一种基于生成对抗网络的图像去噪方法技术

本发明专利技术公开了一种基于生成对抗网络的图像去噪方法，包括如下步骤：(1)基于DenseNet和ResNet网络模型，设计一种残差块；(2)将图像输入到由残差块x

【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


[0001]本专利技术涉及数字图像增强
，尤其是一种基于生成对抗网络的图像去噪方法。

技术介绍

[0002]现有的去噪方法主要是基于先验和基于判别的方法，前者由于噪声的随机性，使用场景有限，而且建模依据的信息量很小，模型只对单张图片具有较好的去噪效果。给予深度学习的方法由于层数的增多会产生梯度弥散等问题，生成对抗网络GAN存在一定的损失函数缺陷。

技术实现思路

[0003]本专利技术所要解决的技术问题在于，提供一种基于生成对抗网络的图像去噪方法，能够更大程度上的保留图像去噪后的特征，进而提高了去噪后图像的细节质量。
[0004]为解决上述技术问题，本专利技术提供一种基于生成对抗网络的图像去噪方法，包括如下步骤：
[0005](1)基于DenseNet和ResNet网络模型，设计一种残差块，并命名为x
i
，最大程度的解决梯度消失的问题，并提高特征的利用率；
[0006](2)将图像输入到由残差块x
i
构成的生成网络中，并得到输出，该输出应尽量与真实图像保持一致；
[0007](3)将图片输入到判别网络中，判别网络需要经过处理会得到该图片来自生成网络或者是真实图片，将判断结果输出；
[0008](4)对网络进行大量的图像数据训练，两个网络的性能都会得到提升，并且最后使模型能够生成与真实图片很接近的图片，并获得最终的PSNR和SSIM值，与其他主流网络的数值进行对比。
[0009]优选的，步骤(1)中，残差快具体为：
[0010]ResNet：
[0011]x
l
＝H
l
(x
l
‑1)+x
l
‑1[0012]l表示层，x
l
表示l层的输出，H
l
表示一个非线性变换，对于ResNet而言，l层的输出是l
‑
1层的输出加上对l
‑
1层输出的非线性变换；
[0013]DenseNet:
[0014]x
l
＝H
l
([x
o
,x1,...,x
l
‑1])
[0015][x0,x1,...,x
l
‑1]表示将0到l
‑
1层的输出图征图谱做串联，串联是做通道的合并，H
l
包括BN，ReLU和3*3的卷积，使用DenseNet残差模型提高特征利用效率。
[0016]优选的，步骤(2)中，生成网络由初始和末尾的两层普通卷积，以及中间10层残差块组成，其中使用Leaky Relu函数作为激活函数：
[0017][0018]并根据PSNR和SSIM两个值设计了相对应的线性损失函数，以促进指标收敛。
[0019]优选的，步骤(3)中，判别网络由七个带BN和Relu的卷积层，以及一个在最后的sigmoid函数组成
[0020][0021]BN层进行归一化处理，改善网络的梯度消失问题，允许更大的学习率，大幅提高训练速度，由于WGAN模型去掉了对损失函数取对数的操作，因此采用判别真实图像与生成图像输出结果的均值之差作为判别网络的损失函数。
[0022]本专利技术的有益效果为：相比于原WGAN模型，PSNR指标提升超过7％，相比于经典算法，SSIM值达到了0.9，相比于经典算法有明显的优势，较WGAN有小幅度的提升；本专利技术的去噪速度基本在1
‑
2秒以内，在保证了一定的去噪效果的同时提升了去噪效率。
附图说明
[0023]图1为本专利技术的卷积模块结构示意图。
[0024]图2为本专利技术的生成网络结构示意图。
[0025]图3为本专利技术的判别网络结构示意图。
[0026]图4为本专利技术的真实图像示例图。
[0027]图5(a)为本专利技术加噪后的图像示例图。
[0028]图5(b)为本专利技术加噪后的图像示例图。
[0029]图6为8张经典的图像去噪领域的图像示例图。
[0030]图7(a)为真实图像示例图。
[0031]图7(b)为加噪图像示例图。
[0032]图7(c)为去噪图像示例图。
具体实施方式
[0033]如图1
‑
3所示，一种基于生成对抗网络的图像去噪方法，包括如下步骤：
[0034]步骤1、基于DenseNet和ResNet网络模型的思路，设计一种残差块，并命名为x
i
，最大程度的解决梯度消失的问题，并提高特征的利用率。
[0035]ResNet：
[0036]x
l
＝H
l
(x
l
‑1)+x
l
‑1[0037]这里的l表示层，x
l
表示l层的输出，H
l
表示一个非线性变换。所以对于ResNet而言，l层的输出是l
‑
1层的输出加上对l
‑
1层输出的非线性变换。
[0038]DenseNet:
[0039]x
l
＝H
l
([x
o
,x1,...,x
l
‑1])
[0040][x0,x1,...,x
l
‑1]表示将0到l
‑
1层的输出图征图谱做串联。串联是做通道的合并。H
l
包括BN，ReLU和3*3的卷积。
[0041]为进一步改善梯度爆炸问题，使用DenseNet残差模型提高特征利用效率。
[0042]步骤2、将图像输入到由残差块x
i
构成的生成网络中，并得到输出，该输出应尽量与真实图像保持一致。
[0043]生成网络由初始和末尾的两层普通卷积，以及中间10层残差块组成。其中使用Leaky Relu函数作为激活函数:
[0044][0045]并根据PSNR和SSIM两个值设计了相对应的线性损失函数，以促进指标收敛。
[0046]步骤3、将图片输入到判别网络中，判别网络需要经过处理会得到该图片来自生成网络或者是真实图片，将判断结果输出。
[0047]判别网络由七个带BN和Relu的卷积层，以及一个在最后的sigmoid函数组成
[0048][0049]采用判别真实图像与生成图像输出结果的均值之差作为判别网络的损失函数。
[0050]步骤4、对网络进行大量的图像数据训练，两个网络的性能都会得到提升，并且最后使模型能够生成与真实图片很接近的图片，并获得最终的PSNR和SSIM值，与其他主流网络的数值进行对比。
[0051]实施例：
[0052]步骤1、训练集使用了50张真实图像生成的1000张带高斯白噪声的噪声图像。如图4、图5(a)
‑
(b)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的图像去噪方法，其特征在于，包括如下步骤：(1)基于DenseNet和ResNet网络模型，设计一种残差块，并命名为x
i
，最大程度的解决梯度消失的问题，并提高特征的利用率；(2)将图像输入到由残差块x
i
构成的生成网络中，并得到输出，该输出应尽量与真实图像保持一致；(3)将图片输入到判别网络中，判别网络需要经过处理会得到该图片来自生成网络或者是真实图片，将判断结果输出；(4)对网络进行大量的图像数据训练，两个网络的性能都会得到提升，并且最后使模型能够生成与真实图片很接近的图片，并获得最终的PSNR和SSIM值，与其他主流网络的数值进行对比。2.如权利要求1所述的基于生成对抗网络的图像去噪方法，其特征在于，步骤(1)中，残差快具体为：ResNet：x
l
＝H
l
(x
l
‑1)+x
l
‑1l表示层，x
l
表示l层的输出，H
l
表示一个非线性变换，对于ResNet而言，l层的输出是l
‑<...

【专利技术属性】
技术研发人员：骆霖，李恒锐，朱义天，樊江锋，周大可，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：