[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

说明书

本发明公开一种基于生成对抗网络的无监督偏振图像去噪方法，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：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；构建损失函数并训练生成对抗网络，得到生成对抗网络偏振图像去噪模型；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。

技术领域

本发明涉及偏振成像技术领域，特别涉及一种基于生成对抗网络的无监督偏振图像去噪方法。

背景技术

偏振成像技术基于偏振信息的获取和处理，可实现成像质量的提升，并增强对目标特性的感知，在国防、海洋、遥感等多个领域具有重要价值。但在弱光照条件下采集偏振图像时，往往需要通过增益获得高亮度图像，但增益会放大图像的噪声，图像的信噪比因而降低。此外，因为偏振度和偏振角计算时的非线性操作，图像噪声将被进一步放大，极大地影响了偏振信息的获取，因此偏振图像去噪具有重要的意义。在偏振图像去噪领域，深度学习方法取得了显著的效果，实现了复杂环境下图像噪声的去除以及偏振信息的恢复。但当前的深度学习偏振图像去噪方法均为监督学习方法，训练去噪模型需要大量的严格配对的偏振图像。对于偏振图像，获取大规模噪声图像和真值图像的配对图像数据集成本较高。同时监督学习训练的模型的泛化性较差，当它应用于不同环境时效果会出现退化。例如，使用室内图像训练的监督学习模型处理室外噪声图像时，效果会出现严重的退化。而无监督学习方法使用非配对的方式进行训练，在统计上学习偏振噪声图像和偏振清晰图像之间的转换，而不是一对一的关联，从而克服了监督学习的过度拟合问题。因此使用非配对图像进行无监督学习的偏振图像去噪技术，切合偏振成像技术实际的应用需求，具有重要意义。

发明内容

本发明旨在解决使用非配对数据集训练神经网络实现偏振图像去噪的问题，提供一种基于生成对抗网络的无监督偏振图像去噪方法。

本发明的目的是通过以下技术方案实现的：

一种基于生成对抗网络的无监督偏振图像去噪方法，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无监督地训练生成对抗网络，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。

进一步的，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；