如何改進卷積神經網絡的SAR圖像噪聲抑制算法？
近幾十年來，湧現出了大量關于SAR圖像噪聲抑制的方法，傳統的方法有基于空域濾波的方法和基于變換域濾波的方法。
前者是直接對目标圖像進行濾波，能夠有效抑制均勻區域的噪聲，但是其容易受到濾波器濾波核大小的影響，并且在圖像去噪的效果和細節保留方面存在折衷情況，二者之間的關系難以得到平衡。
随着深度學習在各領域的成功應用，為了更好的規避上述問題并獲得更好的去噪效果，深度學習被引人了圖像去噪領域，在深度網絡的衆多模型中，卷積神經網絡(CNN)由其優越的特征學習能力，在圖像降噪領域得到了衆多學者的青睐。
CNN的出現是得到了生物學領域的啟示，擁有多層結構，且是一種通過有監督學習獲得的神經網絡，生物中的神經元隻對特定的局部資訊有反應，與生物視覺皮層中的神經元相似，卷積神經網絡中的每個人工神經元也隻對圖像的局部特征進行感覺，在卷積神經網絡中，有權值共享和局部感受野兩個重要思想。
如圖1所示，為經典LeNet-5結構，該結構主要包含卷積層、下采樣層和全連接配接層。
對于SAR圖像的小樣本來說，如何提取和充分利用更多的特征資訊至關重要。是以，為了提升網絡對圖像特征資訊的捕捉，實作更為有效的特征提取，更好的得到輸入和輸出的非線性映射關系，本文建構了如圖3所示的網絡結構。
在網絡構造過程中交疊使用非對稱卷積塊來進行特征映射，使用非對稱卷積塊替換掉傳統的方形對稱卷積塊。
非對稱卷積塊的主要結構如圖2所示，将3×3，1x3，3×1三個卷積核卷積運算的結果相加作為最終輸出，這種方式使得在進行卷積運算時資訊集中于卷積核十字位置的像素，尤其是卷積核的中心位置的像素。
利用非對稱卷積組增大對資訊在較大位置的資訊提取，增強了網絡的表達能力。此外，通過這種方式得到的卷積結果不會受到圖像水準/垂直翻轉的影響。
為了驗證本文算法的有效性，選擇了不同場景的圖像來對算法進行驗證，用于驗證網絡的圖像來自資料集Set12，具體圖像如圖4所示。使用峰值信噪比（PSNR）對實驗結果進行量化。
本文方法和Forstfilter、PPB、SAR-BM3D這三種去噪算法的去噪結果對比圖如圖5，圖6，圖7所示。
其中圖a是原始圖像，圖b是添加了噪聲強度等級L=8乘性噪聲的含噪圖像，圖c是使用Forstfilter方法去噪之後的圖像，由這三類場景的對比圖可以看出，傳統的Forstfilter濾波算法去除噪聲的能力相對較差，處理之後的圖像還明顯的殘留着一些沒有濾掉的斑點噪聲。
僅從視覺效果看，本文提出的方法都能較好的去除仿真圖像的相幹斑噪聲，去噪之後的圖像與原始圖像的相似性更高，在細節和邊緣方面保留的資訊也較多。
針對3種光學仿真圖像，4種噪聲水準，各算法的PSNR評價名額如表1所示。根據表1可以看到，在大部分情況下，由本文方法得到的去噪圖像的PSNR名額均稍高于其它算法，說明本文的去噪方法是有效且較為優越的。
為了證明本文算法的有效性，本文選取了真實的SAR圖像來驗證去噪性能。該圖像來自于美國國防高等研究計劃署（DARPA）支援MSTAR資料集中的一張大場景圖像，分别使用Forstfilter濾波算法，PPB濾波算法，SAR-BM3D濾波算法和本文使用的算法對真實SAR圖像進行去噪處理後得到的圖像如圖8所示。
從左到右以此為區域1和區域2，各類方法濾波之後的圖像的ENL估算結果如表2所示，通過對比發現，本文算法去噪之後的ENL值相較于其它算法較高，這也證明了本文改進的算法的優越性。
為了降低SAR圖像中的相幹斑噪聲且保持圖像原本的紋理細節資訊，進而提高SAR圖像的品質，以便于後期對SAR圖像的解譯處理。
本文提出了一種改進的基于CNN的斑點噪聲抑制算法，為了增強網絡模型的性能，增強網絡提取特征的能力，本文使用非對稱卷積子產品代替了傳統的對稱卷積子產品，并在網絡的第一層引人Inception來增強網絡的受野，同時使用擴張卷積操作，采用殘差學習結構，并引人批量歸一化操作，以便于加速網絡的學習過程，同時提高去噪性能。
通過實驗資料證明，本文改進的用于去除SAR圖像的算法，不管在SAR圖像仿真算法還是真實的SAR圖像上都表現得較好。
