一种基于生成对抗网络的水下图像去噪方法.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CN109993710A(43)申请公布日2019.07.09(21)申请号201910211120.9(22)申请日2019.03.20(71)申请人西北工业大学地址710072陕西省西安市友谊西路127号(72)发明人冯晓毅蒋晓悦夏召强李磊黄东张晓彪(74)专利代理机构西北工业大学专利中心61204代理人金凤(51)Int.Cl.G06T5/00(2006.01)G06N3/04(2006.01)权利要求书2页说明书6页附图1页(54)发明名称一种基于生成对抗网络的水下图像去噪方法(57)摘要本发明提供了一种基于生成对抗网络的水下图像去噪方法，首先将水下图像输入到一个由若干残差块组成的生成网络，得到特征映射图；然后将输出得到的特征映射图与清水的无噪标签图像分别通过VGG-19网络映射得到一个深度特征空间，并计算特征映射图与清水的无噪标签图像在深度特征空间中的感知代价，计算感知代价的同时，将生成网络输出的特征映射图输入到对抗网络，最后训练完成后，将含噪的水下图像输入到生成网络，其输出即为处理后的无噪图像。本发明通过引入对抗机制，去噪效果明显，尤其是该方法可有效保留甚至增强图像中的边缘纹理信息，具有更好地视觉效果和成像品质。CN109993710ACN109993710A权利要求书1/2页1.一种基于生成对抗网络的水下图像去噪方法，其特征在于包括下述步骤：步骤一：生成对抗网络结构模型生成对抗网络包括生成网络与对抗网络两个子网络，分别记为G网络与D网络，在生成网络中，输入的含噪图像首先经过3×3×3×64的卷积层与非线性函数的激活层，得到64维度的特征映射图，在激活层中，采用1ReLU函数，然后将特征映射图输入到级联的残差块，获取层次更深的特征映射图，在每个残差块中，残差块输入与输出叠加在一起，优点是使网络更容易被训练；最终，将残差块输出的结果经卷积核尺寸为3×3×64×3的卷积层映射得到生成网络的最终结果；所有卷积层的卷积核的尺寸均设为3×3，在生成网络中，批归一化层级联到卷积层之后；在对抗网络中，串联卷积层与下采样层，逐步降低输入图像的空间维度，捕获图像的深层次语义信息；步骤二：计算生成网络的感知代价在生成网络中采用感知相似度计算生成网络的输出与清水标签图像之间的相似性，令f(x，y)为输入的增强后的水下含噪图像，f′(x，y)为生成网络的输出图像，l(x，y)为清水的无噪标签图像，将f′(x，y)与l(x，y)分别通过VGG-19网络映射到特征空间然后计算感知代价，感知代价公式如公式(1)所示：式中，||·||2表示计算二范数；对于特征空间利用预训练好的深度网络模型VGG-19将图像空间映射到特征空间，VGG-19是通过一系列的卷积层与池化层操作逐步降低图像维度，提取高层特征，选取VGG-19中第五个卷积块的第四个卷积层的输出得到特征空间步骤三：计算生成网络的生成代价生成代价是指将生成网络的输出f′(x，y)输入到对抗网络中产生的分类代价，对抗网络的本质是一个二分类器，标定含有噪声图像的标签为0，无噪图像的标签为1；生成网络训练过程中，对抗网络的输出经Sigmoid函数激活后，应往标签1的方向逼近，生成代价公式如公式(2)所示：式中，为生成代价，D(·)为对抗网络的映射过程；步骤四：计算对抗网络的对抗代价在对抗网络的训练过程中，含噪图像经对抗网络的输出值趋近0，而无噪图像经对抗网络输出值则趋近1，其对抗网络的训练代价如公式(3)所示：式中，为对抗代价；步骤五：网络训练基于生成对抗网络的水下图像去噪网络在训练阶段是交替完成的，即首先训练生成网2CN109993710A权利要求书2/2页络，根据感知代价与生成代价的共同作用，计算代价函数的偏导数作为代价梯度，利用反向传播算法与梯度下降算法优化网络参数，其中γ为生成代价的权重；然后利用训练好的生成网络的输出作为对抗网络的输入，根据对抗网络的代价，利用梯度下降算法更新对抗网络的参数，对抗网络输入分别为生成网络的输出图像且标签为0、无噪的标签图像标签为1，公式(3)的偏导数作为代价梯度，同样利用反向传播算法与梯度下降算法对网络参数进行训练，依次重复训练生成网络与对抗网络，直至代价不再下降，网络训练完成后，将f(x，y)输入到生成网络G，其输出即为去噪后的图像。3CN109993710A说明书1/6页一种基于生成对抗网络的水下图像去噪方法技术领域[0001]本发明涉及水下图像处理领域，尤其是一种水下图像的去噪方法。背景技术[0002]水下图像在海洋资源开发、探索领域发挥着重要作用，主要应用于以下几个方面：(1)军事方面，可以探测识别水下目标，实现水下高清成像，便于搜寻打捞海底沉船与飞机残骸等；(2)环境保护方面，