在目标识别、对象追踪和图像分类等领域，对高质量合成孔径雷达图像(SAR image)的需求十分迫切。然而，合成孔径雷达图像的质量天生就会受到多重信道噪声的影响，这极大地阻碍了图像的应用。
2017年以来，基于深度学习的方法能很好地学习噪声图像和无噪声图像之间的底层映射，然而，与光学图像训练不同的是，在现实中无法直接获得无噪声的SAR图像。为了产生训练对，一般是利用乘性噪声模型的光学图像来模拟噪声SAR图像，这就产生了一个问题:在模拟过程中需要固定添加噪声的统量。一旦要添加的噪声是固定的，深度学习模型只能学习固定类型的噪声分布，这会导致过度平滑(oversmo-othing)或过于注重某些细节(fake details)而失去了泛化性。因此，使深度学习模型具有自校正能力，是实现SAR图像去噪优越性的关键。
该论文引入了纹理层次图(TLM)的概念，设计了一个双分量深度学习网络来解决上述问题。TLM是一种热图，它显示了图像的模式分布的随机性、均匀性和比例尺。该网络由两个子网组成，即纹理估计子网和噪声去除子网。前者用于生成TLM，后者用于根据原始SAR图像和相应的TLM去除噪声。
2.Method A.纹理层次图与测量光学图像去噪结果的质量不同，SAR图像中真实的去噪图像是不可获取的。因此，相比于结构相似度指数(SSIM)和峰值信噪比(PNSR)，等效视数(ENL)是评价SAR图像去噪方法最常用的指标。但由于过平滑滤波器可以获得相对较高的ENL，因此只使用ENL作为评价指标是不够的。该论文使用的评价指标是灰度共生矩阵(GLMC)的二阶统计量，即同质性(homogen-eity)。纹理图案越随机，其同质性越低。利用固定尺寸和步长的滑动窗口策略，可以计算出图像的局部同质性。然后，用双三次插值对局部同质性进行采样，恢复到原始图像的大小。最后的输出为图像的纹理级映射(TLM)。
B.双分量深度学习网络 为了将TLM嵌入到网络中，该论文设计了一个双分量的深度学习网络。FCNe(全卷积网络)为纹理估计子网，FCNd为去噪子网。FCNe将噪声图像作为输入，输出与噪声图像大小相同的TLM。然后，将TLM和噪声图像连接起来，形成FCNd的双通道输入，输出最终的滤波结果。网络架构如图1所示。
由于美满的水池在服务器上，全文内容详见：http://bbit.vip/service/main.php?version=1&type=article&id=6