CN119445388A 基于深度学习的sar图像自适应处理方法及系统 （北京遥感设备研究所）

基于深度学习的SAR图像自适应处理方法及本说明书实施例公开了基于深度学习的SAR包括所述SAR图像的大尺度结构信息，所述高频特征包括所述SAR图像的小尺度细节信息；将所述多尺度特征输入训练好的目标深度神经网络于所述SAR图像对应的自适应处理参数对所述2从所述待处理的SAR图像中提取多尺度特征，所述多尺度特征包括低频特征和高频特将所述多尺度特征输入训练好的目标深度神经网络中，得到所述SAR图像对应的自适使用多组样本SAR图像作为训练数据输入初始深度神经网络，其中，每一个所述样本SAR图像标注有对应的样本多尺度特征和样本自适应处理参数，所述样本自适应处理参数使用反向传播算法和梯度下降法优化方法，更新所述初始深度神经网络的网络参数，以使得所述初始深度神经网络的输出与所述训练数据对应的样本自适应处理参数之间的基于所述SAR图像对应的自适应处理参数对所述SAR图像进行处理，得到处理后的SAR2.如权利要求1所述的方法，其特征在于，所述从所使用特征描述子对所述低频分量和所述高频分量分别进行特征提取，得到所述SAR图4.如权利要求1所述的方法，其特征在于，所述SAR图像对应的所述基于所述SAR图像对应的自适应处理参数对所述待处理的SAR图像进行处根据所述分类参数，从预先建立的处理参数数据库中查询所述SAR图像所属类别对应基于所述第二去噪参数和所述第二增强参数对所述SAR图像进行去噪和增强处理，得3根据比较结果和所述目标阈值函数对所述小波系数进行赋值处9.如权利要求7所述的方法，其特征在于，所述对所述均衡化后的灰度分布进行反映根据所述累积分布函数，将每个灰度级映射为一个新的灰度级，自适应处理参数确定模块，用于将所述多尺度特征输入训练好的目标深度神经网络使用多组样本SAR图像作为训练数据输入初始深度神经网络，其中，每一个所述样本SAR图像标注有对应的样本多尺度特征和样本自适应处理参数，所述样本自适应处理参数使用反向传播算法和梯度下降法优化方法，更新所述初始深度神经网络的网络参数，以使得所述初始深度神经网络的输出与所述训练数据对应的样本自适应处理参数之间的4图像处理模块，用于基于所述SAR图像对应的自适应处理参数对所述SAR图像进行处5[0005]基于此，有必要研究一种能够根据SAR图像的实际情况进行自适应处理的方法及本SAR图像标注有对应的样本多尺度特征和样本自适应处理参数，所述样本自适应处理参6本SAR图像标注有对应的样本多尺度特征和样本自适应处理参数，所述样本自适应处理参在确定待处理的SAR图像所对应的自适应处理参数的过程中，将分类参数作为一个约束参数，可以根据SAR图像中各个区域的类别采用对应的方法来确定其对应的去噪参数和增强根据分类参数从预先建立的处理参数数据库中查询SAR图像中各个区域所属类别分别对应经网络输出的第一去噪参数和第一增强参数进行校正，得到第二去噪参数和第二增强参7[0012]图1是本说明书一实施例所示的基于深度学习的SAR图像自适应处理方法的示例[0013]图2是本说明书一实施例所示的基于深度学习的SAR图像自适应处理方法的具体图3是本说明书的一实施例所示的基于深度学习的SAR图像自适应处理系统的结图4是本说明书的一实施例所示的基于深度学习的SAR图像自适应处理系统的示示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。[0017]本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操[0018]请参考图1，图1所示为本实施例提供的一种基于深度学习的SAR图像自适应处理8目标表面或体积的不均匀性而产生的强烈反射信号的点，它们通常表现为SAR图像中的亮[0023]在本实施例中，前述特征描述子可以包括SIFT（Scale_InvariantFeature在本说明书实施例中，可以利用前面得到的多维度SIFT特征向量来表示SAR图像的低频特9并对每个块内的直方图进行归一化（也可以叫做颜色空间的标准化形成一个HOG特征向前述SAR图像进行特征提取，以得到包含前述低频特征和高频特征的多尺度特征。示例性多个样本图像作为训练数据对初始卷积神经网络(CNN)或者残差网络(ResNet)进行训练，本SAR图像标注有对应的样本多尺度特征和样本自适应处理参数，所述样本自适应处理参[0032]输入层可以用于接收前述步骤中提取得到的SAR图像的多尺度特征，作为网络的以分别反映SAR图像的大尺度结构信息和到SAR图像对应的自适应处理参数的预测值，这个过程由网络的网络参数（例如权重和偏SAR图像的特征，样本自适应处理参数可以反映样本SAR图像需要进行的处理方式和程度，[0040]通过上述步骤训练得到目标深度神经网络之后，将步骤104所得到的多尺度特征输入训练好的目标深度神经网络中，即可得到前述待处理的SAR图像对应的自适应处理参以根据SAR图像中各个区域的类别采用对应的方法来确定其对应的去噪参数和增强参数，从而使得每一个区域所对应的去噪参数和增强参数的确定过程更就去噪处理而言，图像处理模块可以对待处理的SAR图像进行小波变换，得到该SAR图像的小波系数，然后根据目标深度神经网络得到的第一去噪参数对该小波系数进行[0051]改进的阈值函数是指在硬阈值函数和软阈值函数的基础上，进行一些修改或优[0062]在通过上述步骤确定新的灰度级之后，图像处理模块可以将所述SAR图像的每个[0072]类似地，当该第一增强参数与参考增强参数之间的距离于校正后得到的第二去噪参数和所述第二增强参数对所述SAR图像进行去噪和增强处理，图统计，得到该SAR图像的灰度分布，然后根据前述第二增强参数对该灰度分布进行均衡该第二去噪参数和第二增强参数进行去噪和增强所得到的SAR图像可以具有更好去噪效果[0078]在本说明书实施例中，基于第二去噪参数和第二增强参数对所述SAR图像进行去噪和增强处理的更多细节可以参照上文所描述的基于第一去噪参数和第一增强参数对所[0080]（2）本方法通过使用特征描述子对SAR图像中的低频分量和高频分量分别进行特类参数作为一个约束参数，可以根据SAR图像中各个区域的类别采用对应的方法来确定其[0082]（4）本方法通过根据分类参数从预先建立的处理参数数据库中查询SAR图像中各[0083]参考图3，图3所示为本实施例提供的一种基于深度学习的SAR图像自适应处理系自适应处理参数确定模块230，用于将所述多尺度特征输入训练好的目标深度神本SAR图像标注有对应的样本多尺度特征和样本自适应处理参数，所述样本自适应处理参图像处理模块240，用于基于所述SAR图像对应的自适应处理参数对所述SAR图像查询所述SAR图像所属类别对应的参考去图像处理子模块，用于基于所述第二去噪参数和所述第二增强参数对所述SAR图[0092]应当理解，图3所示的基于深度学习的SAR图像自适应处理系统200及其模块可以可以理解上述的方法及系统可以使用计算机可执行指令和/或包含在处理器控制代码中来自适应处理参数确定模块230以及图像处理模块可以是一个系统中的不同模块，也可以是处理设备130和/或终端设备140的一[0095]（2）本系统通过使用特征描述子对SAR图像中的低频分量和高频分量分别进行特类参数作为一个约束参数，可以根据SAR图像中各个区域的类别采用对应的方法来确定其[0097]（4）本系统通过根据分类参数从预先建立的处理参数数据库中查询SAR图像中各[0098]请参考图4，图4所示为本实施例提供的一种基于深度学习的SAR图像自适应处理备120和/或处理设备130通过网络150连接，也可以与存储设备120和/或处理设备130直接设备140可以与存储设备120和/或处理设备130通过网络150连接，也可以与存储设备120的信息和/或数据交换的任何合适的网络。在一些实施例中，应用场景100的至少一个组件可以通过网络150从终端设备140获得用户操作指令，示例性的操作指令可以包括但不限于可以包括至少一个网络接入点，应用场景100的至少一个组件可以通过接入点连接到网络[0104]本实施例中，存储设备120可以连接到网络150以与应用场景100中的至少一个其施例中，存储设备120可以与应用场景100中的一个或以上组件（例如，SAR图像获取装置进行处理以确定对应的自适应处理参数。在一些实施例中，处理设备130可以从存储设备120获取预先存储的计算机指令，并执行该计算机指令以实现本说明书所描述的基于深度入的操作指令通过网络150发送给SAR图像获取装置110，以控制SAR图像获取装置110进行生的有益效果可以是以上任意一种