技术摘要：
本发明公开了一种水色遥感影像的深度学习非邻域均值化处理方法及系统，涉及图像处理技术领域，该方法包括：采集待处理的含噪卫星水色图像；向预设的深度卷积神经网络框架的非局部均值模型输入待处理的原始图像；采用预设的深度卷积神经网络框架的非局部均值模型的N个卷  全部
背景技术：
随着计算机图像的快速发展，成像已经被广泛地应用于军事、医学、商业以及日常 生活中。在特种应用环境中，由于普通可见光图像受成像系统本身的限制，以及周围环境进 光量的限制，导致图像噪声与图像本身所含信息差距较小，成像后的图像信噪比过低，导致 目标模糊不清，甚至被背景噪声掩盖，导致在实际应用中需要对信噪比较低的图像进行图 像增强处理。 卫星图像的信噪比性能更多依赖于成像器件的动态范围，成像器件的性能制约着 卫星观测能力。为了实现卫星图像质量的整体提升，实现水色观测信噪比优于1000的指标 要求，有必要对成像过程的噪声产生环节，以及噪声抑制方法进行分析，明确信噪比提升的 相关技术手段。 目前来看，制约单画幅图像信噪比提升的主要问题在于信号/噪声的分辨需要服 从一定的先验假设，以及在复杂场景下缺乏足够的智能性，尤其是遥感影像具有画幅大、地 物类型复杂、纹理类型丰富的特点，当图像细节纹理和噪声的相似度较高时，往往在提升信 噪比的同时也过多地平滑了地物细节成分而影响图像的空间分辨率。 首先，直方图均衡法是提高图像对比度和扩大灰度的动态范围最有效的方法之 一，但是由于该算法在统计概率分布时对处理的数据不加选择，可能会增加背景和噪声的 对比度并且降低目标信号的对比度，使得变换后图像的灰度值减少，导致某些细节消失，致 使最终显示的图像不清楚；其次，随着模式识别与机器学习的不断发展，基于机器学习的信 噪比提升方法被提出来，通过建立可靠的训练样本集，使滤波器能够自适应地学习各种复 杂场景下的噪声分布规律，使用机器学习的信噪比提升方法具有更强的适应性和鲁棒性， 但由于监测仪光学孔径、探测器灵敏度和一次曝光时间有限，导致成像SNR偏低的现状。 因此，亟需一种图像处理方法，能够消除随机噪声，抑制卫星图像在低照度情况 下，背景和噪音对成像的影响。
技术实现要素：
有鉴于此，本发明提供了一种水色遥感影像的深度学习非邻域均值化处理方法及 系统，其中，在深度卷积网络模型的基础上，增加非局部均值模块，能够有效的消除随机噪 声，抑制卫星图像在低照度情况下，背景和噪音对成像的影响。 本申请所提供的一种水色遥感影像的深度学习非邻域均值化处理方法，包括： 采集待处理的原始图像，原始图像为含噪卫星水色图像； 向预设的深度卷积神经网络框架的非局部均值模型输入待处理的原始图像； 采用预设的深度卷积神经网络框架的非局部均值模型的N个卷积层中的第一层的 4 CN 111553860 A 说　明　书 2/10 页 卷积核对原始图像进行卷积处理，得到原始图像的初始图像特征，N为大于17的正整数； 采用预设的深度卷积神经网络框架的非局部均值模型的N个卷积层中的第二层的 卷积核至第六层的卷积核对初始图像特征进行卷积处理，得到第一图像特征； 采用预设的深度卷积神经网络框架的非局部均值模型的N个卷积层中的第七层的 卷积核对第一图像特征进行卷积处理，得到第二图像特征； 采用预设的深度卷积神经网络框架的非局部均值模型的N个卷积层中的第八层的 卷积核至第十六层的卷积核对第二图像特征进行卷积处理，得到第三图像特征； 采用预设的深度卷积神经网络框架的非局部均值模型的N个卷积层中的第十七层 至第十八层的卷积核对第三图像特征进行卷积处理，输出网络学习后的与原始图像对应的 噪声图像； 对噪声图像和原始图像进行叠加处理，得到去噪后的图像。 可选地，第一层为特征提取层，使用了64个3×3×c的卷积核，且第一层采用了线 性整流函数进行有效特征选择，其中，c为图片通道数，且c＝3。 可选地，第二层至第六层，每层均使用3×3×64的卷积核，在卷积层和线性整流函 数之间加入归一化层对初始图像特征的分布进行归一化处理。 可选地，第七层为非局部均值模块，用于增加第一图像特征的空间语义信息。 可选地，非局部均值模块的计算公式为： 其中，xi为第一图像特征，yi为第二图像特征，f(xi, yj)为图像上位置i处像元与其他位置处像元之间的相似性关系，g(xj)为输入信号在位置j 处的特征值，c(x)为归一化系数。 可选地，第八层至第十六层中，每层均使用3×3×64的卷积核，在卷积层和线性整 流函数之间加入归一化层对第二图像特征分布进行归一化处理。 可选地，第十八层为图像重建层，使用c个3×3×64的卷积核，用于增加第三图像 特征的空间语义信息，c为图片通道数。 可选地，对噪声图像和原始图像进行叠加处理，得到去噪后的图像，包括： 对原始图像进行处理，获取原始图像对应的像素点的灰度数据； 将原始图像对应的像素点的灰度数据减去网络学习后的噪声图像对应的像素点 的灰度数据，得到原始图像对应的去燥后的图像。 本申请还提供一种水色遥感影像的深度学习非邻域均值化处理系统，包括： 采集模块，用于采集待处理的原始图像，原始图像为含噪卫星水色图像； 计算模块，用于向预设的深度卷积神经网络框架的非局部均值模型输入待处理的 原始图像； 处理模块一，用于采用预设的深度卷积神经网络框架的非局部均值模型的N个卷 积层中的第一层的卷积核对原始图像进行卷积处理，得到原始图像的初始图像特征，N为大 于17的正整数； 处理模块二，用于采用预设的深度卷积神经网络框架的非局部均值模型的N个卷 积层中的第二层的卷积核至第六层的卷积核对初始图像特征进行卷积处理，得到第一图像 特征； 5 CN 111553860 A 说　明　书 3/10 页 处理模块三，用于采用预设的深度卷积神经网络框架的非局部均值模型的N个卷 积层中的第七层的卷积核对第一图像特征进行卷积处理，得到第二图像特征； 处理模块四，用于采用预设的深度卷积神经网络框架的非局部均值模型的N个卷 积层中的第八层的卷积核至第十六层的卷积核对第二图像特征进行卷积处理，得到第三图 像特征； 处理模块五，用于采用预设的深度卷积神经网络框架的非局部均值模型的N个卷 积层中的第十七层至第十八层的卷积核对第三图像特征进行卷积处理，输出网络学习后的 与原始图像对应的噪声图像； 输出模块，用于对噪声图像和原始图像进行叠加处理，得到去噪后的图像。 与现有技术相比，本发明提供的一种水色遥感影像的深度学习非邻域均值化处理 方法及系统，至少实现了如下的有益效果： 1、本申请所提供的水色遥感影像的深度学习非邻域均值化处理方法及系统中，采 用深度卷积神经网络模型结合非局部均值方法，能够在深度卷积神经网络模型得到特征图 像的基础上，增加特征图像的空间语义信息，使得特征图像清晰度高，而且不丢失细节。 2、本申请所提供的水色遥感影像的深度学习非邻域均值化处理方法及系统中，采 用深度卷积神经网络框架的非局部均值模型，能够提高非监督性的图像信噪比，使学习的 过程中滤波器能够自适应地学习各种复杂场景下的噪声分布规律，具有更强的适应性和鲁 棒性。 3、本申请所提供的水色遥感影像的深度学习非邻域均值化处理方法及系统中，采 用非局部均值模型，区别于传统的基于局部窗口的特征提取方法，利用了自然图像中不同 区域的相似性关系去噪声进行抑制，根据相似度进行区域的加权平均得到结果，能够将传 统的图像处理方法中的非局部均值思想引入视频分类任务中，综合考虑了不同空间和时间 位置上特征的关系，能够取得良好的效果。 4、本申请所提供的水色遥感影像的深度学习非邻域均值化处理方法及系统中，采 用深度卷积神经网络，能够克服由于自然图像中景物多样，特征复杂，造成学习难度较大的 学习网络，通过残差学习获取简单的噪声分布映射，能够降低网络学习的难度，消除随机噪 声，抑制卫星图像在低照度情况下，背景和噪音对成像的影响。 当然，实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。 通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其 优点将会变得清楚。 附图说明 被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连 同其说明一起用于解释本发明的原理。 图1示出了本申请实施例所提供的一种水色遥感影像的深度学习非邻域均值化处 理方法的流程图； 图2示出了本申请实施例所提供的非局部均值模块的网络结构图； 图3示出了本申请实施例所提供的又一种水色遥感影像的深度学习非邻域均值化 处理方法的流程图； 6 CN 111553860 A 说　明　书 4/10 页 图4示出了本申请实施例所提供的一种水色遥感影像的深度学习非邻域均值化处 理系统的结构示意图。