如何改进卷积神经网络的SAR图像噪声抑制算法？
近几十年来，涌现出了大量关于SAR图像噪声抑制的方法，传统的方法有基于空域滤波的方法和基于变换域滤波的方法。
前者是直接对目标图像进行滤波，能够有效抑制均匀区域的噪声，但是其容易受到滤波器滤波核大小的影响，并且在图像去噪的效果和细节保留方面存在折衷情况，二者之间的关系难以得到平衡。
随着深度学习在各领域的成功应用，为了更好的规避上述问题并获得更好的去噪效果，深度学习被引人了图像去噪领域，在深度网络的众多模型中，卷积神经网络(CNN)由其优越的特征学习能力，在图像降噪领域得到了众多学者的青睐。
CNN的出现是得到了生物学领域的启示，拥有多层结构，且是一种通过有监督学习获得的神经网络，生物中的神经元只对特定的局部信息有反应，与生物视觉皮层中的神经元相似，卷积神经网络中的每个人工神经元也只对图像的局部特征进行感知，在卷积神经网络中，有权值共享和局部感受野两个重要思想。
如图1所示，为经典LeNet-5结构，该结构主要包含卷积层、下采样层和全连接层。
对于SAR图像的小样本来说，如何提取和充分利用更多的特征信息至关重要。因此，为了提升网络对图像特征信息的捕捉，实现更为有效的特征提取，更好的得到输入和输出的非线性映射关系，本文构建了如图3所示的网络结构。
在网络构造过程中交叠使用非对称卷积块来进行特征映射，使用非对称卷积块替换掉传统的方形对称卷积块。
非对称卷积块的主要结构如图2所示，将3×3，1x3，3×1三个卷积核卷积运算的结果相加作为最终输出，这种方式使得在进行卷积运算时信息集中于卷积核十字位置的像素，尤其是卷积核的中心位置的像素。
利用非对称卷积组增大对信息在较大位置的信息提取，增强了网络的表达能力。此外，通过这种方式得到的卷积结果不会受到图像水平/垂直翻转的影响。
为了验证本文算法的有效性，选择了不同场景的图像来对算法进行验证，用于验证网络的图像来自数据集Set12，具体图像如图4所示。使用峰值信噪比（PSNR）对实验结果进行量化。
本文方法和Forstfilter、PPB、SAR-BM3D这三种去噪算法的去噪结果对比图如图5，图6，图7所示。
其中图a是原始图像，图b是添加了噪声强度等级L=8乘性噪声的含噪图像，图c是使用Forstfilter方法去噪之后的图像，由这三类场景的对比图可以看出，传统的Forstfilter滤波算法去除噪声的能力相对较差，处理之后的图像还明显的残留着一些没有滤掉的斑点噪声。
仅从视觉效果看，本文提出的方法都能较好的去除仿真图像的相干斑噪声，去噪之后的图像与原始图像的相似性更高，在细节和边缘方面保留的信息也较多。
针对3种光学仿真图像，4种噪声水平，各算法的PSNR评价指标如表1所示。根据表1可以看到，在大部分情况下，由本文方法得到的去噪图像的PSNR指标均稍高于其它算法，说明本文的去噪方法是有效且较为优越的。
为了证明本文算法的有效性，本文选取了真实的SAR图像来验证去噪性能。该图像来自于美国国防高等研究计划署（DARPA）支持MSTAR数据集中的一张大场景图像，分别使用Forstfilter滤波算法，PPB滤波算法，SAR-BM3D滤波算法和本文使用的算法对真实SAR图像进行去噪处理后得到的图像如图8所示。
从左到右以此为区域1和区域2，各类方法滤波之后的图像的ENL估算结果如表2所示，通过对比发现，本文算法去噪之后的ENL值相较于其它算法较高，这也证明了本文改进的算法的优越性。
为了降低SAR图像中的相干斑噪声且保持图像原本的纹理细节信息，从而提高SAR图像的质量，以便于后期对SAR图像的解译处理。
本文提出了一种改进的基于CNN的斑点噪声抑制算法，为了增强网络模型的性能，增强网络提取特征的能力，本文使用非对称卷积模块代替了传统的对称卷积模块，并在网络的第一层引人Inception来增强网络的受野，同时使用扩张卷积操作，采用残差学习结构，并引人批量归一化操作，以便于加速网络的学习过程，同时提高去噪性能。
通过实验数据证明，本文改进的用于去除SAR图像的算法，不管在SAR图像仿真算法还是真实的SAR图像上都表现得较好。
