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

技术特征：
1.一种多头自注意机制的合成孔径雷达图像去噪算法，其特征在于：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；具体包括如下步骤：步骤1，ssdd数据集sar图像的获取；步骤2，gamma变换生成噪点图像；步骤3，训练图像打包成模型输入；步骤4，图像网格化处理；步骤5，编码器计算；步骤6，迭代模型训练；步骤7，利用模型进行噪声抑制处理。2.根据权利要求1所述的一种多头自注意机制的合成孔径雷达图像去噪算法，其特征在于：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。3.根据权利要求2所述的一种多头自注意机制的合成孔径雷达图像去噪算法，其特征在于：所述ssdd的开源数据集链接如下：https://github.com/tianwenzhang0825/ls-ssdd-v1.0-open。4.根据权利要求1所述的一种多头自注意机制的合成孔径雷达图像去噪算法，其特征在于：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；gamma分布符合以下数学公式：5.根据权利要求4所述的一种多头自注意机制的合成孔径雷达图像去噪算法，其特征在于：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。6.根据权利要求1所述的一种多头自注意机制的合成孔径雷达图像去噪算法，其特征在于：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。7.根据权利要求1所述的一种多头自注意机制的合成孔径雷达图像去噪算法，其特征在于：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。8.根据权利要求1所述的一种多头自注意机制的合成孔径雷达图像去噪算法，其特征在于：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；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。9.根据权利要求1所述的一种多头自注意机制的合成孔径雷达图像去噪算法，其特征在于：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：一、模型处于收敛状态，则训练结束，进入下一步骤；二、模型未处于收敛状态，则跳转至步骤4进行重新处理；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。10.根据权利要求1所述的一种多头自注意机制的合成孔径雷达图像去噪算法，其特征在于：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。

技术总结
本发明公开了一种多头自注意机制的合成孔径雷达图像去噪算法，具体包括如下步骤：SSDD数据集SAR图像的获取；Gamma变换生成噪点图像；训练图像打包成模型输入；图像网格化处理；编码器计算；迭代模型训练；利用模型进行噪声抑制处理，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，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。噪声抑制以达预期效果。噪声抑制以达预期效果。


技术研发人员：翁胧胧
受保护的技术使用者：地卫二空间技术（杭州）有限公司
技术研发日：2022.10.08
技术公布日：2023/1/31