合成孔径雷达图像中散斑的统计模型:右边的强度图像是左边显示的反射率图像的损坏版本。单一外观的复杂图像包含空间相关的散斑分量，这些散斑分量在实数和虚数艺术中是独立的。这里显示的合成孔径雷达传递函数对应于哨兵-1带状图模式。出于可视化目的，使用非线性查找表来显示强度图像。信用:达尔萨索，丹尼斯& amp图平。信用:达尔萨索，丹尼斯&图平。当高度相干的光束，如雷达发射的光束，在粗糙结构的表面(如一张纸、白色油漆或金属表面)上漫反射时，会产生随机的颗粒状效应，称为“斑点”图案。这种效应会导致强烈的波动，从而降低合成孔径雷达技术采集的图像的质量和可解释性。合成孔径雷达是一种成像方法，可以使用有限分辨率的雷达系统产生高分辨率的2D或三维图像。它经常被用来收集景观或物体重建的图像，这些图像可以用来创建地球或其他行星表面的毫米到厘米规模的模型。
为了提高合成孔径雷达数据的质量和可靠性，世界各地的研究人员一直在努力开发基于深度神经网络的技术，以减少散斑效应。虽然其中一些技术已经取得了令人鼓舞的结果，但是它们的性能仍然不是最佳的。
其中一个原因是，大多数现有模型通过监督学习过程来学习去斑点图像，这意味着它们在训练过程中也需要无斑点图像。这使得训练它们变得非常具有挑战性，因为没有斑点的合成孔径雷达图像通常是不可用的，因此需要用其他图像来制作或替换。
巴黎理工学院和里昂大学的一组研究人员最近引入了一种新的自监督学习策略，用于训练深度神经网络，以减少合成孔径雷达数据中的斑点效应。这种方法是在arXiv上预先发表的一篇论文中介绍的，并将出现在IEEE地球科学和遥感学报上。
开展这项研究的研究人员伊曼纽·达尔萨索、洛伊克·丹尼斯和弗洛伦斯·图平告诉TechXplore，“到目前为止，大多数方法都考虑了一种监督训练策略，对网络进行训练，以产生尽可能接近无斑点参考图像的输出。“通常无法获得无斑点图像，这需要求助于自然或光学图像，或者选择长时间序列中的稳定区域，以规避地面真实的缺乏。另一方面，Sel f-supervision避免使用无斑点图像
这组研究人员引入的用于训练基于深度神经网络的去斑模型的新策略被称为MERLIN (coMplex Self-supeR vised去斑)。梅林的工作原理是分离复杂合成孔径雷达图像的实部和虚部。
值得注意的是，该策略可用于训练所有类型的深度神经网络架构。与以前提出的方法相反，它是完全无监督的，允许研究人员使用单外观复杂(SLC)图像训练去斑模型。SLC图像是从原始合成孔径雷达数据生成的图像，其中单个图像像素包含振幅和相位相关信息。
研究人员在论文中写道:“与其他现有的工作相比，MERLIN不需要额外的假设，比如斑点缺乏空间相关性，或者整个时间序列的时间稳定性。”
达尔萨索、丹尼斯和图平在一系列测试中评估了他们的训练策略，发现它可以有效地用于训练各种深度去斑网络。此外，用MELIN训练的模型获得了非常有希望的结果，即使它们没有在无斑点图像上训练。
研究人员在论文中写道:“用MERLIN训练的网络考虑了特定传感器和成像模式的合成孔径雷达传递函数产生的空间相关性。“通过只需要一张图像，并可能利用大量档案，MERLIN打开了一扇通往无障碍以及大规模去斑点网络培训的大门。”
在未来，这种自我监督的学习策略可能对地质学研究和其他与地球相关的研究领域有很大的价值。事实上，它可以让研究团队更容易、更有效地训练去斑模型，提高合成孔径雷达数据的质量，而不必编译无斑点图像的大数据集。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
