买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京理工大学;北京理工大学重庆创新中心申请的专利一种基于自监督学习的SAR图像的去噪方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116503266B 。

龙图腾网通过国家知识产权局官网在2026-04-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310248972.1，技术领域涉及：G06T5/70；该发明授权一种基于自监督学习的SAR图像的去噪方法是由师皓;尹逸斐;盛青青;陈亮;王裕沛;龙腾设计研发完成，并于2023-03-15向国家知识产权局提交的专利申请。

本一种基于自监督学习的SAR图像的去噪方法在说明书摘要公布了：本发明提供了一种基于自监督学习的SAR图像去噪方法，包括构建SAR噪声图像模型；构建最小化经验损失函数L；设计相邻同向子采样器；将噪声图像对作为输入和目标，修改经验风险最小化任务，构建自监督SAR图像去噪网络；设计多特征损失函数；使用上述方法，对SAR‑CNN去噪网络进行训练；将待去噪的SAR图像变换到log域后输入到网络中进行去噪，再通过反log变换得到输出图像。相比于现有技术，本发明可以迁移到任何现有的去噪网络上，实现在没有干净目标的情况下进行训练实现自监督去噪，并且本方法显著抑制了散斑噪声，同时可靠地保留了图像纹理细节等特征，解决了目前散斑数据和真实SAR图像自监督去噪实用性较差的问题。

本发明授权一种基于自监督学习的SAR图像的去噪方法在权利要求书中公布了：1.一种基于自监督学习的SAR图像的去噪方法，其特征在于，包括： S1、获取SAR图像，并构建SAR噪声图像模型，通过观测获取SAR图像，所述SAR图像包括带有散斑噪声的噪声图像和底层无散斑的干净图像，并用乘法模型表示为： 其中，Y表示为所述噪声图像，X表示为所述干净图像，表示两个矩阵的元素乘积，N表示散斑噪声，并将所述噪声图像转换到log域进行去噪，将乘性噪声转化为加性噪声： 又由于散斑噪声分布具有单位均值，有； S2、构建最小化经验损失函数用于训练所述SAR图像，通过所述最小化经验损失函数L来训练去噪网络需要的多对噪声图像和干净图像，其式表示为： 上式等价于： 通过对噪声图像和干净图像进行对数域变换后，上式表示为： ； S3、设计相邻同向子采样器，将所述SAR图像通过所述相邻同向子采样器生成噪声图像对，包括S301、将所述噪声图像划分为个补丁，其中是块大小； S302、横向或纵向地随机提取的补丁的两个像素，两个像素满足相邻且方向相同的条件，它们分别作为子采样器的第个元素； S303、对于个补丁，重复S302获得大小为的噪声图像对； S4、将生成的噪声图像对，作为网络训练的输入与目标，修改经验风险最小化任务，构建自监督SAR图像去噪网络，包括S401、通过所述相邻同向子采样器对噪声图像采样，获取包含相同底层干净目标的图像对，并从单个噪声图像中生成噪声图像对； S402、根据散斑噪声具有相同均值的特性，因此被采样的图像对和噪声图像对分布具有相同的期望值，即： S403、将输入条件目标分布的分布替换为具有相同的期望值的任意分布时，网络训练的最优参数θ也保持不变，因此采用零均值将经验风险最小化任务修改为： ； S5、设计多特征损失函数用于保留所述SAR图像纹理细节，包括S501、为满足散斑的乘法特性，并加快收敛速度，采用MSE进行对数标度，得到第一正则项，表示为： 其中，g1logy和g2logy分别是子采样器生成的第一噪声图像对和第二噪声图像对，fθg1logy和fθg2logy是由所述去噪网络得到的第一噪声图像和第二噪声图像； S502、添加第二正则项对第一噪声图像对、第二噪声图像对、第一噪声图像及第二噪声图像对进行补偿： 其中，是用于训练的去噪网络模型，和分别表示两个子采样器； S503、添加第三正则项以提高去噪图像质量： 其中，表示VGG网络，表示大小的特征图； S504、将第一正则项、第二正则项及第三正则项相加，并配以比例系数，得到SAR图像去噪网络的损失函数： ； S6、基于步骤S1-S5，对所述SAR图像去噪网络进行训练，得到去噪后的SAR图像。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学;北京理工大学重庆创新中心，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。