基于多目标CNN的SAR去斑算法
图像与视频处理
2020-11-19 v4 计算机视觉与模式识别
摘要
深度学习（DL）在遥感中如今已成为一种有效的实用工具：它被广泛用于变化检测、图像复原、分割、检测与分类等应用。针对合成孔径雷达（SAR）领域，由于SAR图像的解释并非易事（尤其是由散斑的存在所导致），DL技术的应用并不直观。过去几年中已提出若干用于SAR去斑的深度学习方案。其中大多数方案侧重于定义具有相似代价函数（不涉及SAR图像特性）的不同网络架构。本文提出一种具有多目标代价函数的卷积神经网络（CNN），该代价函数顾及SAR图像的空间与统计特性。这是通过定义一个由三项加权组合得到的特殊损失函数来实现的。每一项主要致力于下列SAR图像特征之一：空间细节、散斑统计特性以及强散射体识别。它们的组合可平衡这些效应。此外，为在所考虑框架内有效提取判别性特征，提出了一种专门设计的架构。在仿真与真实SAR图像上的实验从定量与定性角度表明了所提方法相较于最先进去斑算法的准确性。在代价函数中考虑此类SAR特性对于在不同潜在场景（如均匀、异构和极异构）下正确抑制噪声并保持细节至关重要。
引用
@article{arxiv.2006.09050,
title = {Multi-Objective CNN Based Algorithm for SAR Despeckling},
author = {Sergio Vitale and Giampaolo Ferraioli and Vito Pascazio},
journal= {arXiv preprint arXiv:2006.09050},
year = {2020}
}