[发明专利]一种基于改进的自适应神经网络的图像去噪方法

权利要求书

1.一种基于改进的自适应神经网络的图像去噪方法，其特征在于，包括以下步骤：

(1)收集无噪声的图片和被噪声污染过的图片分别形成数据集，并对数据集进行预处理；

(2)搭建并训练Cycle-GAN网络：需要搭建两个生成网络两个判别网络，一个生成网络和一个判别网络组成一个GAN网络，一个GAN网络用来把数据A映射到数据B，另一个GAN网络把数据B映射回数据A，两个GAN网络结构相同；

(3)搭建卷积U型神经网络：在由数据A映射到数据B的GAN网络后面连接一个采用U型网络设计的神经网络；

(4)先对Cycle-GAN部分进行训练，设置一个alpha阈值，当训练超过一定步数还无法达到网络进行自适应调整，增加残差块；当训练达到目标要求后，Cycle-GAN网络训练好，再将U型网络的损失函数加到Cycle-GAN网络的后面形成总损失函数进行联合训练，将加入U型网络的网络命名为Cycle-GAN-Unet网络，给予U型网络损失函数较小权重，通常可选取1e-3甚至更小；

(5)设定一个beta阈值，对于一个新的带噪图片，若图片处理结果的损失函数值超过beta阈值则使用传统滤波器进行最后的修正；若损失函数没超过阈值则不再用传统滤波器处理。

2.根据权利要求1所述的一种基于改进的自适应神经网络的图像去噪方法，其特征在于，步骤(1)所述的预处理主要对数据集进行增强及归一化处理。

3.根据权利要求1所述的一种基于改进的自适应神经网络的图像去噪方法，其特征在于，所述步骤(2)包括以下步骤：

(21)生成网络中包括一个conv1卷积层，conv2卷积层，conv3卷积层，N个残差块，N的个数由模型自适应改变，初值设为3，上限为9个残差块，transposeconv1转置卷积层，transposeconv2转置卷积层，conv4卷积层，conv5卷积层；

(22)采用残差模块将深一层的特征与浅层特征融合，同时加深网络深度而不出现梯度消失的现象，使得网络更加的强大和可训练，其主要由以下几层组成：res_conv1卷积层，res_conv2卷积层，然后和未经这两层卷积的输入直接进行通道的拼接；

(23)判别网络包括conv1卷积层，conv2卷积层，conv3卷积层，conv4卷积层，conv5卷积层；

(24)参数设置方面：生成网络的conv1和conv5卷积核为7*7大小，conv4卷积核为1*1，conv2,conv3卷积核大小都为3*3，步长为2，transposeconv1,transposeconv2卷积核大小为4*4，步长为2；输出通道数上，conv1,conv2,conv3,conv4,conv5分别为64，128，256，64，3；transposeconv1,transposeconv2为128，64；残差模块res_conv1,resconv2卷积核为3*3，通道数都为256；生成网络所有卷积核大小都选择4*4，通道数分别为64，128，256，512，1，并且除了conv5所有卷积层步长都为2；

(25)生成网络中的除了conv5卷积层，其它卷积层包括残差快中的卷积层除了包含卷积以外，后面接着InstanceNormalization归一化层和ReLU激活层，conv5卷积层则是后面接着InstanceNormalization归一化层和Tanh激活层；判别网络除了conv5卷积层，其余卷积层除了普通卷积后面都接着InstanceNormalization归一化层和LeakyReLU激活层，超参数设置为0.2，conv5卷积层则除了卷积没有额外的层。