[发明专利]一种基于CS-TCGAN的指静脉图像去噪方法

权利要求书

1.一种基于CS-TCGAN的指静脉图像去噪方法，其特征在于包括以下步骤：

S1、构造训练集，将带噪指静脉图像I_noise作为待适配图像以及条件约束图像I_c，对应的正常指静脉图像I_clean作为目标图像；

S2、设计生成器网络结构；采用特征维度保持的网络结构，去噪的过程中特征的维度不发生变化，且卷积核的大小随通道数的变化而变化；

S3、设计判决器网络结构；

S4、设计基于纹理损失的损失函数；

S5、训练整个模型，直至迭代训练整个训练集若干次；

S6、将测试集的图像输入训练好的生成器中，获得去噪后的指静脉图像。

2.根据权利要求书1所述的一种基于CS-TCGAN的指静脉图像去噪方法，其特征在于步骤1具体实现如下：

S1-1：采集真实带噪指静脉图像，统计噪声密度分布，对比真实噪声和模拟噪声颗粒大小；

S1-2：选择模拟噪声类型以及噪声密度，构造以椒盐噪声为主，高斯噪声、泊松噪声、斑点噪声为辅的训练集。

3.根据权利要求书1或2所述的一种基于CS-TCGAN的指静脉图像去噪方法，其特征在于步骤2具体实现如下：

S2-1：生成器网络结构编码器部分包括五层结构，第一层到第四层是卷积核大小分别为r₁*r₁、r₂*r₂、r₃*r₃、r₄*r₄的卷积层；输入三通道带噪静脉图像，第一层输出通道数为d，后三层通道数依次为2d、4d和8d,每一层都经过BN层以及ReLU激活层，带噪指静脉图像I_noise的特征维度不变，第五层是一层残差结构，该残差结构将编码器输入的带噪指静脉图像I_noise与第四层卷积输出相加，残差结构的输出作为解码器的输入；

S2-2：生成器网络结构解码器部分包含四层反卷积层，卷积核大小分别为r₄*r₄、r₃*r₃、r₂*r₂、r₁*r₁，前三层均经过BN层以及ReLU激活层，第四层经过BN层以及Tanh激活层激活输出，获得去噪后的指静脉图像I_de-noise。

4.根据权利要求书3所述的一种基于CS-TCGAN的指静脉图像去噪方法，其特征在于步骤3具体实现如下：

S3-1:结合生成器网络结构，设计的判别器网络由五层卷积层组成，卷积核大小均为r*r，每层卷积均包含BN层以及ReLU激活层；输入三通道的带噪指静脉图像I_noise，前四层输出通道数分别为d、2d、4d和8d，带噪指静脉图像I_noise大小逐层缩小为原来的1/4,第五层输出的特征维度为1*1*1，最后采用sigmoid函数将特征维度映射到0到1之间的概率。

5.根据权利要求书4所述的一种基于CS-TCGAN的指静脉图像去噪方法，其特征在于步骤4具体实现如下：

CS-TCGAN网络优化的目标函数为：

式(1)中，G代表生成器网络，D代表判决器网络，V(D,G)是目标函数，是被优化的目标，D(x|c)表示将真实样本x和条件样本c输入判决网络后判断为真实样本的概率，G(z|c)表示由输入样本z结合条件样本c输入到生成器网络后得到的生成样本，E(*)代表分布函数的数学期望值；G使得目标函数最小化，D使得目标函数最大化，二者产生对抗，使得G和D的性能更优；因此，CS-TCGAN的损失函数主要由生成损失和判决损失组成；

S4-1:判决器的损失函数如式(2)所示：

式中，S_CE(*)代表交叉熵损失函数，作用是计算经sigmoid函数激活之后的交叉熵，N代表图像的像素点数；I_clean代表正常指静脉图像，I_noise代表带噪指静脉图像，I_c代表条件约束图像；约束去噪的过程如下：

式中，logit表示输入图像，label表示分类结果；

S4-2:CS-TCGAN采用网络对抗损失、内容损失、纹理损失加权和的生成器损失函数，如式(4)所示：

式中，loss_pixel为网络对抗损失，loss_cont为内容损失，loss_LBP为纹理损失，λ_p、λ_c、λ_LBP分别为网络对抗损失、内容损失、纹理损失的加权系数；

loss_pixel采用经典的对抗损失函数，具体公式如式(5)所示：

内容损失loss_cont采用去噪图像和正常图像的均方差损失表示，具体公式如式(6)所示：

loss_LBP采用经典的LBP对图像进行纹理特征表示，再用获取的特征进行均方差损失计算，对G起到纹理辅助的作用；公式如下所示：

式中，LBP(*)为局部二值模式纹理提取函数，其公式表示如下式所示：

式中，Ω_c表示中心点(x_c,y_c)范围为1的邻域，s(*)为符号函数。