本發(fā)明屬于圖像處理,具體涉及基于改進ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法。
背景技術(shù):
1、聲波信號是迄今為止唯一可以在海洋中長距離傳播的能量形式。聲吶技術(shù)是獲取、利用和處理海洋信息的重要手段。發(fā)展聲吶技術(shù)對海洋資源開發(fā)、海洋環(huán)境保護、海洋災(zāi)害預(yù)警等具有重要意義。其中,側(cè)掃聲吶具有成本低、分辨率高、探測距離遠等特點,被廣泛應(yīng)用于海上應(yīng)急調(diào)查中的物體檢測、海洋生態(tài)學(xué)、海洋考古學(xué)、海上搜救、水下結(jié)構(gòu)識別和損傷檢測等領(lǐng)域。
2、然而,受側(cè)掃聲吶(side?scan?sonar,?sss)成像機制和復(fù)雜水下環(huán)境的影響,原始sss數(shù)據(jù)通常伴隨著較強的噪聲,主要表現(xiàn)為散斑噪聲。并且聲波在傳播過程中由于海水溫度、壓力等分布不均勻?qū)е侣晱姸葴p弱;反向散射信號的衰減導(dǎo)致的聲波能量損失等原因,sss系統(tǒng)常常進行時變增益(time?varying?gain,?tvg)來補償目標的傳輸損耗,恢復(fù)目標信號。由于?tvg?過程與傳播距離成正比,因此sss圖像噪聲具有非均勻性。
3、現(xiàn)有的?sss?圖像去噪方法大多依賴于傳統(tǒng)濾波技術(shù)或單一深度學(xué)習(xí)模型。這些方法通常難以有效處理圖像中存在的不均勻散斑噪聲,導(dǎo)致去噪后的圖像邊緣細節(jié)模糊,結(jié)構(gòu)信息丟失,進而影響水下目標的檢測和識別精度。此外,多數(shù)傳統(tǒng)方法缺乏對空間位置信息的利用,難以充分利用圖像的空間結(jié)構(gòu)特征來增強去噪效果。
技術(shù)實現(xiàn)思路
1、針對上述技術(shù)問題,本發(fā)明提供基于改進ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法,在去除噪聲的同時,減少圖像質(zhì)量和邊緣細節(jié)的損失。
2、本發(fā)明是通過以下技術(shù)方案實現(xiàn)的:
3、基于改進ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法,包括以下步驟:
4、(1)構(gòu)建真實聲吶數(shù)據(jù)集和模擬聲吶數(shù)據(jù)集;
5、(2)以模擬聲吶數(shù)據(jù)集為輸入,通過改進ista-net++網(wǎng)絡(luò)中的dpmm模塊(即dynamic?proximal?mapping?module,動態(tài)近端映射模塊),構(gòu)建側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型(即sss?image?denoising?algorithm,sida網(wǎng)絡(luò));
6、改進后dpmm模塊使用coordconv卷積進行特征提取,使用殘差注意力模塊進行特征處理,在所述殘差注意力模塊中引入邊緣增強注意力模塊來增強目標邊緣;其中,改進的ista-net++用于壓縮感知;
7、(3)采用adam算法訓(xùn)練網(wǎng)絡(luò),獲得訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型;
8、(4)將所述真實聲吶數(shù)據(jù)集輸入至訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型,得到去噪后清晰的側(cè)掃聲吶圖像。
9、進一步地,步驟(1)中,所述模擬聲吶數(shù)據(jù)集的構(gòu)建方法為:將光學(xué)圖像轉(zhuǎn)換為灰度圖,并向灰度圖中添加標準差在18到45范圍內(nèi)的散斑噪聲,生成具有非均勻噪聲的噪聲圖像來模擬真實聲吶圖像。
10、進一步地,步驟(2)中,改進后dpmm模塊包括:兩個殘差注意力模塊、特征提取模塊?、圖像重構(gòu)模塊?;特征提取模塊?、圖像重構(gòu)模塊都是由卷積層和relu構(gòu)成;
11、改進后dpmm模塊表示為:
12、;
13、其中,表示改進后dpmm模塊第k階段的輸出;rk表示改進后dpmm模塊的輸入,表示條件模塊cm傳輸?shù)礁倪M后dpmm模塊的條件信息;是第k階段用于定義改進后dpmm模塊的函數(shù);是額外的噪聲水平映射,來自條件模塊cm的輸出。
14、進一步地,步驟(2)中,使用coordconv卷積進行特征提取,coordconv卷積將坐標信息與輸入特征圖拼接在一起。
15、進一步地,步驟(2)中,改進后dpmm模塊采用兩個連續(xù)的殘差注意力模塊,每一個殘差注意力模塊都包含兩個膨脹卷積層、兩個連續(xù)的3×3卷積層以及一個邊緣增強注意力模塊。
16、進一步地,步驟(2)中,所述邊緣增強注意力模塊首先對輸入特征圖進行1×1卷積,完成irnn(即初始化矩陣循環(huán)神經(jīng)網(wǎng)絡(luò)identity?matrix?rnn)輸入層到隱藏層的數(shù)據(jù)變換;然后在四個獨立方向上使用4個irnn來獲取相應(yīng)的上下文特征,并通過concat操作將結(jié)果融合成特征圖。
17、進一步地,步驟(3)中,利用adam優(yōu)化器訓(xùn)練網(wǎng)絡(luò),給定訓(xùn)練數(shù)據(jù)集和采樣矩陣,得到采樣后的結(jié)果,將、、作為輸入,以減少干凈圖像和去噪后圖像之間的差異,損失函數(shù)計算為:
18、;
19、其中,表示訓(xùn)練集總數(shù),表示采樣矩陣的個數(shù),是壓縮感知比率; θ表示網(wǎng)絡(luò)中可學(xué)習(xí)的參數(shù)集。
20、進一步地,步驟(4)中,對于所述真實聲吶數(shù)據(jù)集中的每一個原始含噪聲圖像,直接輸入至訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型中,利用訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型提取多層次注意力特征,得到重構(gòu)后的側(cè)掃聲吶圖像。
21、進一步地,所述方法還包括步驟(5):采用圖像質(zhì)量評價指標對所述側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型進行評價。
22、進一步地,分別使用全參考圖像評價指標psnr、ssim和無參考圖像評價指標enl、epi對去噪后的圖像進行評價。
23、本發(fā)明的有益技術(shù)效果:
24、本發(fā)明通過改進ista-net++算法的重構(gòu)部分來提升圖像去噪性能。通過在圖像重構(gòu)網(wǎng)絡(luò)中采用coordconv進行特征提取,將垂直坐標通道添加到像素輸入通道中使其具有非均勻噪聲的屬性;然后使用多尺度殘差注意力模塊學(xué)習(xí)圖像特征,提高圖像重構(gòu)質(zhì)量。采用adam優(yōu)化器訓(xùn)練網(wǎng)絡(luò),有效解決了去除聲吶圖像噪聲的同時,較好保留圖像邊緣細節(jié)信息的問題。
1.基于改進ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法,其特征在于,包括以下步驟:
2.根據(jù)權(quán)利要求1所述基于改進ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法,其特征在于,步驟(1)中,所述模擬聲吶數(shù)據(jù)集的構(gòu)建方法為:將光學(xué)圖像轉(zhuǎn)換為灰度圖,并向灰度圖中添加標準差在18到45范圍內(nèi)的散斑噪聲,生成具有非均勻噪聲的噪聲圖像來模擬真實聲吶圖像。
3.根據(jù)權(quán)利要求1所述基于改進ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法,其特征在于,步驟(2)中,改進后dpmm模塊包括:兩個殘差注意力模塊、特征提取模塊?、圖像重構(gòu)模塊?;特征提取模塊?、圖像重構(gòu)模塊都是由卷積層和relu構(gòu)成;
4.根據(jù)權(quán)利要求1所述基于改進ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法,其特征在于,步驟(2)中,使用coordconv卷積進行特征提取,coordconv卷積將坐標信息與輸入特征圖拼接在一起。
5.根據(jù)權(quán)利要求1所述基于改進ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法,其特征在于,步驟(2)中,改進后dpmm模塊采用兩個連續(xù)的殘差注意力模塊,每一個殘差注意力模塊都包含兩個膨脹卷積層、兩個連續(xù)的3×3卷積層以及一個邊緣增強注意力模塊。
6.根據(jù)權(quán)利要求5所述基于改進ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法,其特征在于,步驟(2)中,所述邊緣增強注意力模塊首先對輸入特征圖進行1×1卷積,完成irnn輸入層到隱藏層的數(shù)據(jù)變換;然后在四個獨立方向上使用4個irnn來獲取相應(yīng)的上下文特征,并通過concat操作將結(jié)果融合成特征圖。
7.根據(jù)權(quán)利要求6所述基于改進ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法,其特征在于,步驟(3)中,利用adam優(yōu)化器訓(xùn)練網(wǎng)絡(luò),給定訓(xùn)練數(shù)據(jù)集和采樣矩陣,得到采樣后的結(jié)果,將、、作為輸入,以減少干凈圖像和去噪后圖像之間的差異,損失函數(shù)計算為:
8.根據(jù)權(quán)利要求6所述基于改進ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法,其特征在于,步驟(4)中,對于所述真實聲吶數(shù)據(jù)集中的每一個原始含噪聲圖像,直接輸入至訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型中,利用訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型提取多層次注意力特征,得到重構(gòu)后的側(cè)掃聲吶圖像。
9.根據(jù)權(quán)利要求1所述基于改進ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法,其特征在于,所述方法還包括步驟(5):采用圖像質(zhì)量評價指標對所述側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型進行評價。
10.根據(jù)權(quán)利要求9所述基于改進ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法,其特征在于,分別使用全參考圖像評價指標psnr、ssim和無參考圖像評價指標enl、epi對去噪后的圖像進行評價。