(biāo)較好，說(shuō)明去噪效果較好，其中PO-NSST各項(xiàng)指標(biāo)最優(yōu)，去噪后UM最接近于1，說(shuō)明該算法綜合性能最好?？梢钥闯?，在信號(hào)和噪聲更容易分離的變換域中進(jìn)行去噪，比在空間域中進(jìn)行去噪更為有效。

4 基于深度學(xué)習(xí)的去噪算法

自20世紀(jì)80年代以來(lái)，機(jī)器學(xué)習(xí)在算法、理論和應(yīng)用等方面都獲得了巨大成功。從2006年起，國(guó)外開(kāi)始了深度學(xué)習(xí)(Deep Learning，DL)方面的深入研究，并取得了一定的階段性成果。根據(jù)加拿大多倫多大學(xué)教授Geoffrey Hinton在《Science》上發(fā)表的文章[49]以及Yoshua Bengio、Yann Lecun等人的相關(guān)工作，深度學(xué)習(xí)逐漸被人們關(guān)注。深度學(xué)習(xí)[50]指多層的人工神經(jīng)網(wǎng)絡(luò)和訓(xùn)練方法。一層神經(jīng)網(wǎng)絡(luò)會(huì)把大量矩陣數(shù)字作為輸入，通過(guò)非線(xiàn)性激活方法取得權(quán)重，再產(chǎn)生另一個(gè)數(shù)據(jù)集合作為輸出。其類(lèi)似生物神經(jīng)大腦的工作機(jī)理，通過(guò)合適的矩陣數(shù)量，將多層組織鏈接在一起，形成神經(jīng)網(wǎng)絡(luò)“大腦”來(lái)進(jìn)行精準(zhǔn)復(fù)雜的處理，并通過(guò)“逐層初始化”克服深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練上的難度。深度學(xué)習(xí)將具有多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)構(gòu)建起來(lái)，用“深度模型”的手段達(dá)到“特征學(xué)習(xí)”的目的，最終提升分類(lèi)或預(yù)測(cè)的準(zhǔn)確性。

深度學(xué)習(xí)模型有多種，如深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)、自動(dòng)編碼器等，其各類(lèi)算法模型有著各自的特點(diǎn)與優(yōu)勢(shì)，在語(yǔ)音、圖像、自然語(yǔ)言、在線(xiàn)廣告等領(lǐng)域的應(yīng)用取得顯著進(jìn)展。近年來(lái)，基于深度學(xué)習(xí)的方法已經(jīng)在各種圖像處理任務(wù)上顯示出最先進(jìn)的結(jié)果，如圖像恢復(fù)[51-52]和超分辨率[53]。

圖像去噪可以看成是將一幅含噪圖像映射到無(wú)噪聲圖像的問(wèn)題。因此，有些文獻(xiàn)將圖像去噪過(guò)程看作映射的擬合過(guò)程，而神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的映射逼近能力，如文獻(xiàn)[54]就是利用多層感知器擬合圖像去噪過(guò)程，取得一定的去噪效果。近些年，基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域受到廣泛關(guān)注。相比前向神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)使用卷積操作代替神經(jīng)網(wǎng)絡(luò)中的內(nèi)積操作，具有深度提取圖像特征的效果，成為研究圖像的理想模型，并取得較好效果。給定一組適當(dāng)?shù)膱D像，網(wǎng)絡(luò)被訓(xùn)練學(xué)習(xí)一個(gè)隱式的數(shù)據(jù)模型，可以有效地對(duì)所有相同類(lèi)型的新數(shù)據(jù)進(jìn)行降斑。因此，學(xué)者們將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到圖像去噪中，取得了很好的效果。文獻(xiàn)[55] 構(gòu)造簡(jiǎn)潔高效的復(fù)合卷積神經(jīng)網(wǎng)絡(luò),并將其用于圖像去噪；文獻(xiàn)[56]利用殘差學(xué)習(xí)和批量歸一化，首次將CNN用于SAR圖像去噪；文獻(xiàn)[57]利用除法殘差法，將分量除法殘差層結(jié)合到網(wǎng)絡(luò)中，卷積層被迫在訓(xùn)練過(guò)程中學(xué)習(xí)散斑分量，通過(guò)簡(jiǎn)單地將輸入SAR圖像除以估計(jì)的散斑來(lái)獲得去斑圖像。我們可以看出將卷積神經(jīng)網(wǎng)絡(luò)運(yùn)用到SAR圖像的處理分析中，具有重要的研究意義與較大的發(fā)展空間。

文獻(xiàn)[58]結(jié)合了基于模型的優(yōu)化方法和判別學(xué)習(xí)法各自的優(yōu)點(diǎn)，訓(xùn)練了一套快速有效的CNN降噪器集，并利用半二次分割法，將降噪器集成到基于模型的優(yōu)化方法中以解決其他反問(wèn)題。受其啟發(fā)，我們將在未來(lái)的研究中結(jié)合CNN降噪器集和圖像融合方法相結(jié)合來(lái)獲得最佳輸出圖像，融合后的圖像信息表達(dá)更加全面，視覺(jué)更加清晰。另外，由于多尺度幾何變換能夠?qū)D像進(jìn)行稀疏表示產(chǎn)生最優(yōu)逼近，而且信號(hào)和噪聲在變換域更易分離，我們提出將深度學(xué)習(xí)和變換域去噪相結(jié)合，即在CNN訓(xùn)練過(guò)程中不直接對(duì)圖像進(jìn)行訓(xùn)練，而是訓(xùn)練變換域系數(shù)，以此獲得更好的去噪效果。

5 結(jié)論

相干斑抑制是SAR圖像理解和解譯的重要基礎(chǔ)和關(guān)鍵前提，對(duì)后續(xù)的SAR圖像處理有著重要意義。目前SAR圖像相干斑抑制研究的一個(gè)重點(diǎn)和難點(diǎn)是如何在抑制相干斑的同時(shí)，能更好地保留SAR圖像的邊緣和紋理信息?，F(xiàn)有的基于空域?yàn)V波的去噪算法、基于變換域?yàn)V波的去噪算法和基于深度學(xué)習(xí)的去噪算法都取得了一定的效果，但也有各自的不足。近年來(lái)基于深度學(xué)習(xí)的方法在圖像恢復(fù)、超分辨率等圖像處理任務(wù)中顯示出了優(yōu)良的性能，其主要優(yōu)點(diǎn)之一是直接從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)圖像恢復(fù)的參數(shù)，而不依賴(lài)于預(yù)定義的圖像先驗(yàn)或?yàn)V波器。然而，基于深度學(xué)習(xí)的圖像降斑方法的研究還不廣泛。因此在此方法基礎(chǔ)上對(duì)SAR圖像進(jìn)行相干斑抑制具有較大的應(yīng)用價(jià)值和廣闊的應(yīng)用前景。SAR圖像品質(zhì)的要求越來(lái)越高，需要成熟的相干斑抑制方法來(lái)為后續(xù)的圖像分割、檢測(cè)、識(shí)別等工作提供良好的預(yù)處理效果，保證后續(xù)工作有效進(jìn)行。