基于注意力机制的多级小波CNN遥感图像去噪算法

高质量的卫星遥感图像对计算机视觉任务来说尤为重要，在去噪模型中，感受野大小和效率之间的权衡是去噪任务的一个关键问题。普通卷积网络(CNN)通常以牺牲计算成本为代价来扩大感受野。通道注意力机制可以保证去噪性能的同时尽量减少计算成本，本文中提出了一种新的基于注意力机制的多级小波CNN模型，以更好地平衡感受野大小和计算效率。在改进U-Net结构的基础上，引入小波变换来减小收缩子网络中特征图的大小。此外，通过通道注意力机制进一步优化模型，使对噪声成分的提取更加有针对性。实验采用峰值信噪比(PSNR)和结构相似性(SSIM)两项评价指标对实验结果进行量化评判，在高斯噪声标准差为15，25，30时，较DNCNN，FFDNET等方法在PSNR值上平均提高10%左右，图像细节清晰，能有效地保护遥感图像边缘特征。

近年来，卫星图像处理因其在广泛应用场景中的特殊价值而受到广泛关注[1] [2] (例如，时间跨度比较研究、土地覆盖分类、自然灾害预警、城市经济水平评估、资源勘探等)。但是在采集、传输、存储、显示的过程中，由于传感器因素、环境因素、人为因素等影响，会导致采集的信息有或多或少的损失， 导致图像失真而变得模糊， 严重影响图像的质量， 从而对后续计算机视觉任务[3] [4]的准确性带来负面影响。因此，本文主要讨论如何以经济高效的方式消除图像噪声以提供高质量的卫星遥感图像。在传统的去噪模型[5] [6] [7]中，都是在空间域进行处理，光学遥感图像在空间域的恢复方法通常是将高频部分和低频部分同时处理，这是不合适的。由于一些典型的噪声(如椒盐噪声)都与高频部分有关。因此，对图像不同频率部分进行分别处理是解决图像去噪问题的一个好方法。小波变换[8]在频域中对图像进行处理已经被证明是一种非常有效的图像恢复方法。一般来说，更大的感受野可以更好的考虑更多的空间上下文来提高图像恢复效果。对于没有池化的CNN，感受野大小可以通过增加网络深度或使用更大尺寸的滤波器来放大，然而，这通常会导致计算成本更高。因此，在避免增加计算负担和潜在的性能牺牲的同时， 应该小心使用大的感受野。注意力机制(AM)最初被用于机器翻译，现在已成为神经网络领域的一个重要概念。在人工智能(Artificial Intelligence, AI)领域，注意力模型已成为神经网络结构的重要组成部分，并在自然语言处理、统计学习、语音和计算机等领域有着大量的应用。对于输入2 维图像的CNN 来说，一个维度是图像的尺度空间，即长宽，另一个维度就是通道，因此基于通道的注意力机制可以通过建模各个特征通道的重要程度，然后针对不同的任务增强或者抑制不同的通道来减少计算成本，并以此来获得更大的感受野。

本文提出了一种带有注意力机制的多级小波CNN 模型， 以扩大感受野， 从而在性能和效率之间进行更好的权衡。本文模型由一个可处理子网络和一个可扩展子网络组成。用离散小波变换以取代每个池化