[发明专利]一种基于生成对抗网络的图像去噪方法

权利要求书

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；具体包括对生成式对抗网络修复过的去噪图像分别进行计算对抗损失和平滑损失，同时将去噪图像与真实图一起输入VGG16网络中进行特征提取并计算之间的欧氏距离获得特征损失，对抗损失、平滑损失和特征损失这三个损失值再与真实图与去噪图像之间的像素损失进行加权计算，最终得到联合损失函数值，具体为：

像素损失是计算生成图像与真实图对应像素之间的欧氏距离，当给定C个通道且大小为W×H的成对图像{x,y_b}，x表示输入的噪声图像，y_b表示相应的真实图，表示训练过的生成器G的输出，像素损失L_p定义为式(3)：

特征损失L_f是根据从VGG16网络的Conv2层中提取出的图像特征进行计算，将两张图像分别投入VGG16网络中，然后求解两张特征图像之间的MSE，设某一层的输出大小为C_i×W_i×H_i，同理，特征损失定义为式(4)：

对抗损失L_a是为了使生成器G产生更好的输出来欺骗判别器D，假设给定N幅生成器生成的去噪图像对抗损失L_a定义如式(5)：

平滑损失L_S用于防止相邻像素之间的巨大差异，减少图像中的棋盘效应，计算平滑损失是将生成的图像的副本分别向左滑动一个单元和向上滑动一个单元，然后计算在水平方向和垂直方向上移位图像与原图间的欧氏距离，对于C个通道且大小为W×H的图像，平滑损失L_s表示为公式(6)的形式：

式中：x_l表示将生成图像最左列像素裁剪后所得图像；y_r表示将生成图像最右列像素裁剪后所得图像；x_u表示将生成图像顶行像素裁剪后所得图像；y_d表示将生成图像底行像素裁剪后所得图像；

最终联合损失函数定义如式(7)：

L＝λ_aL_a+λ_pL_p+λ_fL_f+λ_SL_S (7)

式(7)中，λ_a、λ_P、λ_f、λ_s依次为对抗损失、像素损失、特征损失、平滑损失的权重系数；

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。