【技术实现步骤摘要】
本专利技术涉及图像处理，更具体的说是涉及一种基于语义指导的声呐图像去噪方法及系统。
技术介绍
1、目前，纳成像技术是由声纳系统通过发射声波并对反射波进行相干解调来可视化水下环境。由于其相干获取过程的固有特性，声纳图像不可避免地会受到散斑噪声的损害。这使得声纳图像难以解释，从而对下游视觉任务如图像分割、检测和识别产生负面影响。自监督学习方法可以直接从噪声图像学习去散斑，而无需干净样本，基于盲点网络(blind-spot networks,bsns)实现，通过将噪声像素周围的像素作为输入，将噪声像素本身设置为学习目标，从而让神经网络具备高效去散斑的能力。
2、但是，基于盲点网络的声呐图像去散斑方法尽管避开了获取真实、无散斑噪声的声呐图像的难题，但在实现高质量去散斑的目标方面始终面临2个问题：
3、第一，声呐图像散斑噪声固有的噪声空间相关性与盲点网络的基本假设相冲突——盲点网络假设噪声是逐像素独立的，因此直接在声呐图像上训练盲点网络可能会学习到噪声图像恒等映射而不是一个有效的降噪器；
4、第二，盲点网络固有的盲点结构是通过在待去噪像素的感受野上叠加遮蔽像素来实现的，这在避免神经网络利用去噪像素本身噪声信息的同时，也使得大量的像素未能参与干净信号的预测，从而造成了显著的可用信息损失，降低了去散斑过程中干净纹理信号恢复的质量。
5、因此，如何同时克服散斑噪声的空间相关性和减轻信息损失，进而实现高质量的声呐图像去散斑效果是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于语义指导的声呐图像去噪方法及系统，同时克服了散斑噪声的空间相关性和减轻信息损失的问题，实现了高质量的声呐图像去散斑效果。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于语义指导的声呐图像去噪方法，包括：
4、构建包括第一卷积层、rfa模块、gse模块和输出卷积模块的去散斑噪声模型；
5、获取多个声纳图像，并将所述声纳图像输入至所述第一卷积层，得到第一提取特征图；
6、将所述第一提取特征图输入至所述rfa模块，得到增强特征图；
7、将所述增强特征图和所述声纳图像分别输入至所述gse模块，得到语义融合特征图；
8、将所述语义融合特征图输入至所述输出卷积模块，得到去噪声纳图像；
9、基于所述去噪声纳图像和声纳图像损失函数对所述去散斑噪声模型进行训练，得到训练好的去散斑噪声模型；
10、将待处理声纳图像输入至所述训练好的去散斑噪声模型，得到对应的去噪声纳图像。
11、优选的，所述rfa模块包括并行的第一分支网络和第二分支网络；
12、将所述第一提取特征图分别输入至所述第一分支网络和所述第二分支网络，对应得到第一局部特征图和第二局部特征图；
13、所述第一局部特征图和所述第二局部特征图融合得到所述增强特征图。
14、优选的，所述第一分支网络包括：d-conv卷积层、第一pd操作层和第一f-conv卷积层；
15、所述第一提取特征图输入至所述d-conv卷积层，得到聚合特征图；
16、所述聚合特征图输入至所述第一pd操作层进行空间重排，得到第一重排特征图；
17、所述第一重排特征图输入至所述第一f-conv卷积层，得到所述第一局部特征图。
18、优选的，所述第二分支网络包括：conv卷积层、第二pd操作层和p-conv卷积层；
19、所述第一提取特征图输入至所述conv卷积层，得到第二提取特征图；
20、所述第二提取特征图输入至所述第二pd操作层进行空间重排，得到第二重排特征图；
21、所述第二重排特征图输入至所述p-conv卷积层，得到所述第二局部特征图。
22、优选的，所述d-conv卷积层中距离卷积核中心权重的曼哈顿距离不超过4的权重均置0且不可学习；
23、权重具体设置为：
24、wd(i，j)＝0，where dij＝|i-6|+|j-6|≤4，1≤i，j≤11
25、其中，wd(i，j)表示d-conv卷积核的第i行、第j列位置处的权重，dij表示d-conv卷积核上第i行、第j列位置处权重距离该卷积核中心第6行、第6列位置处中心权重的曼哈顿距离，wd(i，j)＝0表示d-conv卷积核的第i行、第j列位置处的权重被设置为0且不可学习。
26、优选的，所述f-conv卷积层权重具体设置为：
27、wf(a，b)＝0，where(a，b)∈{(1，2)，(2，1)(2，3)(3，2)}
28、其中，wf(a,b)表示f-conv卷积核的第a行、第b列位置处的权重,wf(a，b)=0表示f-conv卷积核的第a行、第b列位置处的权重被设置为0且不可学习。
29、优选的，所述p-conv卷积层权重具体设置为：
30、wp(c,d)＝0,where(c,d)∈{(1，1)，(1,3),(2,2),(3,1)，(3,3)}
31、其中，wp(c，d)表示p-conv卷积核的第c行、第d列位置处的权重,wp(c，d)＝0表示p-conv卷积核的第c行、第d列位置处的权重被设置为0且不可学习。
32、优选的，所述gse模块包括：语义编码器、语义注入模块和pd-1操作层；
33、所述声纳图像输入至所述语义编码器进行特征提取，得到全局语义特征；
34、所述全局语义特征和所述增强特征图分别输入至所述语义注入模块，得到语义增强特征图；
35、所述语义增强特征图输入至所述pd-1操作层，得到所述融合特征。
36、优选的，所述语义注入模块包括多个依次连接的语义注入网络；
37、多个所述语义注入网络结构相同，均包括：语义注入层、第二f-conv卷积层、relu激活层和第二卷积层；
38、所述增强特征图和所述全局语义特征分别输入至所述语义注入层，得到第一增强特征；
39、所述第一增强特征依次经过所述第二f-conv卷积层、所述relu激活层和所述第二卷积层处理后与所述增强特征图进行融合，得到第一输出特征图；
40、所述第一输出特征图和所述全局语义特征分别输入至下一个所述语义注入网络进行处理，得到第二输出特征图，以此类推，通过所有的语义注入网络处理，最终得到所述语义增强特征。
41、一种基于语义指导的声呐图像去噪系统，包括：模型构建模块、特征提取模块、特征处理模块、模型训练模块和结果输出模块；
42、所述模型构建模块，用于构建包括第一卷积层、rfa模块、gse模块和输出卷积模块的去散斑噪声模型；
43、所述特征提取模块，用于获取多个声纳图像，并将所述声纳图像输入至所述第一卷积层，得到第一提取特征图；将所述本文档来自技高网...
【技术保护点】
1.一种基于语义指导的声呐图像去噪方法，其特征在于，包括：
2.根据权利要求1所述的一种基于语义指导的声呐图像去噪方法，其特征在于，所述RFA模块包括并行的第一分支网络和第二分支网络；
3.根据权利要求2所述的一种基于语义指导的声呐图像去噪方法，其特征在于，所述第一分支网络包括：D-Conv卷积层、第一PD操作层和第一F-Conv卷积层；
4.根据权利要求2所述的一种基于语义指导的声呐图像去噪方法，其特征在于，所述第二分支网络包括：Conv卷积层、第二PD操作层和P-Conv卷积层；
5.根据权利要求3所述的一种基于语义指导的声呐图像去噪方法，其特征在于，所述D-Conv卷积层中距离卷积核中心权重的曼哈顿距离不超过4的权重均置0且不可学习；
6.根据权利要求3所述的一种基于语义指导的声呐图像去噪方法，其特征在于，所述F-Conv卷积层权重具体设置为：
7.根据权利要求4所述的一种基于语义指导的声呐图像去噪方法，其特征在于，所述P-Conv卷积层权重具体设置为：
8.根据权利要求1所述的一种基于语义
9.根据权利要求8所述的一种基于语义指导的声呐图像去噪方法，其特征在于，所述语义注入模块包括多个依次连接的语义注入网络；
10.一种基于语义指导的声呐图像去噪系统，其特征在于，包括：模型构建模块、特征提取模块、特征处理模块、模型训练模块和结果输出模块；
...【技术特征摘要】
1.一种基于语义指导的声呐图像去噪方法，其特征在于，包括：
2.根据权利要求1所述的一种基于语义指导的声呐图像去噪方法，其特征在于，所述rfa模块包括并行的第一分支网络和第二分支网络；
3.根据权利要求2所述的一种基于语义指导的声呐图像去噪方法，其特征在于，所述第一分支网络包括：d-conv卷积层、第一pd操作层和第一f-conv卷积层；
4.根据权利要求2所述的一种基于语义指导的声呐图像去噪方法，其特征在于，所述第二分支网络包括：conv卷积层、第二pd操作层和p-conv卷积层；
5.根据权利要求3所述的一种基于语义指导的声呐图像去噪方法，其特征在于，所述d-conv卷积层中距离卷积核中心权重的曼哈顿距离不超过4的权重均置0且...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。