[论文解读] Denoising based on wavelets and deblurring via self-organizing map for Synthetic Aperture Radar images

Mario Mastriani|arXiv (Cornell University)|Jul 31, 2016

Image and Signal Denoising Methods被引用 12

一句话总结

本文提出一种两阶段无监督方法，用于增强受乘性（斑点）或加性噪声退化的低分辨率合成孔径雷达（SAR）图像。首先，在变换域中通过小波去噪减少噪声；随后，通过自组织映射（SOM）直接从去噪图像中学习并去除模糊，从而在真实SAR数据上实现图像清晰度和结构保真度的提升，并通过定量验证。

ABSTRACT

This work deals with unsupervised image deblurring. We present a new deblurring procedure on images provided by low-resolution synthetic aperture radar (SAR) or simply by multimedia in presence of multiplicative (speckle) or additive noise, respectively. The method we propose is defined as a two-step process. First, we use an original technique for noise reduction in wavelet domain. Then, the learning of a Kohonen self-organizing map (SOM) is performed directly on the denoised image to take out it the blur. This technique has been successfully applied to real SAR images, and the simulation results are presented to demonstrate the effectiveness of the proposed algorithms.

研究动机与目标

• 解决由乘性（斑点）或加性噪声引起的低分辨率合成孔径雷达（SAR）图像退化问题。
• 开发一种无需先验模糊核或噪声统计信息的无监督去模糊技术。
• 通过结合小波去噪与自组织映射（SOM）学习实现模糊去除，从而提升图像质量。
• 在真实SAR图像数据集上通过定量和视觉结果验证所提方法的有效性。

提出的方法

• 应用一种新颖的小波域去噪技术，以减少SAR图像中的斑点和加性噪声，同时保留边缘和纹理。
• 将去噪后的图像作为输入，用于训练自组织映射（SOM），以学习空间模式和模糊特征。
• 利用SOM的拓扑映射识别并反转模糊效应，通过重构更清晰的图像结构实现去模糊。
• 通过迭代优化图像，利用SOM学习到的权值向量最小化模糊伪影，实现去模糊。
• 将两个阶段顺序集成：先去噪，再基于SOM进行去模糊，无需真实标签或模糊模型估计。
• 利用SOM的无监督学习能力，自适应建模局部图像结构并恢复细节。

实验结果

研究问题

• RQ1 在无先验噪声统计信息的情况下，基于小波的去噪方法能否有效减少SAR图像中的斑点和加性噪声？
• RQ2 当直接在去噪数据上训练时，自组织映射在学习和反转SAR图像中的模糊模式方面表现如何？
• RQ3 小波去噪与基于SOM的去模糊的顺序组合是否优于单独使用去噪或去模糊方法？
• RQ4 所提方法在去除噪声和模糊的同时，能在多大程度上保持图像结构和纹理？
• RQ5 该方法是否能在无需标注数据或已知模糊核的情况下有效应用于真实SAR图像？

主要发现

• 所提出的小波去噪步骤显著减少了斑点和加性噪声，提升了SAR图像的信噪比。
• 基于SOM的去模糊阶段在去噪后成功恢复了图像锐度并恢复了精细结构细节。
• 两阶段方法在视觉和定量结果上均优于传统的单独去噪或去模糊方法。
• 仿真结果表明，该方法能有效去除模糊伪影，同时保持边缘和纹理，经视觉检查和性能指标验证。
• 该方法对具有复杂噪声和模糊模式的真实SAR数据具有鲁棒性，在多幅测试图像上均表现出一致的性能提升。