[发明专利]图像去噪的多生成器生成对抗网络学习方法

权利要求书

1.一种图像去噪的多生成器生成对抗网络学习方法，LDCT图像代表低剂量CT图像，NDCT图像代表正常剂量CT图像，其特征在于，具体包括如下步骤：

1)构建对抗网络结构：包括三个不同的生成器G1、G2、G3和一个判别器D，G1、G2、G3分别是针对去除高斯模糊噪声、泊松量子噪声和形变噪声的生成器，判别器D用于判别真实和生成的图像，生成器和判别器都采用神经网络结构，G1，G2，G3采用残差结构，并且参数各自独立；

2)生成器：LDCT图像作为样本根据各个生成器的权重λ₁、λ₂、λ₃对应输入到3个生成器中，G1生成器输出的生成图像一方面进入判别器D和预处理的λ₁D₂₃进行像素损失的计算，另一方面G1生成器输出的生成图像与G2、G3生成图像相加生成一张新的生成器图片，并与NDCT图像一起作为判别器D的输入，其余两个生成器同理；

G1是针对高斯模糊去噪的生成器，D₂₃是在NDCT图像上加上带有泊松量子噪声和形变的图像分布的样本，G2是针对泊松量子噪声去噪的生成器，那D₁₃是在NDCT图像上加上带有高斯模糊和形变的图像分布的样本，G3是针对形变去噪的生成器，D₁₂是在NDCT图像上加上带有高斯模糊和泊松量子噪声的图像分布的样本；

3)判别器：为了使生成器生成的图像及其对应的NDCT图像尽可能接近以至于成功欺骗判别器，最小化由生成器损失和判别器损失组成的对抗损失函数L_a，整个判别器的损失函数如下:

Loss＝L_a+L_p1+L_p2+L_p3

L_p1＝μ₁E[||G₁(λ₁z)-λ₁D₂₃||₂]

L_p2＝μ₂E[||G₂(λ₂z)-λ₂D₁₃||₂]

L_p3＝μ₃E[||G₃(λ₃z)-λ₃D₁₂||₂]

其中，L_a表示对抗损失函数；其中λ₁+λ₂+λ₃＝1；f(x)是1-Lipschitz函数；表示s是真实样本时，f(s)的均值；表示t是生成器生成的样本时，f(t)的均值；‖f‖_L≤1表示f(x)的lipschitz常数‖f‖_L不超过1；Pr是NDCT图像分布，λ_i Pr是指选取λ_i倍的NDCT图像分布；P_gi代表第i个生成器生成CT图的分布；s和t分别是λ_i Pr和P_gi的样本；|| ||表示Frobenius-2范数；z表示LDCT图像的分布；L_p1、L_p2、L_p3代表每个生成器生成的图片和对应预处理加了噪声之后的标签图之间的像素损失,而μ₁,μ₂,μ₃是预定义的对不同的像素损失的权重，作用是权衡各像素损失；

4)对建立的对抗网络结构进行训练，然后对实际采样的LDCT图像进行学习处理。