本發(fā)明屬于圖像處理，具體涉及基于改進(jìn)ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法。

背景技術(shù)：

1、聲波信號(hào)是迄今為止唯一可以在海洋中長(zhǎng)距離傳播的能量形式。聲吶技術(shù)是獲取、利用和處理海洋信息的重要手段。發(fā)展聲吶技術(shù)對(duì)海洋資源開發(fā)、海洋環(huán)境保護(hù)、海洋災(zāi)害預(yù)警等具有重要意義。其中，側(cè)掃聲吶具有成本低、分辨率高、探測(cè)距離遠(yuǎn)等特點(diǎn)，被廣泛應(yīng)用于海上應(yīng)急調(diào)查中的物體檢測(cè)、海洋生態(tài)學(xué)、海洋考古學(xué)、海上搜救、水下結(jié)構(gòu)識(shí)別和損傷檢測(cè)等領(lǐng)域。

2、然而，受側(cè)掃聲吶（side?scan?sonar,?sss）成像機(jī)制和復(fù)雜水下環(huán)境的影響，原始sss數(shù)據(jù)通常伴隨著較強(qiáng)的噪聲，主要表現(xiàn)為散斑噪聲。并且聲波在傳播過程中由于海水溫度、壓力等分布不均勻?qū)е侣晱?qiáng)度減弱；反向散射信號(hào)的衰減導(dǎo)致的聲波能量損失等原因，sss系統(tǒng)常常進(jìn)行時(shí)變?cè)鲆?time?varying?gain,?tvg)來補(bǔ)償目標(biāo)的傳輸損耗，恢復(fù)目標(biāo)信號(hào)。由于?tvg?過程與傳播距離成正比，因此sss圖像噪聲具有非均勻性。

3、現(xiàn)有的?sss?圖像去噪方法大多依賴于傳統(tǒng)濾波技術(shù)或單一深度學(xué)習(xí)模型。這些方法通常難以有效處理圖像中存在的不均勻散斑噪聲，導(dǎo)致去噪后的圖像邊緣細(xì)節(jié)模糊，結(jié)構(gòu)信息丟失，進(jìn)而影響水下目標(biāo)的檢測(cè)和識(shí)別精度。此外，多數(shù)傳統(tǒng)方法缺乏對(duì)空間位置信息的利用，難以充分利用圖像的空間結(jié)構(gòu)特征來增強(qiáng)去噪效果。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述技術(shù)問題，本發(fā)明提供基于改進(jìn)ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法，在去除噪聲的同時(shí)，減少圖像質(zhì)量和邊緣細(xì)節(jié)的損失。

2、本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的：

3、基于改進(jìn)ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法，包括以下步驟：

4、（1）構(gòu)建真實(shí)聲吶數(shù)據(jù)集和模擬聲吶數(shù)據(jù)集；

5、（2）以模擬聲吶數(shù)據(jù)集為輸入，通過改進(jìn)ista-net++網(wǎng)絡(luò)中的dpmm模塊（即dynamic?proximal?mapping?module，動(dòng)態(tài)近端映射模塊)，構(gòu)建側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型（即sss?image?denoising?algorithm，sida網(wǎng)絡(luò)）；

6、改進(jìn)后dpmm模塊使用coordconv卷積進(jìn)行特征提取，使用殘差注意力模塊進(jìn)行特征處理，在所述殘差注意力模塊中引入邊緣增強(qiáng)注意力模塊來增強(qiáng)目標(biāo)邊緣；其中，改進(jìn)的ista-net++用于壓縮感知；

7、（3）采用adam算法訓(xùn)練網(wǎng)絡(luò)，獲得訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型；

8、（4）將所述真實(shí)聲吶數(shù)據(jù)集輸入至訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型，得到去噪后清晰的側(cè)掃聲吶圖像。

9、進(jìn)一步地，步驟（1）中，所述模擬聲吶數(shù)據(jù)集的構(gòu)建方法為：將光學(xué)圖像轉(zhuǎn)換為灰度圖，并向灰度圖中添加標(biāo)準(zhǔn)差在18到45范圍內(nèi)的散斑噪聲，生成具有非均勻噪聲的噪聲圖像來模擬真實(shí)聲吶圖像。

10、進(jìn)一步地，步驟（2）中，改進(jìn)后dpmm模塊包括：兩個(gè)殘差注意力模塊、特征提取模塊?、圖像重構(gòu)模塊?；特征提取模塊?、圖像重構(gòu)模塊都是由卷積層和relu構(gòu)成；

11、改進(jìn)后dpmm模塊表示為：

12、；

13、其中，表示改進(jìn)后dpmm模塊第k階段的輸出；rk表示改進(jìn)后dpmm模塊的輸入，表示條件模塊cm傳輸?shù)礁倪M(jìn)后dpmm模塊的條件信息；是第k階段用于定義改進(jìn)后dpmm模塊的函數(shù)；是額外的噪聲水平映射，來自條件模塊cm的輸出。

14、進(jìn)一步地，步驟（2）中，使用coordconv卷積進(jìn)行特征提取，coordconv卷積將坐標(biāo)信息與輸入特征圖拼接在一起。

15、進(jìn)一步地，步驟（2）中，改進(jìn)后dpmm模塊采用兩個(gè)連續(xù)的殘差注意力模塊，每一個(gè)殘差注意力模塊都包含兩個(gè)膨脹卷積層、兩個(gè)連續(xù)的3×3卷積層以及一個(gè)邊緣增強(qiáng)注意力模塊。

16、進(jìn)一步地，步驟（2）中，所述邊緣增強(qiáng)注意力模塊首先對(duì)輸入特征圖進(jìn)行1×1卷積，完成irnn（即初始化矩陣循環(huán)神經(jīng)網(wǎng)絡(luò)identity?matrix?rnn）輸入層到隱藏層的數(shù)據(jù)變換；然后在四個(gè)獨(dú)立方向上使用4個(gè)irnn來獲取相應(yīng)的上下文特征，并通過concat操作將結(jié)果融合成特征圖。

17、進(jìn)一步地，步驟（3）中，利用adam優(yōu)化器訓(xùn)練網(wǎng)絡(luò)，給定訓(xùn)練數(shù)據(jù)集和采樣矩陣，得到采樣后的結(jié)果，將、、作為輸入，以減少干凈圖像和去噪后圖像之間的差異，損失函數(shù)計(jì)算為：

18、；

19、其中，表示訓(xùn)練集總數(shù)，表示采樣矩陣的個(gè)數(shù)，是壓縮感知比率； θ表示網(wǎng)絡(luò)中可學(xué)習(xí)的參數(shù)集。

20、進(jìn)一步地，步驟（4）中，對(duì)于所述真實(shí)聲吶數(shù)據(jù)集中的每一個(gè)原始含噪聲圖像，直接輸入至訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型中，利用訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型提取多層次注意力特征，得到重構(gòu)后的側(cè)掃聲吶圖像。

21、進(jìn)一步地，所述方法還包括步驟（5）：采用圖像質(zhì)量評(píng)價(jià)指標(biāo)對(duì)所述側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型進(jìn)行評(píng)價(jià)。

22、進(jìn)一步地，分別使用全參考圖像評(píng)價(jià)指標(biāo)psnr、ssim和無參考圖像評(píng)價(jià)指標(biāo)enl、epi對(duì)去噪后的圖像進(jìn)行評(píng)價(jià)。

23、本發(fā)明的有益技術(shù)效果：

24、本發(fā)明通過改進(jìn)ista-net++算法的重構(gòu)部分來提升圖像去噪性能。通過在圖像重構(gòu)網(wǎng)絡(luò)中采用coordconv進(jìn)行特征提取，將垂直坐標(biāo)通道添加到像素輸入通道中使其具有非均勻噪聲的屬性；然后使用多尺度殘差注意力模塊學(xué)習(xí)圖像特征，提高圖像重構(gòu)質(zhì)量。采用adam優(yōu)化器訓(xùn)練網(wǎng)絡(luò)，有效解決了去除聲吶圖像噪聲的同時(shí)，較好保留圖像邊緣細(xì)節(jié)信息的問題。

技術(shù)特征：

1.基于改進(jìn)ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述基于改進(jìn)ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法，其特征在于，步驟（1）中，所述模擬聲吶數(shù)據(jù)集的構(gòu)建方法為：將光學(xué)圖像轉(zhuǎn)換為灰度圖，并向灰度圖中添加標(biāo)準(zhǔn)差在18到45范圍內(nèi)的散斑噪聲，生成具有非均勻噪聲的噪聲圖像來模擬真實(shí)聲吶圖像。

3.根據(jù)權(quán)利要求1所述基于改進(jìn)ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法，其特征在于，步驟（2）中，改進(jìn)后dpmm模塊包括：兩個(gè)殘差注意力模塊、特征提取模塊?、圖像重構(gòu)模塊?；特征提取模塊?、圖像重構(gòu)模塊都是由卷積層和relu構(gòu)成；

4.根據(jù)權(quán)利要求1所述基于改進(jìn)ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法，其特征在于，步驟（2）中，使用coordconv卷積進(jìn)行特征提取，coordconv卷積將坐標(biāo)信息與輸入特征圖拼接在一起。

5.根據(jù)權(quán)利要求1所述基于改進(jìn)ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法，其特征在于，步驟（2）中，改進(jìn)后dpmm模塊采用兩個(gè)連續(xù)的殘差注意力模塊，每一個(gè)殘差注意力模塊都包含兩個(gè)膨脹卷積層、兩個(gè)連續(xù)的3×3卷積層以及一個(gè)邊緣增強(qiáng)注意力模塊。

6.根據(jù)權(quán)利要求5所述基于改進(jìn)ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法，其特征在于，步驟（2）中，所述邊緣增強(qiáng)注意力模塊首先對(duì)輸入特征圖進(jìn)行1×1卷積，完成irnn輸入層到隱藏層的數(shù)據(jù)變換；然后在四個(gè)獨(dú)立方向上使用4個(gè)irnn來獲取相應(yīng)的上下文特征，并通過concat操作將結(jié)果融合成特征圖。

7.根據(jù)權(quán)利要求6所述基于改進(jìn)ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法，其特征在于，步驟（3）中，利用adam優(yōu)化器訓(xùn)練網(wǎng)絡(luò)，給定訓(xùn)練數(shù)據(jù)集和采樣矩陣，得到采樣后的結(jié)果，將、、作為輸入，以減少干凈圖像和去噪后圖像之間的差異，損失函數(shù)計(jì)算為：

8.根據(jù)權(quán)利要求6所述基于改進(jìn)ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法，其特征在于，步驟（4）中，對(duì)于所述真實(shí)聲吶數(shù)據(jù)集中的每一個(gè)原始含噪聲圖像，直接輸入至訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型中，利用訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型提取多層次注意力特征，得到重構(gòu)后的側(cè)掃聲吶圖像。

9.根據(jù)權(quán)利要求1所述基于改進(jìn)ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法，其特征在于，所述方法還包括步驟（5）：采用圖像質(zhì)量評(píng)價(jià)指標(biāo)對(duì)所述側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型進(jìn)行評(píng)價(jià)。

10.根據(jù)權(quán)利要求9所述基于改進(jìn)ista-net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法，其特征在于，分別使用全參考圖像評(píng)價(jià)指標(biāo)psnr、ssim和無參考圖像評(píng)價(jià)指標(biāo)enl、epi對(duì)去噪后的圖像進(jìn)行評(píng)價(jià)。

技術(shù)總結(jié)
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及基于改進(jìn)ISTA?Net++網(wǎng)絡(luò)的側(cè)掃聲吶圖像去噪方法。包括：（1）構(gòu)建真實(shí)聲吶數(shù)據(jù)集和模擬聲吶數(shù)據(jù)集；（2）通過改進(jìn)ISTA?Net++網(wǎng)絡(luò)中的DPMM模塊，構(gòu)建側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型；改進(jìn)后DPMM模塊使用CoordConv卷積進(jìn)行特征提取，使用殘差注意力模塊進(jìn)行特征處理，所述殘差注意力模塊中引入邊緣增強(qiáng)注意力模塊來增強(qiáng)目標(biāo)邊緣；（3）采用Adam算法訓(xùn)練網(wǎng)絡(luò)，獲得訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型；（4）將所述真實(shí)聲吶數(shù)據(jù)集輸入至訓(xùn)練后的側(cè)掃聲吶圖像去噪網(wǎng)絡(luò)模型，得到去噪后清晰的側(cè)掃聲吶圖像。本發(fā)明提供的方法在去除噪聲的同時(shí)，減少圖像質(zhì)量和邊緣細(xì)節(jié)的損失。

技術(shù)研發(fā)人員：楊星海,李婧雯,楊洪修,王景景
受保護(hù)的技術(shù)使用者：青島科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6