基于深度神经网络的SAR图像去散斑：从预训练模型到端到端训练策略
计算机视觉与模式识别
2021-04-14 v4 图像与视频处理
摘要
散斑抑制是合成孔径雷达（SAR）图像中一个长期存在的课题。针对强度SAR图像的复原，人们已提出许多不同的方案。在各种可能的方法中，基于卷积神经网络（CNN）的方法近年来在SAR图像复原中达到了最先进的性能。CNN训练需要良好的训练数据：许多无散斑/含散斑图像对。鉴于无散斑图像固有的稀缺性，这在SAR应用中是一个问题。为处理该问题，本文根据所希望执行的散斑去除任务以及多时相SAR数据堆栈的可用性，分析了可采用的不同策略。第一种策略将训练用于去除自然图像加性白高斯噪声的CNN模型，应用于最近提出的SAR散斑去除框架：MuLoG（多通道对数高斯去噪，MUlti-channel LOgarithm with Gaussian denoising）。该方法不对SAR图像进行训练，网络直接应用于散斑抑制任务。第二种策略考虑一种新方法，以构建训练CNN模型所需的可靠无散斑SAR图像数据集。最后，还分析了一种混合方法：用于去除加性白高斯噪声的CNN在無散斑SAR图像上进行训练。所提方法与其他最先进的散斑去除滤波器进行比较，以评估去噪质量并讨论不同策略的优缺点。随本文一并发布训练网络的权重，以供其他研究者使用。
引用
@article{arxiv.2006.15559,
title = {SAR Image Despeckling by Deep Neural Networks: from a pre-trained model to an end-to-end training strategy},
author = {Emanuele Dalsasso and Xiangli Yang and Loïc Denis and Florence Tupin and Wen Yang},
journal= {arXiv preprint arXiv:2006.15559},
year = {2021}
}
备注
Article accepted for publication on Remote Sensing, MDPI. Notebook with Colab compatibility is available at https://gitlab.telecom-paris.fr/RING/SAR-CNN