一种多头自注意机制的合成孔径雷达图像去噪算法的制作方法

1.本发明涉及sar图像噪声抑制技术领域，具体为一种多头自注意机制的合成孔径雷达图像去噪算法。


背景技术：

2.合成孔径雷达(sar)是一种先进的主动式微波对地观测设备，具有全天候、全天时工作的特点，对地面植被有一定穿透能力，能获得类似光学照片的目标图像，在国民经济和军事应用领域有着十分重要的作用，被广泛应用于军事侦察与测绘、海洋的资源监测与探测以及环境监测等领域，sar成像的系统需要用信号的幅度信息和相干信号的相应位置来提高其分辨率，拥有良好的相干性，sar图像是接受地物散射回波的相干信号叠加而形成的，因此对噪声高度敏感，噪声影响了对图像的处理和解译，所以去除噪声是sar图像处理中重要的一个基本步骤，噪声的抑制对sar图像的后处理极为重要，sar图像噪声抑制的方法主要有均值滤波、中值滤波、局部滤波、sigma滤波等等，前者是通用的rgb图像的噪声抑制方式；
3.但是由于sar图像产生的特殊方式，通用的噪声抑制方式并不适用于sar图像，对sar图像的噪声抑制效果不好。


技术实现要素：

4.本发明提供一种多头自注意机制的合成孔径雷达图像去噪算法，可以有效解决上述背景技术中提出由于sar图像产生的特殊方式，通用的噪声抑制方式并不适用于sar图像，对sar图像的噪声抑制效果不好的问题。
5.为实现上述目的，本发明提供如下技术方案：一种多头自注意机制的合成孔径雷达图像去噪算法，在传统噪声抑制的基础上，加入了基于多头自注意力机制神经网络的噪声抑制方式，利用神经网络来实现噪声抑制；
6.具体包括如下步骤：
7.步骤1，ssdd数据集sar图像的获取；
8.步骤2，gamma变换生成噪点图像；
9.步骤3，训练图像打包成模型输入；
10.步骤4，图像网格化处理；
11.步骤5，编码器计算；
12.步骤6，迭代模型训练；
13.步骤7，利用模型进行噪声抑制处理。
14.根据上述技术方案，所述步骤1中，ssdd数据集sar图像的获取主要是指通过ssdd的开源数据集链接，进行数据集的下载需要从数据集ssdd获取1160张sar图像，其中包括2456个在合成孔径雷达下成像的舰船。
15.根据上述技术方案，所述ssdd的开源数据集链接如下：
16.https://github.com/tianwenzhang0825/ls-ssdd-v1.0-open。
17.根据上述技术方案，所述步骤2中，gamma变换生成噪点图像主要是指生成训练图像，具体的，主要对原图进行灰度处理得到灰度图，原图片转换成灰度图后，对灰度图进行gamma增强和变换，生成噪声增强的sar图像；
18.gamma分布符合以下数学公式：
19.根据上述技术方案，在步骤2中，主要采用了numpy.random.gamma函数实现，对gamma增强图像与原灰度图做相乘处理，得到最终的训练数据集。
20.根据上述技术方案，所述步骤3中，训练图像打包成模型输入主要是指将sar图像原图和生成数据作为输入合成dataloader，并将训练数据集通过torch中的dataloader合成固定batch的数据集合，将加噪图像和原始图像打包作为模型输入。
21.根据上述技术方案，所述步骤4中，图像网格化处理主要是指将图像按照预先设定好的进行网格切图，并且按顺序编号，编号图像作为编码器输入。
22.根据上述技术方案，所述步骤5中，编码器计算主要是指将打包好的训练图像通过编码器encoder进行编码，然后将比编码器输出，放入多头自注意机制神经网络中，在多头自注意机制神经网络中，对dataloader进行训练，得到一组关于噪声增强图像和原图之间的权重信息；
23.从而随机生成对应的key、question、value，将结果进行求和归一化后在前馈神经网络中进行计算，输出同样需要进行归一化操作。
24.根据上述技术方案，所述步骤6中，迭代模型训练主要是指重复步骤4和步骤5两个步骤，将输入不断的进行迭代计算，利用反向传播机制配合msloss进行计算，更新模型计算权重，直到模型训练的loss下降至稳定不变为止，模型的状态具体包括如下两种情况：
25.一、模型处于收敛状态，则训练结束，进入下一步骤；
26.二、模型未处于收敛状态，则跳转至步骤4进行重新处理；
27.进一步的，利用更新计算所得到的权重信息，对sar图像进行噪声抑制以达预期效果。
28.根据上述技术方案，所述步骤7中，利用模型进行噪声抑制处理是指对图像的噪声进行抑制处理，主要将训练好的pth模型导入torch框架，切换模型状态为eval模式，对sar需要降噪的图像进行模型推理，推理结果图即为噪声抑制图。
29.与现有技术相比，本发明的有益效果：
30.本发明在传统噪声抑制的基础上，加入了基于多头自注意力机制神经网络的噪声抑制方式，提出了一种基于多头自注意机制的sar图像去噪方法，且利用本方案降噪的sar图像在其他任务中准确率有明显提升，解决了当前通用的噪声抑制方式并不适用于sar图像，对sar图像的噪声抑制效果不好的问题；
31.通过ssdd的开源数据集链接，进行数据集的下载从而获取ssdd数据集的sar图像，原图片转成灰度图后，在灰度图上进行gamma变换，生成噪声增强的sar图像，将sar图像原图和生成数据作为输入合成dataloader，在多头自注意机制神经网络中，对dataloader进行训练，得到一组关于噪声增强图像和原图之间的权重信息，并利用得到的权重信息，对sar图像进行噪声抑制以达预期效果。
附图说明
32.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
33.在附图中：
34.图1是本发明去噪算法的流程示意框图；
35.图2是本发明去噪算法的具体步骤流程图。
具体实施方式
36.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
37.实施例1：如图1-2所示，本发明提供一种技术方案，一种多头自注意机制的合成孔径雷达图像去噪算法，在传统噪声抑制的基础上，加入了基于多头自注意力机制神经网络的噪声抑制方式，利用神经网络来实现噪声抑制；
38.具体包括如下步骤：
39.步骤1，ssdd数据集sar图像的获取；
40.步骤2，gamma变换生成噪点图像；
41.步骤3，训练图像打包成模型输入；
42.步骤4，图像网格化处理；
43.步骤5，编码器计算；
44.步骤6，迭代模型训练；
45.步骤7，利用模型进行噪声抑制处理。
46.基于上述技术方案，步骤1中，ssdd数据集sar图像的获取主要是指通过ssdd的开源数据集链接，进行数据集的下载需要从数据集ssdd获取1160张sar图像，其中包括2456个在合成孔径雷达下成像的舰船。
47.基于上述技术方案，ssdd的开源数据集链接如下：
48.https://github.com/tianwenzhang0825/ls-ssdd-v1.0-open。
49.基于上述技术方案，步骤2中，gamma变换生成噪点图像主要是指生成训练图像，具体的，主要对原图进行灰度处理得到灰度图，原图片转换成灰度图后，对灰度图进行gamma增强和变换，生成噪声增强的sar图像；
50.gamma分布符合以下数学公式：
51.基于上述技术方案，在步骤2中，主要采用了numpy.random.gamma函数实现，对gamma增强图像与原灰度图做相乘处理，得到最终的训练数据集。
52.基于上述技术方案，步骤3中，训练图像打包成模型输入主要是指将sar图像原图和生成数据作为输入合成dataloader，并将训练数据集通过torch中的dataloader合成固定batch的数据集合，将加噪图像和原始图像打包作为模型输入。
53.基于上述技术方案，步骤4中，图像网格化处理主要是指将图像按照预先设定好的进行网格切图，并且按顺序编号，编号图像作为编码器输入。
54.基于上述技术方案，步骤5中，编码器计算主要是指将打包好的训练图像通过编码
器encoder进行编码，然后将比编码器输出，放入多头自注意机制神经网络中，在多头自注意机制神经网络中，对dataloader进行训练，得到一组关于噪声增强图像和原图之间的权重信息；
55.从而随机生成对应的key、question、value，将结果进行求和归一化后在前馈神经网络中进行计算，输出同样需要进行归一化操作。
56.基于上述技术方案，步骤6中，迭代模型训练主要是指重复步骤4和步骤5两个步骤，将输入不断的进行迭代计算，利用反向传播机制配合msloss进行计算，更新模型计算权重，直到模型训练的loss下降至稳定不变为止，模型处于收敛状态，则训练结束，进入下一步骤；
57.进一步的，利用更新计算所得到的权重信息，对sar图像进行噪声抑制以达预期效果。
58.基于上述技术方案，步骤7中，利用模型进行噪声抑制处理是指对图像的噪声进行抑制处理，主要将训练好的pth模型导入torch框架，切换模型状态为eval模式，对sar需要降噪的图像进行模型推理，推理结果图即为噪声抑制图。
59.实施例2：如图1-2所示，本发明提供一种技术方案，一种多头自注意机制的合成孔径雷达图像去噪算法，在传统噪声抑制的基础上，加入了基于多头自注意力机制神经网络的噪声抑制方式，利用神经网络来实现噪声抑制；
60.具体包括如下步骤：
61.步骤1，ssdd数据集sar图像的获取；
62.步骤2，gamma变换生成噪点图像；
63.步骤3，训练图像打包成模型输入；
64.步骤4，图像网格化处理；
65.步骤5，编码器计算；
66.步骤6，迭代模型训练；
67.步骤7，利用模型进行噪声抑制处理。
68.基于上述技术方案，步骤1中，ssdd数据集sar图像的获取主要是指通过ssdd的开源数据集链接，进行数据集的下载需要从数据集ssdd获取1160张sar图像，其中包括2456个在合成孔径雷达下成像的舰船。
69.基于上述技术方案，ssdd的开源数据集链接如下：
70.https://github.com/tianwenzhang0825/ls-ssdd-v1.0-open。
71.基于上述技术方案，步骤2中，gamma变换生成噪点图像主要是指生成训练图像，具体的，主要对原图进行灰度处理得到灰度图，原图片转换成灰度图后，对灰度图进行gamma增强和变换，生成噪声增强的sar图像；
72.gamma分布符合以下数学公式：
73.基于上述技术方案，在步骤2中，主要采用了numpy.random.gamma函数实现，对gamma增强图像与原灰度图做相乘处理，得到最终的训练数据集。
74.基于上述技术方案，步骤3中，训练图像打包成模型输入主要是指将sar图像原图和生成数据作为输入合成dataloader，并将训练数据集通过torch中的dataloader合成固
定batch的数据集合，将加噪图像和原始图像打包作为模型输入。
75.基于上述技术方案，步骤4中，图像网格化处理主要是指将图像按照预先设定好的进行网格切图，并且按顺序编号，编号图像作为编码器输入。
76.基于上述技术方案，步骤5中，编码器计算主要是指将打包好的训练图像通过编码器encoder进行编码，然后将比编码器输出，放入多头自注意机制神经网络中，在多头自注意机制神经网络中，对dataloader进行训练，得到一组关于噪声增强图像和原图之间的权重信息；
77.从而随机生成对应的key、question、value，将结果进行求和归一化后在前馈神经网络中进行计算，输出同样需要进行归一化操作。
78.基于上述技术方案，步骤6中，迭代模型训练主要是指重复步骤4和步骤5两个步骤，将输入不断的进行迭代计算，利用反向传播机制配合msloss进行计算，更新模型计算权重，直到模型训练的loss下降至稳定不变为止，模型未处于收敛状态，则跳转至步骤4进行重新处理。
79.最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。