卷积神经网络与引导滤波在SAR图像去噪中的应用

1：实验设计与方法选择：

该算法结合了基于模型的优化和判别学习，采用在不同噪声水平下训练的CNN去噪器，并通过基于引导滤波的融合（GFF）进行整合。使用半二次分裂算法和交替方向乘子法（ADMM）进行优化。

2：样本选择与数据来源：

训练数据集由400张伯克利分割数据集图像（尺寸180×180）组成，转换为灰度图并裁剪为35×35的小块，选取12,000个小块用于训练。通过向干净的SAR图像添加方差为0.04、0.05和0.06的高斯噪声来生成模拟SAR图像。同时使用TerraSar-X的真实SAR图像进行测试。

3：05和06的高斯噪声来生成模拟SAR图像。同时使用TerraSar-X的真实SAR图像进行测试。 实验设备与材料清单：

3. 实验设备与材料清单：去噪器模型训练平台为Matlab R2014b，CNN工具箱为MatConvnet（MatConvnet-1.0-beta24），GPU平台为Nvidia Titan X和Quadro K6000。

4：0-beta24），GPU平台为Nvidia Titan X和Quadro K6000。 实验步骤与操作流程：

4. 实验步骤与操作流程：包括对原始SAR图像进行同态滤波得到y；训练CNN先验去噪器；初始化xk = y；用五个CNN去噪器（噪声水平5、10、15、20、25）对xk去噪得到zk1-zk5；通过GFF融合zk1-zk5得到zf；迭代更新zk和xk+1直至收敛；指数变换得到最终去噪图像。

5：25）对xk去噪得到zk1-zk5；通过GFF融合zk1-zk5得到zf；迭代更新zk和xk+1直至收敛；指数变换得到最终去噪图像。 数据分析方法：

5. 数据分析方法：评估指标包括峰值信噪比（PSNR）、等效视数（ENL）、边缘保持指数（EPI）、结构相似性指数测量（SSIM）和无辅助度量（UM）。