[发明专利]一种基于生成对抗网络的无监督偏振图像去噪方法

权利要求书

1.一种基于生成对抗网络的无监督偏振图像去噪方法，其特征在于，使用非配对数据集训练一个适用于偏振图像去噪的生成对抗网络，以获得泛化性能强的偏振图像去噪模型，包括以下步骤：

S1.搭建生成对抗网络；生成对抗网络包括去噪生成器、噪声生成器、光强判别器、线性偏振度判别器和偏振角判别器，其中去噪生成器、噪声生成器均由浅层特征提取模块、残差密集模块和转换模块组成，光强判别器、线性偏振度判别器和偏振角判别器均由5层卷积层组成；去噪生成器用于将真实偏振噪声图像转换为生成偏振清晰图像，噪声生成器用于将生成偏振清晰图像转换为生成偏振噪声图像；光强判别器输出生成偏振清晰图像为真实图像的概率，线性偏振度判别器输出生成偏振清晰图像对应的线性偏振度图为真实图像的概率，偏振角判别器输出生成偏振清晰图像对应的偏振角图为真实图像的概率；

S2.构建损失函数并训练生成对抗网络；损失函数包括生成器损失和判别器损失两个部分，其中生成器损失在生成对抗网络原有损失的基础上，引入了自适应权重以及偏振梯度损失；训练生成对抗网络时，使用非配对偏振图像数据集进行无监督地训练，同时使用构建的损失函数引导生成对抗网络，得到生成对抗网络偏振图像去噪模型；

S3.将真实偏振噪声图像输入至生成对抗网络偏振图像去噪模型中即能够实现无监督偏振图像去噪。

2.根据权利要求书1所述的基于生成对抗网络的无监督偏振图像去噪方法，其特征在于，

所述去噪生成器和噪声生成器的结构相同，去噪生成器和噪声生成器均由一个浅层特征提取模块、六个残差密集模块和一个转换模块构成；

每个浅层特征提取模块包括两个3×3卷积层；每个残差密集模块包括六个3×3的卷积层和一个1×1的卷积层；每个转换模块包括五个3×3的卷积层；

浅层特征提取模块、残差密集模块用于对去噪生成器输入的真实偏振噪声图像或噪声生成器输入的生成偏振清晰图像提取特征并生成特征图，转换模块用于将特征图转换为生成偏振清晰图像或生成偏振噪声图像；

光强判别器、线性偏振度判别器和偏振角判别器的结构相同，均由5个4×4卷积层构成，分别判别生成偏振清晰图像以及其对应的线性偏振度图和偏振角图是否为真实图像；

生成多抗网络的所有卷积层后均设有批标准化层和线性修正单元函数。

3.根据权利要求书1所述的基于生成对抗网络的无监督偏振图像去噪方法，其特征在于，步骤S2中构建的生成器损失具体如下：

生成对抗网络生成器损失最重要部分为生成对抗损失，为同时为平衡三个判别器的损失，引入了自适应权重，因此生成器损失中的生成对抗损失为：

其中x_i表示真实偏振噪声图像，G_D表示去噪生成器，D_I表示光强判别器，D_DoLP表示线性偏振度判别器，D_AoP表示偏振角判别器，DoLP和AoP分别表示计算图像的线性偏振度和偏振角的函数，N表示一次训练输入的图像组数，表示光强判别器对应的生成对抗损失，表示线性偏振度判别器对应的生成对抗损失，表示偏振角判别器对应的生成对抗损失，L_GAN表示总的生成对抗损失，w_sub表示每个判别器对应的生成对抗损失的权重，sub表征权重对应的损失类型；Noise代表第一个子损失；

为保证偏振信息的真实性，损失函数中加入了线性偏振度和偏振角的梯度损失：

其中表示计算图像水平方向的梯度，表示计算图像竖直方向的梯度，G_N表示噪声生成器，L_GradD表示线性偏振度的梯度损失，表示偏振角的梯度损失。

4.根据权利要求书1所述的基于生成对抗网络的无监督偏振图像去噪方法，其特征在于，所述光强判别器、偏振角判别器和线性偏振度判别器的输入均为真实偏振清晰图像和生成偏振清晰图像。

5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4任一项所述基于生成对抗网络的无监督偏振图像去噪方法的步骤。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4任一项所述基于生成对抗网络的无监督偏振图像去噪方法的步骤。