原创文章 | DnCNN-RM:基于残差网络的自适应合成孔径雷达图像去噪算法
原创文章 | DnCNN-RM:基于残差网络的自适应合成孔径雷达图像去噪算法
摘要:在图像处理领域,合成孔径雷达(SAR)图像的应用很广泛,因而分析 SAR图像具有重要意义。然而,这些图像常常受到相干斑噪声的干扰,显著降低了图像质量。传统的去噪方法,通常基于滤波器技术,往往存在效率低和适应性差的局限性。为了克服这些不足,本文提出了一种基于增强残差网络架构的 SAR 图像去噪算法,旨在提升SAR 图像在复杂电磁环境中的应用效果。该算法结合了残差网络模块,直接对含噪输入图像进行处理,生成去噪输出。这种方法不仅有效降低了计算复杂度,还缓解了模型训练过程中遇到的困难。通过将Transformer模块与残差块相结合,显著提高了网络对全局特征的提取能力。相较于基于卷积神经网络(CNN)的残差模块,该方法具有更强的特征提取能力。此外,算法引入了自适应激活函数Meta-ACON,能够动态调整神经元的激活模式,从而进一步提升了网络的特征提取效率。通过在RSOD数据集上的实验证明,所提出的去噪方法在EPI、SSIM和ENL等指标上表现出色,同时在PSNR方面也取得了显著的提升。与传统的去噪算法及深度学习算法相比,该算法的PSNR性能提高了两倍以上。进一步在MSTARSAR数据集上进行测试,得到的PSNR值为25.2021,验证了该算法在SAR去噪领域的良好泛化性。上述结果表明,所提出的算法不仅能够有效降低相干斑噪声,还能有效保留 SAR图像中的关键信息特征,从而在实际应用中显著提高图像质量和可用性。