DnCNN-RM: an adaptive SAR image denoising algorithm based on residual networks
OU Hai-ning, LI Chang-di, ZENG Rui-bin, Yanfeng Wu, LIU Jia-ning, Cheng Peng · Chinese Optics · 2025
在图像处理领域，合成孔径雷达（SAR）图像的分析由于其广泛的应用而具有重要意义。然而，这些图像常常受到相干斑噪声的干扰，显著降低了图像质量。传统的去噪方法，通常基于滤波器技术，往往存在效率低下和适应性差的局限性。为了克服这些不足，本文提出了一种基于增强残差网络架构的SAR图像去噪算法，旨在提升SAR图像在复杂电磁环境中的应用效果。该算法结合了残差网络模块，直接对含噪输入图像进行处理，生成去噪输出。这种方法不仅有效降低了计算复杂度，还缓解了模型训练过程中遇到的困难。通过将Transformer模块与残差块结合，该算法提高了网络对全局特征的提取能力，相较于基于卷积神经网络（CNN）的残差模块，具有更强的特征提取能力。此外，算法引入了自适应激活函数Meta-ACON，能够动态调整神经元的激活模式，从而进一步提升了网络在特征提取上的效率。通过在RSOD数据集上的实验证明，所提出的去噪方法在EPI、SSIM和ENL等指标上表现出色，同时在PSNR方面也取得了显著的提升。与传统的去噪算法及深度学习算法相比，该算法的PSNR性能提高了两倍以上。进一步在MSTAR SAR数据集上的测试，得到了PSNR值为25.2021，验证了该算法在SAR去噪领域的良好泛化性。这些结果表明，所提出的算法s不仅能够有效降低相干斑噪声，还能有效保留SAR图像中的关键信息特征，从而在实际应用中显著提高图像质量和可用性。