[发明专利]基于多辨别器对抗网络的碑帖二值化背景噪声去除方法

权利要求书

1.基于多辨别器对抗网络的碑帖二值化背景噪声去除方法，其特征在于，包括如下步骤：

步骤1：建立取样样本；

步骤2：根据步骤1中的取样样本，进行预处理，作为最终训练数据集；

步骤3：将步骤2中得到的训练数据集输入去噪网络中进行训练，依次更新生成网络权重和辨别网络权重；

步骤4：将需要去除噪声的碑帖数据输入步骤3更新后的辨别网络和生成网络中进行去噪，得到去除噪声后的碑帖图像；

所述步骤3的具体过程为：

步骤3.1：选取步骤2中任意一个带噪声图像Z，输入生成器网络G，带有噪声的碑帖图像Z经过生成器网络G的计算，输出一张与输入图像大小相同的干净图像fake_img＝G(Z)；

步骤3.2：在步骤2中选取与步骤3.1中带噪图像Z配对的干净图像X，将步骤3.1生成的干净图像fake_img和干净图像X同时与选取的带噪图像Z配对得到两个图像对，记为：m＝{Z，fake_img}和n＝{Z，X}，随后将图像对m，n输入辨别网络D₀，得到两个概率值D₀(m)，D₀(n)，建立对抗网络损失函数为公式(1)：

L_adv0＝E_m～pdata(m)[log(D₀(m))]+E_n～pdata(n)[log(1-D₀(n))] (1)

其中E_m～pdata(m)表示m服从真实数据概率分布的期望；E_n～pdata(n)表示n服从生成数据概率分布的期望；D₀(m)表示生成图像对m输入辨别器D₀后的输出值，表示该图像对为真的概率；D₀(n)表示真实图像对n输入辨别器D₀后的输出值，表示该图像对为真的概率；L_adv0表示生成器和辨别器D₀对应的对抗损失函数；

步骤3.3：在步骤2中随机选取一张干净图像X0，将X0和步骤3.1中生成图像fake_img输入辨别网络D₁，得到两个概率值D₁(X0)，D₁(fake_img)，建立对抗网络损失函数为公式(2)：

L_adv1＝E_X～Pdata(X)[log(D₁(X))]+E_Z～Pdata(Z)[log(1-D₁(G(Z)))] (2)

其中E_X～Pdata(X)表示X服从真实干净数据概率分布期望，E_Z～Pdata(Z)表示Z服从真实带噪数据分布期望，G(Z)表示带噪图像经过生成器网络G计算后得到的去噪图像；D₁(X)表示干净图像X输入辨别器D₁输出的值，表示该图像为真的概率；D₁(G(Z)表示有生成器G生成的图像输入辨别器D₁输出的值，表示将生成图像分为真的概率；L_adv1表示生成器和辨别器D₁对应的对抗损失函数；

步骤3.4：在步骤2中选取步骤3.2中干净图像X对应的高斯模糊后的图像W，将干净图像X，步骤3.1中生成的干净图像fake_img和高斯模糊后的图像W输入辨别网络D₂，得到三个概率值D₂(X)，D₂(fake_img)和D₂(W)，建立对抗网络损失函数为公式(3)：

L_adv2＝E[log(P₀(D₂(X)))+log(1-P₁(D₂(W)))+log(1-P₂(D₂(G(Z))))](3)

其中E表示X服从真实干净数据概率分布期望、W服从真实高斯模糊数据概率分布期望、Z服从真实带噪数据分布期望，P₀(D₂(X))表示辨别网络D₂将图像X分类为标签0的概率，P₁(D₂(W))表示辨别网络D₂将图像W分类为标签1的概率，P₂(D₂(G(Z)))表示辨别网络D₂将生成图像G(Z)分类为标签2的概率；L_adv2表示生成器和辨别器D₂对应的对抗损失函数；

步骤3.5：将步骤3.2-3.4中三个辨别网络的对抗损失函数结合，得到公式(4)：

L_adv＝λL_adv0+αL_adv1+βL_adv2 (4)

其中λ，α，β为常数且λ＝10，α＝β＝1，分别表示各个辨别网络在整体去噪模型中所占的权重比例；L_adv表示总的生成器和辨别器对应的对抗损失函数；

最终可得到总的损失函数为：

Loss(ω,θ)＝L_adv+ηL_L1(G) (5)

其中ω和θ分别表示生成器网络和辨别器网络的权重，η表示常数且η＝1000，L表示损失值，L1表示曼哈顿距离，L_L1表示L1距离的损失值；Loss(ω，θ)表示总的损失函数；ω表示生成器的权重参数；θ表示辨别器的权重参数；

步骤3.6：计算步骤3.5中总的损失函数，使用Adam梯度下降方式依次更新生成器与辨别器权重参数：Adam(ω,Loss,learning_rate)，Adam(θ,Loss,learning_rate)；

其中learning_rate表示梯度下降学习率，learning_rate＝0.0002，

当D₀(n)≈D₀(m)，D₁(G(Z))≈D₁(X)，D₂(G(Z))≈D₂(X)，即fake_img≈X时，生成网络G生成的图像与干净图像无线接近时，训练完成。