申请/专利权人：数据空间研究院

申请日：2023-12-14

公开（公告）日：2024-03-19

公开（公告）号：CN117726537A

主分类号：G06T5/70

分类号：G06T5/70;G06T5/73;G06T5/50;G06V10/44;G06V10/80;G06V10/771;G06V10/82;G06N3/0464;G06N3/045

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明提供自适应多尺度特征融合AMFFD‑Net的SAR图像去噪网络方法及系统，方法包括：数据集准备；数据预处理；构建自适应多尺度特征融合模型AMFFD‑Net，处理得到并输出去噪SAR图像；自适应多尺度特征融合模型AMFFD‑Net包括：噪声估计模块、非对称卷积模块、自适应特征选择模块、ReLU激活模块、多尺度特征融合模块、SE注意力模块、级联块以及深度残差学习模块。本发明解决了细节和纹理保留不足、边缘和结构模糊、高频信息处理不佳、自适应能力有限以及泛化能力弱的技术问题。

主权项：1.自适应多尺度特征融合AMFFD-Net的SAR图像去噪网络方法，其特征在于，所述方法包括：S1、收集并预处理SAR图像，据以生成带噪声、无噪声图像对，以构建训练集、验证集；S2、构建自适应多尺度特征融合模型AMFFD-Net，其中，所述自适应多尺度特征融合模型AMFFD-Net包括：噪声估计模块、非对称卷积模块、自适应特征选择模块、ReLU激活模块、多尺度特征融合模块、SE注意力模块、级联块以及深度残差学习模块；S3、利用所述噪声估计模块估计所述SAR图像噪声，以得到去噪特征；利用所述非对称卷积模块进行非对称卷积操作，以从所述SAR图像中提取卷积特征；利用所述自适应特征选择模块，根据所述去噪特征，选取相关性特征；利用所述ReLU激活模块，将预置ReLU激活函数应用至所述相关性特征，据以处理得到多尺度特征；利用所述多尺度特征融合模块，融合所述多尺度特征，以得到融合特征；利用所述SE注意力模块，使用预置注意力机制抑制所述融合特征中的不相关特征，得到SAR融合增强特征；利用所述级联块进行卷积操作，以学习所述SAR融合增强特征中的残差信息；利用所述深度残差学习模块，根据所述残差信息进行深度残差学习，以对所述SAR增强特征进行精细化处理，得到SAR精细化特征；利用预置特征反馈回路，反馈所述SAR精细化特征至所述自适应多尺度特征融合模型AMFFD-Net，以循环进行所述精细化处理，据以得到并输出去噪SAR图像。

全文数据：

权利要求：

百度查询： 数据空间研究院 自适应多尺度特征融合AMFFD-Net的SAR图像去噪网络方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD