仅基于SAR强度图像的自监督去噪方法:一种通用策略

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:Self-supervised despeckling based solely on SAR intensity images: A general strategy

【字体: 大 中 小 】 时间:2025年12月13日 来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.2

编辑推荐:

  梁晨|尹一飞|史浩|何静飞|李伟 北京理工大学信息与电子学院,北京,100081,中国 摘要 斑点噪声是随SAR成像机制产生的,它会降低SAR图像的质量,使得图像难以解释。因此,去斑点是SAR预处理中不可或缺的一个步骤。幸运的是,监督学习(SL)已被证明是SAR图像

  梁晨|尹一飞|史浩|何静飞|李伟
北京理工大学信息与电子学院,北京,100081,中国

摘要
斑点噪声是随SAR成像机制产生的,它会降低SAR图像的质量,使得图像难以解释。因此,去斑点是SAR预处理中不可或缺的一个步骤。幸运的是,监督学习(SL)已被证明是SAR图像去斑的一个有效方法。SL方法在训练过程中需要原始SAR图像及其无斑点对应图像,然而在实际世界中并不存在无斑点的SAR图像。尽管有几种替代方法可以生成无斑点图像,但这种领域差异导致了性能和适应性的不足。自监督学习提供了一种无需纯净参考图像的训练方法。然而,大多数自监督方法对斑点建模或特定数据有额外要求,这在实际应用中带来了挑战。为了解决这些问题,我们提出了一种基于斑点强度数据的通用自监督去斑策略(SDS-SAR)。首先,建立了在没有无斑点图像的情况下进行SAR图像去斑的理论可行性。然后提出了一种适用于多种SAR图像的自监督去斑标准。接着,提出了一种具有投影相关性估计的随机感知子采样器(RA-SAMPLE)。实际上可以从SAR强度图像中生成相互独立的训练对。此外,引入了一个多特征损失函数,该函数包含去斑项、正则化项和感知项,从而在斑点抑制和纹理保留之间取得了良好的平衡。实验表明,所提出的方法在合成数据上的表现与监督学习方法相当,并在实际数据上表现得更好。视觉和定量评估均证实了其优于现有去斑技术的优势。此外,研究结果还表明SDS-SAR为其他乘性相干系统中的噪声抑制提供了一种新的解决方案。训练好的模型和数据集将托管在https://github.com/YYF121/SDS-SAR上。

引言
作为遥感技术中主要的地球观测手段,与其它遥感传感器不同(Chen等人,2024),合成孔径雷达(SAR)具有全天候、全天气获取数据的优势。因此,SAR图像被广泛应用于目标检测、海洋监测和地质勘探等多个领域(Po?ap等人,2022;Tings等人,2019;Bentes等人,2017)。然而,SAR图像不可避免地会受到斑点噪声的影响。斑点噪声是在成像过程中反向散射信号相干叠加产生的不良副产品,它会降低SAR图像的质量并干扰图像的解释。因此,在SAR图像的预处理中,斑点抑制是一个必不可少的步骤。

近年来,提出了许多SAR图像去斑方法。现有方法大致可以分为基于滤波器的方法、变换域方法、变分方法、马尔可夫模型方法、非局部均值(NLM)方法和深度学习(DL)方法。常见的基于滤波器的方法包括Lee滤波器(Lee,1980)、Frost滤波器(Frost等人,1982)和Kuan滤波器(Kuan等人,1985)。这些方法通常假设在均匀区域上操作,因此在实际SAR图像中边缘和纹理往往无法得到保留。对于基于滤波器的方法,需要人工设置关键的经验参数(如滤波器核大小)来适应不同的图像区域。此外,还需要仔细调整其他关键参数,例如Frost滤波器中的衰减系数,以及Lee和Kuan滤波器中的噪声方差参数,以达到最佳效果。基于小波的方法(Chang等人,2000)可以根据小波域的特性有效区分信号和噪声,但仍存在一些不可忽视的缺陷,高维特征的表示较为困难,导致纹理特征模糊。另一个重要的斑点抑制方法是基于总变分(TV)的方法(Rudin等人,2003;Aubert和Aujol,2008)。TV方法通过引入正则化项和数据保真项,在噪声抑制和边缘保留之间取得了平衡,但在降低噪声的同时会牺牲SAR图像的整体质量。马尔可夫随机场(MRF)方法利用上下文信息构建模型,以定量描述先验图像(Kalaiyarasi等人,2016),但其复杂的先验限制了MRF基去斑方法的应用。

相比之下,NLM方法的表现有了显著提升。这些方法利用图像块之间的相似性对整个图像进行加权滤波,有利于细节的保留。例如概率块基(PPB)滤波方法(Deledalle等人,2009)和块匹配3D(BM3D)算法(Parrilli等人,2011)在SAR图像去斑中表现良好。然而,非局部均值方法的有效性取决于参数设置,处理大规模图像时可能效率低下。此外,BM3D算法在块匹配过程中容易产生伪影,尤其是在块重叠不足或块大小不合适时。这些伪影通常表现为图像块之间的突然过渡和不自然的合成纹理(Vitale等人,2020;Xiong等人,2021)。作为自适应且直截了当的方法,稀疏表示和字典学习能够通过逐像素处理重建图像(Elad和Aharon,2006),但这种方法忽略了像素间的相关性,并且计算成本较高。

总体而言,上述大多数方法存在一些问题:首先,算法参数依赖于经验设定;其次,性能受场景影响;第三,平坦区域有时会出现伪影。

近年来,随着深度学习的快速发展,基于卷积神经网络(CNN)的去噪方法被大量提出。基于CNN的方法,如DnCNN(Zhang等人,2017)、FFDNet(Zhang等人,2018b)和CBDNet(Guo等人,2019),表现出了良好的去噪效果。随后,提出了用于SAR图像去斑的卷积神经网络(SAR-CNN)(Chierchia等人,2017),该方法通过在对数域将乘性斑点噪声转化为加性噪声,再通过指数函数将去斑后的图像映射回原始域。尽管尚未达到理想效果,但CNN基方法在SAR图像去斑方面证明了其有效性。此外,还有图像去噪卷积神经网络(ID-CNN)(Wang等人,2017)和利用扩张残差网络在噪声图像与干净图像之间进行非线性端到端映射的方法(SAR-DRN)(Zhang等人,2018a),进一步提高了去斑效率。Dalsasso等人(2020)提出了一种利用预训练模型的去斑策略,取得了优异的效果。基于先验的去噪神经网络(PDSNet)(Lin等人,2023a)利用先验信息充分利用结构信息,增强了去斑性能。双流CNN结合混合截断损失(HTNet)(Cheng等人,2023)采用双流协作架构,减少了异常值的干扰。随着变压器的快速发展,出现了一些基于变压器的去噪网络。跨变压器去噪CNN(CTNet)(Tian等人,2024a)利用不同的块处理深度提取结构信息,实现多尺度特征交互,在复杂去噪场景中表现优异。异构窗口Transformer(HWformer)(Tian等人,2024b)设计异构全局窗口捕捉上下文信息,并引入方向偏移机制以平衡去噪性能和计算成本。多任务学习框架(MTDN)(Li等人,2025)结合多注意力特征和卷积特征,解决了斑点抑制与细节保留之间的权衡。然而,这些基于监督学习的方法关注的是新颖的网络架构,忽略了实际世界中缺乏无斑点SAR图像这一关键问题。

为了解决这个问题,文献中主要采用了两种方法:第一种是合成斑点生成方法(Chierchia等人,2017),将乘性噪声叠加到光学图像上模拟斑点图像,将干净的灰度光学图像作为真值;第二种是多时相融合方法(Wang等人,2017),通过利用多时相SAR图像的时间不连续性生成干净图像。然而,收集大规模多时相数据库仍然是一个重大挑战,而且场景内容的变化可能导致准确率降低。还提出了一种在SAR多视场图像上模拟斑点的混合方法来缓解这些问题,但在某些区域,完全发展的斑点模型并不适用。选择正确的斑点统计特性仍然是一个持续的难题。

相比之下,自监督方法提供了一个有效的替代方案,因为它们不依赖于获取无斑点参考图像。一些研究(Dalsasso等人,2021b;Molini等人,2020;Dalsasso等人,2022a;Deng等人,2024)开始探索仅使用带斑点的SAR图像对进行网络训练。然而,现有的自监督去斑方法面临以下挑战:首先,大多数方法仍基于高斯加性噪声模型,这不适合SAR图像(Oliver和Quegan,1998;Lee和Pottier,2009;Ward,1981;Ulaby等人,1986);其次,某些方法依赖于特定数据源,如多时相数据、SLC格式数据或多极化数据。实际上,大多数下游任务(如分割和目标检测)通常是在强度图像上进行的,这些额外的数据需求可能降低这些方法在现实场景中的实用性。最终,去斑后的图像往往在纹理和边缘信息上受到显著损失。

在这项研究中,我们提出了一种自监督SAR图像去斑策略,解决了这些缺点。利用该策略可以仅使用实际的SAR强度图像训练现有去斑网络,达到可比的去斑效果。实验包括对合成图像和实际SAR图像的定量和定性比较。与先进的去斑方法相比,结果表明我们的方法能够显著抑制斑点噪声,同时保留SAR图像的特征和细节信息。我们提出的方法的主要创新和贡献如下:
(1) 建立了基于自监督的去斑策略的理论基础,提出了SAR图像自监督去斑标准(SAR-SDC)。根据该策略构建的训练对可用于训练现有去斑网络。
(2) 提出的RA-SAMPLE可以从单个带斑点的SAR强度图像生成训练对,符合SAR-SDC。生成的图像对通过循环一致的方法相互监督,确保原始图像信息的完整保留和利用。
(3) 提出的多特征损失函数由三个术语的加权组合构成,考虑了SAR图像的空间和统计特性。每个术语分别负责抑制斑点、减少空间畸变和保留边缘。
(4) 我们的自监督方法表现出出色的去斑性能,优于基于模型的方法,在合成图像上的效果可与监督学习方法相当,并在实际SAR图像上表现更好。与其他自监督方法相比,我们的方法取得了更优的结果。

本文的其余部分安排如下:第2节介绍相关工作,包括自监督光学图像去噪和SAR图像去斑方法;第3节详细阐述所提出方法的实现细节;第4节介绍实验的实现细节、评估指标、比较方法以及在实际SAR图像上的实验结果;第5节总结本文。

相关工作
如前所述,实际世界中不存在适用于监督方法的无斑点SAR图像。因此,近年来自监督去斑方法发展迅速。自监督方法最初被引入到光学图像去噪领域,后来扩展到了SAR图像去斑领域。

**方法**
在本节中,提出了一种自监督策略,用于利用带有斑点强度图像来训练去斑网络。首先,从理论上证明了自监督去斑方法在SAR图像上的可行性。随后,介绍了一种名为RA-SAMPLE的方法,该方法包含一个专门设计的子采样器和一个去相关器,用于生成训练对。子采样器考虑了随机性,而去相关器的设计基于投影相关性。

**实验**
在本节中,进行了实验来评估所提出的SDS-SAR的去斑性能。首先,使用我们的策略训练了几种广泛使用的监督网络,并将其作为基准。其次,通过定量和视觉对比实验来说明我们所提出策略的优越性。第三,进行了全面的消融研究以进一步解释我们策略的有效性。

**结论**
传统的SAR去斑监督学习方法依赖于无斑点参考图像,而这种图像在现实世界中并不存在。现有的自监督方法通常对斑点建模或特定数据有要求,限制了它们的实用性。为了解决这一挑战,我们开发了一种针对SAR强度图像的自监督去斑策略,使现有的监督去斑网络能够在没有干净参考图像的情况下进行训练。

**作者贡献声明**
梁晨:撰写原始草稿、软件开发、方法论、资金申请。尹一飞:撰写原始草稿、软件开发、方法论。史皓:监督、方法论。何静飞:数据管理。李伟:监督、方法论。

**利益冲突声明**
作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

**致谢**
本工作部分得到了中国国家重点研发计划(项目编号2021YFA0715204)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号