{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,9,3]]，“日期-时间”：“2024-09-03T12:41:11Z”，“时间戳”：1725367271478}，“引用-计数”：43，“发布者”：“MDPI AG”，“问题”：“4”，“许可证”：[{“开始”：{“日期-零件”：[2021,2,19]]，”日期-时间“：”202 1-02-19T00:00:00Z“，”时间戳“：1613692800000}，“内容版本”：“vor”，“延迟天数”：0，“URL”：“https://creativecommons.org/licenses\/by\/4.0\/”}]，“资助者”：[｛“DOI”：“10.13039\/501100011710”，“名称”：“陕西省科技厅”，“DOI断言者”：“发布者”，“奖项”：[“2019ZDLGY13-01”]，“id”：[｛“id”：“10.13039\/501100011710”，“id type”：“DOI”，“断言者”：发布者“｝]｝]，“content-domain”:{“domain”：[]，“crossmark-restriction”：false}，“short-container-title”：[“遥感”]，“abstract”：“提出了一种用于合成孔径雷达（SAR）图像去噪的多尺度多方向Contourlet卷积神经网络（CCNN）。SAR图像分辨率不高于光学图像。如果盲目增加网络深度，SAR图像细节信息流将变得非常微弱，从而导致严重的消失/爆炸梯度。本文构造了一种多尺度、多方向卷积神经网络，用多流结构代替卷积层的单流结构，提取具有多方向、多尺度特性的图像特征，从而显著提高了去噪性能。在Contourlet的帮助下，CCNN设计了多个独立的子网络，分别捕获图像在一定频率和方向带上的抽象特征。CCNN可以通过增加子网络的数量来增加卷积层的数量，这使得CCNN不仅有足够的卷积层来捕获SAR图像特征，而且还克服了网络加深导致的梯度消失/爆炸的问题。对合成和真实SAR图像的大量定量和定性评估表明，与最先进的斑点抑制方法相比，我们提出的方法具有优势<\/jats:p>“，”DOI“：”10.3390\/rs13040764“，”type“：”期刊文章“，”已创建“：｛”日期部分“：[[2021,2,19]]，”日期时间“：”2021-02-19T14:06:10Z“，”时间戳“：161374357000000｝，”page“：”764“，”source“：”Crossref“，”由count引用“：14，”title“：[”Contourlet CNN for SAR Image Deseckling“]，”prefix“：”10.3390“，”volume“：”13“，”author“：[｛”ORCID“：”http:\/\/orcid.org\/00000-0003-0726-3164“，”authenticated-orcid“：false，”given“：”Gang“，”family“：”Liu“，”sequence“：”first“，”affiliation“：[{”name“：”西安电子科技大学计算机科学与技术学院，Xi\u2019an 710071，中国“}]}，{“given”：“Hongzhaoning”，“family”：“Kang”，“sequence”：“additional”，“affiliation:”[{“name”：“”西电大学计算机科学与技术学院，西电2019an 710071，中国“}]}，{“given”：“Quan”，“family”：“Wang”，“sequence”：“additional”，“affiliation”：[{“name”：“School of Computer Science and Technology，Xi\u2019an 610071，China”}]}，}“giving”：“Yumin”，“家庭”：“Tian”，“序列”：“附加”，“从属关系”：[}“name“：”西电大学计算机科学与技术学院，西电2019an 710071，中国“}]}，{“given”：“Bo”，“family”：“Wan”，“sequence”：“additional”，“affiliation”：[{“name”：“西电大学计算科学与技术院，西电710071”}]}]，“member”：“1968”，“published on”：{“date-parts”：[2021,2,19]}、“reference”：[}“key”：ref_1“，”doi-asserted-by“：”crossref“，“first page”：“6484”，“doi”：“10.1109\/TGRS.2019.2906412”，“article-title”：“Guided Patchwise Non-local SAR Despeckling”，“volume”：”57“，“author”：“Vitale”，“year”：“2019”，“journal-title“：”IEEE Trans。地质科学。遥感器“}，{”key“：”ref_2“，”doi-asserted-by“：”crossref“，”first page“：“165”，”doi“：”10.1109\/TPAMI.1980.4766994“，”article-title“：”使用局部统计数字图像增强和噪声过滤“，”volume“:”2“，”author“：”Lee“，”year“：”1980“，”journal-title”：“IEEE Trans.Pattern Anal.Mach.Intell.”}，”{“key”：“ref_3”，“doi-assert-by”：“”crossref“，”first page“：”165“，“DOI”：“10.1109\/TPAMI.1985.4767641”，“article-title”：“带信号相关噪声图像的自适应噪声平滑滤波器”，“volume”：“7”，“author”：“Kuan”，“year”：“1985”，“journal-title“：”IEEE Trans。模式分析。机器。智力。“}，{”key“：”ref_4“，”doi-asserted-by“：”crossref“，”first page“：“157”，”doi“：”10.1109\/TPAMI.1982.4767223“，”article-title“：”雷达图像模型及其在乘法噪声自适应数字滤波中的应用“，”volume“：doi-asserted-by“：”crossref“，”first page“：”711“，”doi“：”10.1109\/TGRS.2003.821885“，”article-title“：”基于同态小波的SAR图像统计去噪“，”volume“：“42”，“author”：“Solbo”，“year”：“2004”，“journal-title”：“IEEE Trans。地质科学。遥感器“}，{”key“：”ref_6“，”doi-asserted-by“：”crossref“，”first page“：“88243”，”doi“：”10.1109\/ACCESS.2019.2924674“，”article-title“：”An Adaptive Contourlet HMM-PCNN Model of Sparse representation for Image Denoising“，”volume“:”7“，”author“：”Yang“，”year“：”2019“，”journal title“：“IEEE ACCESS”}，”{“key”：“ref_7”，“doi-assert-by”：“crossref”，“首页”：“083604“，“DOI”：“10.1117\/1.JRS.8083604”，“article-title”：“基于Contourlet变换的合成孔径雷达图像去噪的两种新方法”，“volume”：“8”，“author”：“Kiani”，“year”：“2014”，“journal-title“：”J.Appl。遥感“}，{”key“：”ref_8“，”doi-asserted-by“：”crossref“，”first page“：“2001”，”doi“：”10.1109\/TGRS.2011.2169679“，”article-title“：”基于高斯\u2013Markov和自回归Gibbs随机场的贝叶斯去啄和纹理提取方法评估：在Terra SAR-X数据中的应用“，”volume“：50”，“author”：“Gleich”，“year”：“2012”，“journal-title“：”IEEE Trans。地质科学。遥感器“}，{”key“：”ref_9“，”doi-asserted-by“：”crossref“，”first page“：“17792”，”doi“：”10.1109\/ACCESS.2020.2965173“，”article-title“：”SAR图像去噪的双组分深度学习网络“，”volume“:”8“，”author“：”Gu“，“year”：“2020”，“journal-title”：“IEEE ACCESS”}，”{“key”：“ref_10”，“doi-asserted-by”：“Crosref”，“”第一页“：”2661“，”doi“：”10.1109\/TIP.2009.2029593“，”article-title“：”基于概率补丁权重的迭代加权最大似然去噪“，”volume“：”18“，”author“：”Deledale“，”year“：”2009“，”journal-title”：“IEEE Trans。图像处理。“｝，｛”key“：”ref_11“，”doi asserted by“：”crossref“，”first page“：”6181“，”doi“：”10.1109\/TGRS.2013.2295431“，”文章标题“：”合成孔径雷达图像的两步多时相非局部均值“，”volume“：”52“，”author“：”Xin“，”year“：”2014“，”期刊标题“：”IEEE Trans.Geosci.Remote Sens“｝，｛”key“：”ref_12“，”doi asserted by“：”crossref“，”first page“：”2021年”，“DOI”：“10.1109\/TGRS.2014.2352555”，“文章标题”：“NL-SAR：SAR去噪中分辨率保留（pol）的统一非本地框架”，“卷”：“53”，“作者”：“Deledale”，“年份”：“2015”，“期刊标题”：”IEEE Trans。地质科学。Remote Sens“｝，｛”key“：”ref_13“，”doi asserted by“：”crossref“，”首页“：”606“，”doi“：”10.1109\/TGRS.2011.2161586“，”文章标题“：”基于LLMMSE小波收缩的非局部SAR图像去噪算法“，”卷“：”50“，”作者“：”Parrilli“，”年份“：”2012“，”期刊标题“：”IEEE Trans.Geosci.Remote Sens“｝，｛”key“：”ref_14“，”doi asserted by“：”crossref”，“非结构化”：“Chierchia，G.、Cozzolino，D.、Poggi，G.和Verdoliva，L.（2017）。基于卷积神经网络的SAR图像去噪。arXiv公司。“，”DOI“：”10.1109\/IGARSS.2017.8128234“}，{”key“：”ref_15“，”DOI-asserted-by“：”crossref“，”first page“：“1763”，“DOI”：“10.1109\/LSP.2017.2758203”，“article-title”：“利用卷积神经网络进行SAR图像去噪”，“volume”：“24”，“author”：“Wang”，“year”：“2017”，“journal-title“：”IEEE Signal Process Lett.“}”，{“key”：”ref _16“，”DOI-asserted-by“：”crossref”，“非结构化”：“Zhang，Q.，Yuan，Q.、Li，J.、Yang，Z.和Ma，X.（2018）。学习用于SAR图像去噪的扩张残差网络。遥感，10.“，”DOI“：”10.3390\/rs10020196“}，{“key”：“ref_17”，“DOI-asserted-by”：“crossref”，“首页”：“7483”，“DOI”：“10.1080\/0143116.2018.1471539”，“article-title”：“Sar Despeckling Neural Network with Logarithmic Convolutional Product model”，“volume”：”39“，“author”：“Yue”，“year”：“2018”，“journal-title“：”Int.J.Remote Sens.“}，{“键”：“参考_18”，“doi-asserted-by“：”crossref“，”unstructured“：”Lattari，F.、Leon，B.G.和Asaro，F.（2019）。SAR图像去啄蚀深度学习。J.Remote Sens.，11.“，”DOI“：”10.3390\/rs11131532“}，{“key”：“ref_19”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cozzolino，D.，Verdoliva，L.，Scarpa，G.，and Poggi，G.（2020）。非本地CNN SAR图像去啄。Remote Sens.，12.”，“DOI”：“10.3390\/rs12061006”}，“key“：”ref_20”，“首页”：“1097”，“article-title”：“ImageNet分类与深度卷积神经网络”，“卷”：“25”，“作者”：“Krizhevsky”，“年份”：“2012年”，“期刊标题”：“高级神经信息处理”。系统。“}，{”key“：”ref_21“，”doi-asserted-by“：”crossref“，”unstructured“：”He，K.，Zhang，X.，Ren，S.，and Sun，J.（2016年1月27日\u201330）。图像识别的深度剩余学习。美国内华达州拉斯维加斯IEEE计算机视觉与模式识别会议论文集。“doi”：“10.1109\/CVPR.2016.90”}，”{“key”：“ref_22”，“doi-asserted-by“：”crossref“，”unstructured“：”Ronneberger，O.，Fischer，P.，and Brox，T.（2015年1月5日\u20139）。U-net：生物医学图像分割的卷积网络。国际医学图像计算和计算机辅助干预会议论文集，德国慕尼黑。“，”DOI“：”10.1007\/978-3-319-24574-4_28“}，{”key“：”ref_23“，”DOI-asserted-by“：”crossref“，”unstructured“：”Huang，G.，Liu，Z.，Weinberger，K.，and Maaten，L.（2017，January 21\u201326）.密集连接卷积网络.2017 IEEE计算机视觉与模式识别会议论文集，美国HI檀香山，“DOI”：“10.1109\/CVPR.2017.243“}，{“key”：“ref_24”，“doi-asserted-by”：“crossref”，“first-pages”：“33”，“doi”：“10.1016\/j.image.2017.05.001”，“article-title”：“图像去噪沿边缘方向搜索相似块”，“volume”：”57“，“author”：“Liu”，“year”：“2017”，“journal-title“：”Signal Process-image“}”，{”key“ref_25”，“doi-asserte-by”：“crossref”，“首页”：“107110“，“DOI”：“10.1016\/j.patcog.2019.107110”，“article-title”：“用于极化SAR图像分类的复杂轮廓CNN”，“volume”：“100”，“author”：“Li”，“year”：“2020”，“journal-title“：“Pattern Recognit”。“}，{”key“：”ref_26“，”first-page“：”184“，”article-title“：”Learning a Deep Convolution Network for Image Super-resolution“，“volume”：“8692”，“author”：“Dong”，“year”：“2014”，“journal-title”：“Eur.Conf.Comput.Vision”}，“key”：”ref.27“，“doi-asserted-by”：“crossref”，“unstructured”：“Long，J.，Shelhamer，E.，and Darrell，T.（2015年1月7日\u201312）语义分割的完全卷积网络。IEEE计算机视觉和模式识别会议论文集，美国马萨诸塞州波士顿”，“DOI”：“10.1109\/CVPR.2015.7298965”}，{“key”：“ref_28”，“DOI-asserted-by”：“crossref”，“unstructured”：“Gatys，L.A.，Ecker，A.S.，and Bethge，M.（2016年1月27日\u201330）.使用卷积神经网络进行图像风格转换。美国内华达州拉斯维加斯IEEE计算机视觉与模式识别会议论文集，“DOI”：“10.1109\/CVPR.2016.265”｝，｛“key”：“ref_29”，“DOI断言”：“crossref”，“非结构化”：“Johnson，J.，Alahi，A.，and FeiFi，L.（2016年1月8日\u201316）.实时风格转换和超分辨率的感知损失。《欧洲计算机视觉会议记录》，荷兰阿姆斯特丹。“，”DOI“：”10.1007\/978-3-319-46475-6_43“}，{”key“：”ref_30“，”DOI-asserted-by“：”crossref“，”unstructured“：”Deng，J.，Dong，W.，Socher，R.，LiJia，L.，and FeiFei，L.（2009年1月20日\u201325）。Imagenet:大型层次图像数据库。IEEE计算机视觉与模式识别会议论文集，美国佛罗里达州迈阿密。“DOI“：”10.1109\/CVPR.2009.5206848“}，{“key”：“ref_31”，“DOI-asserted-by”：“crossref”，“first page”：”1004“，“DOI”：“10.1109\/TIP.2016.2631888”，“article-title”：“滑铁卢勘探数据库：图像质量评估模型的新挑战”，“volume”：：“26”，“author”：“Ma”，”year“2017”，“journal-title“：”IEEE Trans.Image Process.“}”，{”key“ref_32“，”doi-asserted-by“：”crossref“，”unstructured“：”Yang，Y.和Newsam，S.（2010年1月2日\u20135）。土地利用分类的视觉词汇和空间扩展。第18届SIGSPATIAL地理信息系统进展国际会议论文集，美国加利福尼亚州圣何塞”，“DOI”：“10.1145\/1869790.1869829”}，{“key”：“ref_33”，“first-page”：“472”，“article-title”：“UCID\u2014An Uncompressed Colour Image Database”，“volume”：《5307》，“author”：“Schaefer”，“year”：“2004”，“journal-title:”存储回收。方法应用。Multimed公司。“}，{”key“：”ref_34“，”doi-asserted-by“：”crossref“，”unstructured“：”Isola，P.，Zhu，J.Y.，Zhou，T.，and Efros，A.A.（2016）.使用条件对抗网络进行图像到图像的翻译.arXiv.“，”doi“：”10.1109\/CVPR.2017.632“}”，{2017年）PatternNet：遥感图像检索性能评估的基准数据集。arXiv公司。“，”DOI“：”10.1016\/j.ispsjprs.202018.01.004“｝，｛”key“：”ref_36“，”非结构化“：”Kingma，D.和Adam，j.B.（2015年1月7日\u20139）。随机优化方法。第三届学习表征大会论文集，ICLR 2015，美国加利福尼亚州圣地亚哥。“｝，｛”key“：”ref_37“，”非结构化“：”Gloot，X.、Bordes，A.和Bengio，Y.（2011年1月11日\u201313）。深度稀疏整流器神经网络。《第14届人工智能与统计学报》（AISTATS），美国佛罗里达州劳德代尔堡。“}，{”key“：”ref_38“，”doi-asserted-by“：”crossref“，”first page“：“600”，”doi“：”10.1109\/TIP.2003.819861“，”article-title“：”图像质量评估：从错误可见性到结构相似性“，”volume“：13”，”author“：”Wang“，”year“：”2004“，”journal-title“：”IEEE Trans。图像处理。“}，{”key“：”ref_39“，”doi-asserted-by“：”crossref“，”first-page“：”2117“，”doi“：”10.1109\/TIP.2005.859389“，“article-title”：“使用自然场景统计进行图像质量评估的信息保真度标准”，“volume”：“14”，“author”：“Bovik”，“year”：“2005”，“journal-title“：”IEEE Trans.Image Process.“}”，{“key”：”ref_40“，“doi-assert-by”：“”交叉参考“，”首页”：“209”，“DOI”：“10.1109\/LSP。2012.2227726”，“文章标题”：“制作\u2018全盲\u2019图像质量分析仪”，“卷”：“20”，“作者”：“Mittal”，“年份”：“2012”，“期刊标题”：“IEEE信号处理。莱特。“}，{”key“：”ref_41“，”doi-asserted-by“：”crossref“，”first-page“：”24“，”doi“：”10.1016\/S0146-664X（81）80005-6“，”article-title“：”合成孔径雷达图像的散斑分析与平滑“，”volume“：“crossref”，“unstructured”：Dalsasso，E.、Yang，X.L.和Denis，L.（2020年）。基于深度神经网络的SAR图像去噪：从预训练模型到端到端训练策略。遥感，12.“，”DOI“：”10.3390\/rs12162636“}，{“key”：“ref_43”，“DOI-asserted-by”：“crossref”，“unstructured”：“Pan，T.，Peng，D.，and Yang，W.（2019）.使用预训练卷积神经网络模型的SAR图像去啄滤波器.遥感，11.”，“DOI”：“10.3390\/rs11202379”}]，“container-tile”：[“遥感”]，“original-title”：[]，“语言“：”en“，”链接“：[{”URL“：”https:\/\/www.mdpi.com//2072-4292\/13\/4\/764\/pdf“，”内容类型“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2024,7,8]]，”date-time“：”2024-07-08T11:51:27Z“，”timestamp“：1720439487000}，”score“：1，“资源”：{“主资源”：}“URL”：”https:\/\/www.mdpi.com\/2072-4292\/13\/4\/764“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期parts“：[2021,2,19]]}，“引用计数”：43，“日志发布”：{“发布”：“4”，“发布在线”：{“日期parts”：[2021,2]}}、“替代id”：[“rs13040764”]，“URL”：“http://\/dx.doi.org\/10.3390\/rs13040764“，”关系“：{}，”ISSN“：[”2072-4292“]，”ISSN-type“：[{”value“：“2072-4292”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[2021,2,19]]}}