The image denoising method based on the generated countermeasure network is characterized by the following steps: Step 1: select the experimental data set; step 2: select the Gaussian additive white noise as the noise model; step 3: build the generated network model, train the generator network G for denoising; step 4: build the discrimination network model, and the discriminator D for the input image Step 5: build joint loss function model; step 6: train generative countermeasure network; step 7: image denoising quality evaluation. The invention relates to an image denoising method based on the generated anti network, which can achieve the denoising effect of retaining more texture details and edge features.
【技术实现步骤摘要】
一种基于生成对抗网络的图像去噪方法
本专利技术属于图像分析、深度学习和计算机视觉
，具体涉及一种基于生成对抗网络的图像去噪方法。
技术介绍
图像作为一种对客观对象的相似性描述，拥有文字等传播媒介无法相比的信息量和直观性，但图像在采集、存储、传输、使用的过程中都不可避免地被噪声污染。噪声的存在，使图像的质量不可控制地下降，甚至丢失图像的重要信息，改变原有图像的像素值，为计算机视觉处理带来极大的负面影响，直接影响了后续的图像处理。因此，如何减少图像的噪声污染，同时既要去除噪声又要从被污染的图像中还原出原始信息，是学者们长久关注的热点问题。20世纪70年代以来，数字图像处理技术进入了快速发展时期。几十年来，诸多传统去噪算法已被提出并沿用至今，例如中值滤波、均值滤波以及频域去噪算法等。然而这些传统去噪方法大多因为对图像特征的结构、纹理和边缘等细节信息的丢失和忽视，存在边缘模糊、特征不明等缺陷；另一方面，随着计算机硬件水平的提高，深度学习神经网络已进入快速发展时期，不少学者已经将研究的目光转向了深度学习技术在图像处理方面...
【技术保护点】
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：/n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；/n步骤2：添加噪声模型，选取高斯加性白噪声作为噪声模型；/n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；/n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；/n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；/n步骤6：训练生成式对抗网络，通过对网络参数进行优...
【技术特征摘要】 【专利技术属性】
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；
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。
4.如权利要求3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3中生成器G输入的是256×256的彩色图像，首先使用三个由卷积层、批量标准化、Lrelu激活函数构成的组合进行特征提取；核心去噪模块由五个残差块组成，每个残差块包含两个卷积层，批量标准化和Lrelu激活函数，使用跳跃连接提高网络的训练效率和收敛性能，跳跃连接将输入提供给深层网络；最后是三个亚像素卷积层，每个亚像素卷积层对应于网络前端的卷积层，图像的大小从64×64调整到128×128，最终图像输出大小被恢复到256×256；具体步骤如下：
第一个卷积层输入256×256的彩色噪声图像，输出尺度为9*3*32*1，卷积核大小为9*9，步幅为1，BatchNorm批量标准化，LRelu激活函数；
第二个卷积层输入第一层的输出特征，输出尺度为3*32*64*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；
第三个卷积层输入第二层的输出特征，输出尺度为3*64*128*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；
第三层的输出特征输入到第一个残差块中，输出尺度为3*128*128*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；
第一个残差块的输出特征输入到第二个残差块中，输出尺度为3*128*128*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；
第二个残差块的输出特征输入到第三个残差块中，输出尺度为3*128*128*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；
第三个残差块的输出特征输入到第四个残差块中，输出尺度为3*128*128*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；
第四个残差块的输出特征输入到第五个残差块中，输出尺度为3*128*128*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；
第一个反卷积层输入第五个残差块的输出特征，输出尺度为3*128*64*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数；
第二个反卷积层输入第一个反卷积层的输出特征，输出尺度为3*64*32*1，卷积核大小为3*3，步幅为1，BatchNorm批量标准化，LRelu激活函数，在第二个反卷积层和第一个卷积层添加跳跃连接；
最后一层为卷积层，输入第二个反卷积层的输出特征，输出尺度为9*32*3*1,卷积和大小为9*9，步幅为1，通过Tanh激活函数输出去噪的图像。
技术研发人员：缪亚林，贾欢欢，张顺，张阳，程文芳，卫诗宇，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。