Объект исследования – спекл-шум на радиолокационных изображениях. Цель работы – разработка метода удаления спекл-шума с радиолокационных изображений с помощью глубокого обучения. В работе исследованы перспективы нейросетевого подхода к фильтрации спекл-шума на радиолокационных изображениях. Создана и обучена полностью свёрточная нейронная сеть, удаляющая спекл-шум с изображений с качеством, превосходящим фильтры, не использующие машинное обучение. Проведено сравнение качества удаления шума с помощью полученной нейросети и с помощью других фильтров: медианного фильтра, фильтра Ли, фильтра Фроста, фильтра Куана, билатерального фильтра, фильтра FastNL. Показано, что на реальных радиолокационных изображениях фильтр на основе полностью свёрточной нейронной сети превосходит другие рассмотренные фильтры по степени сходства отфильтрованного изображения с исходным изображением до наложения спекл-шума. Полученную нейронную сеть можно использовать на практике для фильтрации спекл-шума на радиолокационных изображениях.

The object of the study – speckle noise on radar images. The aim of this work – to develop a method for removing speckle noise from radar images using deep learning. The paper investigates the prospects of a neural network approach to speckle noise filtering on radar images. A fully convolutional neural network that removes speckle noise from images with a quality superior to filters that do not use machine learning is created and trained. We compared the quality of noise removal using the obtained neural network and other filters: the median filter, the Lee filter, the Frost filter, the Kuan filter, the bilateral filter, the FastNL filter. It is shown that on real radar images the filter based on the fully convolutional neural network surpasses the other considered filters by the degree ofsimilarity of the filtered image to the original image before the speckle-noise overlay. The resulting neural network can be used in practice to filter speckle noise on radar images.

• СОДЕРЖАНИЕ
• ОПРЕДЕЛЕНИЯ, ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ
• ВВЕДЕНИЕ
• 1 Обзор задачи и метода решения
  • 1.1 О спекл-шуме
  • 1.2 О машинном обучении и нейронных сетях
  • 1.3 Выводы
• 2 Разработка методов решения задачи
  • 2.1 Фильтрация спекл-шума с помощью автоэнкодера
  • 2.2 Фильтрация спекл-шума с помощью полностью свёрточной нейронной сети
  • 2.3 Выводы
• 3 Анализ результатов
  • 3.1 Сравнение полностью свёрточной нейронной сети с другими методами фильтрации
  • 3.2 Выводы
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ