一种阶梯型多尺度神经网络条带噪声降噪模型

来源：计算机技术与发展杂志2023年第07期北京时间：

作者：王诏*;王燕;苏国辉;史升凯

单位：青岛海洋地质研究所,山东 青岛 266071 Author(s): WANG Zhao* ;WANG Yan;SU Guo-hui;SHI Sheng-kai Qingdao Institute of Marine Geology,Qingdao 266071,China 关键词: 降噪;阶梯型多尺度;混合空洞卷积;卷积神经网络;遥感影像;条带噪声 Keywords: denoise;staircase multi-scale;hybrid dilated convolution;convolutional neural network;remote sensing image;stripe noise 分类号: TP751 DOI: 10. 3969 / j. issn. 1673-629X. 2023. 07. 010 摘要: 针对遥感影像上存在的复杂条带噪声问题,提出一种阶梯型多尺度卷积神经网络降噪模型( SmCNN) 。 该模型采用一种阶梯型网络结构轻量化设计,高度融合高、低层等多层网络特征,对影像上的非均质、高覆盖、多尺度条带噪声具备优秀的识别、去除能力。 模型主要通过 3*3 空洞卷积构建多尺度网络和残差网络融合多尺度特征信息,增强多尺度条带噪声的检测能力、弥补深度网络退化缺点;采用锯齿状混合空洞卷积网络结构解决图像信息不连续问题;设计阶梯型多尺度网络结构、引入 1*1 卷积以轻量化神经网络模型,降低模型复杂度。 实验结果表明,SmCNN 降噪性能明显优于传统图像降噪方法,比经典的前馈去噪卷积神经网络( DnCNN) 降噪模型在均方误差、峰值信噪比、结构相似性三项图像降噪质量评价指标上,分别提高了 61. 2% 、11. 8% 和 0. 7% ,且网络结构轻量化效果显著,节约了 53. 11% 的模型训练时间。

摘要：针对遥感影像上存在的复杂条带噪声问题,提出一种阶梯型多尺度卷积神经网络降噪模型( SmCNN) 。 该模型采用一种阶梯型网络结构轻量化设计,高度融合高、低层等多层网络特征,对影像上的非均质、高覆盖、多尺度条带噪声具备优秀的识别、去除能力。 模型主要通过 3*3 空洞卷积构建多尺度网络和残差网络融合多尺度特征信息,增强多尺度条带噪声的检测能力、弥补深度网络退化缺点;采用锯齿状混合空洞卷积网络结构解决图像信息不连续问题;设计阶梯型多尺度网络结构、引入 1*1 卷积以轻量化神经网络模型,降低模型复杂度。 实验结果表明,SmCNN 降噪性能明显优于传统图像降噪方法,比经典的前馈去噪卷积神经网络( DnCNN) 降噪模型在均方误差、峰值信噪比、结构相似性三项图像降噪质量评价指标上,分别提高了 61. 2% 、11. 8% 和 0. 7% ,且网络结构轻量化效果显著,节约了 53. 11% 的模型训练时间。

关键词：降噪;阶梯型多尺度;混合空洞卷积;卷积神经网络;遥感影像;条带噪声