[论文解读] Super-resolution Reconstruction of SAR Image based on Non-Local Means Denoising Combined with BP Neural Network

Zeling Wu, Haoxiang Wang|arXiv (Cornell University)|Dec 14, 2016

Advanced Image Processing Techniques参考文献 5被引用 13

一句话总结

该论文提出了一种结合非局部均值去噪与反向传播神经网络（BPNN）的SAR图像超分辨率方法。通过使用改进的NL-means算法提取的自相似块作为BPNN的输入，提升了重建质量，增强了边缘清晰度，并在PSNR和ENL指标上优于基线方法。

ABSTRACT

In this article, we propose a super-resolution method to resolve the problem of image low spatial because of the limitation of imaging devices. We make use of the strong non-linearity mapped ability of the back-propagation neural networks(BPNN). Training sample images are got by undersampled method. The elements chose as the inputs of the BPNN are pixels referred to Non-local means(NL-Means). Making use of the self-similarity of the images, those inputs are the pixels which are pixels gained from modified NL-means which is specific for super-resolution. Besides, small change on core function of NL-means has been applied in the method we use in this article so that we can have a clearer edge in the shrunk image. Experimental results gained from the Peak Signal to Noise Ratio(PSNR) and the Equivalent Number of Look(ENL), indicate that adding the similar pixels as inputs will increase the results than not taking them into consideration.

研究动机与目标

• 解决由于硬件限制导致的SAR图像空间分辨率低的问题。
• 利用BP神经网络的非线性映射能力实现超分辨率。
• 通过将改进的NL-means算法提取的自相似像素结构作为输入特征，提升图像质量。
• 通过修改NL-means的核心函数，增强重建图像中的边缘保持能力。
• 通过PSNR和等效均值数（ENL）作为评估指标，展示优越的性能表现。

提出的方法

• 通过下采样方法生成训练样本，以模拟低分辨率SAR图像。
• 应用一种改进的非局部均值（NL-means）算法，通过调整核心函数来提升边缘清晰度。
• 使用从改进的NL-means算法中提取的自相似像素块作为BP神经网络的输入特征。
• 利用自相似像素输入训练BPNN，学习从低分辨率到高分辨率图像的映射关系。
• 利用SAR图像的自相似性特性，提升重建保真度并降低噪声。
• 结合改进NL-means的去噪处理与基于深度学习的超分辨率方法，以提升输出质量。

实验结果

研究问题

• RQ1 将改进的NL-means算法提取的自相似像素结构融入，能否提升SAR图像的超分辨率性能？
• RQ2 使用非局部均值特征对SAR图像重建中的PSNR和ENL指标有何影响？
• RQ3 对NL-means核心函数进行修改，是否能提升超分辨SAR图像中的边缘保持效果？
• RQ4 与标准像素输入相比，BPNN从自相似输入特征中受益的程度如何？
• RQ5 NL-means去噪与BPNN的结合是否能实现优于基线方法的超分辨率性能？

主要发现

• 所提方法在峰值信噪比（PSNR）方面优于未使用自相似像素输入的方法。
• 等效均值数（ENL）值得到提升，表明斑点噪声减少和纹理保持效果更好。
• 改进的NL-means算法显著提升了重建的高分辨率SAR图像的边缘清晰度。
• 将自相似块作为BPNN的输入，可显著提升重建质量，且提升效果可测量。
• 非局部均值去噪与BP神经网络的结合在SAR数据上优于传统超分辨率技术。
• 该方法在保持图像细节和降低低分辨率SAR图像噪声方面表现出良好的鲁棒性。