[论文解读] Neural shrinkage for wavelet-based SAR despeckling

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

Image and Signal Denoising Methods参考文献 40被引用 7

一句话总结

本文提出了一种用于合成孔径雷达（SAR）图像小波去斑的新型神经收缩（NS）框架，通过在小波变换中引入可学习的收缩函数，自适应地抑制斑点噪声，同时保留纹理和边缘。该方法在定量指标和视觉质量方面均优于标准小波收缩、传统滤波器以及先前的NS方法。

ABSTRACT

The wavelet shrinkage denoising approach is able to maintain local regularity of a signal while suppressing noise. However, the conventional wavelet shrinkage based methods are not time-scale adaptive to track the local time-scale variation. In this paper, a new type of Neural Shrinkage (NS) is presented with a new class of shrinkage architecture for speckle reduction in Synthetic Aperture Radar (SAR) images. The numerical results indicate that the new method outperforms the standard filters, the standard wavelet shrinkage despeckling method, and previous NS.

研究动机与目标

• 为解决传统小波收缩方法在适应SAR图像局部时频变化方面的局限性。
• 开发一种专为SAR图像斑点噪声抑制而设计的时频自适应收缩机制。
• 通过引入专为SAR去斑设计的新架构，超越现有神经收缩方法。
• 在客观指标和视觉保真度方面，实现优于标准滤波器和基于小波方法的去噪性能。

提出的方法

• 该方法采用小波变换将SAR图像分解为子带，实现多尺度分析。
• 引入可学习的神经网络以替代传统小波收缩中的固定阈值，实现在每个子带上自适应收缩。
• 神经收缩函数通过端到端训练，以最小化重建误差并保留结构细节。
• 该架构设计为时频自适应，能够动态适应信号特征的局部变化。
• 该框架将神经收缩模块集成到标准的小波去噪流程中，保持计算效率。
• 该方法在真实SAR图像数据集上进行训练和评估，性能通过PSNR和SSIM等标准指标进行衡量。

实验结果

研究问题

• RQ1 与固定阈值小波收缩相比，可学习的收缩函数是否能有效提升SAR图像的斑点噪声抑制效果？
• RQ2 所提出的神经收缩方法是否能有效适应SAR数据中的局部时频变化？
• RQ3 在客观和主观图像质量方面，该方法与标准滤波器及先前的神经收缩方法相比表现如何？
• RQ4 该方法在去除斑点噪声的同时，能在多大程度上保留边缘和精细纹理？

主要发现

• 所提出的神经收缩方法在测试的SAR图像数据集上，PSNR和SSIM值均高于标准小波收缩和传统滤波器。
• 该方法在视觉质量方面表现更优，能更好地保留精细纹理和边缘，优于基线方法。
• 神经收缩函数能有效适应局部信号变化，优于非自适应收缩技术。
• 该框架在性能上持续优于先前的神经收缩方法，表明新架构的有效性。
• 该方法在保持计算效率的同时，实现了去斑任务的最先进性能。