一种基于生成对抗网络的图像去噪方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110473154A(43)申请公布日2019.11.19(21)申请号201910700818.7(22)申请日2019.07.31(71)申请人西安理工大学地址710048陕西省西安市碑林区金花南路5号(72)发明人缪亚林贾欢欢张顺张阳程文芳卫诗宇(74)专利代理机构西安弘理专利事务所61214代理人杜娟(51)Int.Cl.G06T5/00(2006.01)权利要求书3页说明书10页附图3页(54)发明名称一种基于生成对抗网络的图像去噪方法(57)摘要本发明公开的一种基于生成对抗网络的图像去噪方法，其特征在于，包括以下步骤：步骤1：选取实验数据集；步骤2：选取高斯加性白噪声作为噪声模型；步骤3：搭建生成网络模型，训练生成器网络G用于去噪；步骤4：搭建判别网络模型，判别器D用于对输入图像进行真伪分类；步骤5：构建联合损失函数模型；步骤6：训练生成式对抗网络；步骤7：图像去噪质量评价。本发明一种基于生成对抗网络的图像去噪方法，能够达到保留更多纹理细节和边缘特征的去噪效果。CN110473154ACN110473154A权利要求书1/3页1.一种基于生成对抗网络的图像去噪方法，其特征在于，包括以下步骤：步骤1：选取实验数据集，确定与其相关的训练数据集和测试数据集；步骤2：添加噪声模型，选取高斯加性白噪声作为噪声模型；步骤3：搭建生成网络模型，训练生成器G用于去噪，输入噪声图像，生成得到去噪图像；步骤4：搭建判别网络模型，判别器D用于对输入图像进行真伪分类，输入去噪图像和真实图，对二者进行判别，输出映射到[0,1]的概率分数；步骤5：构建联合损失函数模型，即将像素损失、特征损失、对抗损失和平滑损失与适当的权值相结合，形成新的细化损失函数；步骤6：训练生成式对抗网络，通过对网络参数进行优化，找到网络性能最优的参数；步骤7：图像去噪质量评价，使用视觉评价和峰值信噪比PSNR、结构相似性SSIM两种客观评价指标作为综合评价标准，度量去噪性能。2.如权利要求1所述的一种基于生成对抗网络的图像去噪方法，其特征在于，所述步骤1中选用VOC2012数据集作为训练数据来源，通过翻转、水平旋转和垂直旋转的手段扩大数据集，使用Kodak24和CBSD100两种标准图像数据集作为测试数据来源。3.如权利要求2所述的一种基于生成对抗网络的图像去噪方法，其特征在于，所述步骤2具体包括添加σ＝15,25,35,45,55的高斯噪声，与真实图组成20000组大小为256×256的训练图像对，通过使用OpenCV中提供的RNG类，生成符合高斯分布的噪声矩阵，再将此噪声矩阵叠加到无噪图像，得到含有高斯噪声的图像。4.如权利要求3所述的一种基于生成对抗网络的图像去噪方法，其特征在于，所述步骤3中生成器G输入的是256×256的彩色图像，首先使用三个由卷积层、批量标准化、Lrelu激活函数构成的组合进行特征提取；核心去噪模块由五个残差块组成，每个残差块包含两个卷积层，批量标准化和Lrelu激活函数，使用跳跃连接提高网络的训练效率和收敛性能，跳跃连接将输入提供给深层网络；最后是三个亚像素卷积层，每个亚像素卷积层对应于网络前端的卷积层，图像的大小从64×64调整到128×128，最终图像输出大小被恢复到256×256；具体步骤如下：第一个卷积层输入256×256的彩色噪声图像，输出尺度为9*3*32*1，卷积核大小为9*9，步幅为1，BatchNorm批量标准化，LRelu激活函数；第二个卷积层输入第一层的输出特征，输出尺度为3*32*64*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；第三个卷积层输入第二层的输出特征，输出尺度为3*64*128*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；第三层的输出特征输入到第一个残差块中，输出尺度为3*128*128*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；第一个残差块的输出特征输入到第二个残差块中，输出尺度为3*128*128*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；第二个残差块的输出特征输入到第三个残差块中，输出尺度为3*128*128*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；第三个残差块的输出特征输入到第四个残差块中，输出尺度为3*128*128*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；2CN110473154A权利要求书2/3页第四个残差块的输出特征输入到第五个残差块中，输出尺度为3*128*12