[发明专利]基于多感知对抗生成网络的手机拍摄图像去噪方法

权利要求书

1.一种基于多感知对抗生成网络的手机拍摄图像去噪方法，其特征在于包括以下步骤：

步骤1.构建多感知对抗生成网络模型；

1)构建多感知对抗生成网络中的生成网络F(x；w)，x为对抗生成网络输入，w为对抗生成网络参数：

生成网络包括三个网络层，输入层、隐藏层、输出层；输入层是手机拍摄图像的输入；输出层是输出已估计的噪声；隐藏层分为两个部分：隐藏层中第一部分包含四个卷积块和三个池化层，卷积块包含两个卷积层，第一层卷积的卷积核大小为3x3，填充为1，步长为1，第二层卷积的卷积核大小为1x1，填充为0，步长为1，激活函数为线性整流函数；隐藏层中第二部分包含四个卷积块和三个上采样层，卷积块包含两个卷积层，第一层卷积的卷积核大小为1x1，填充为0，步长为1，第二层卷积的卷积核大小为3x3，填充为1，步长为1，激活函数为线性整流函数；其中线性整流函数的表达式为f(x)＝max(0,x)，x取值为任意实数；生成网络的损失函数为L＝αD+βP+γS，其中L为损失函数，D表示来自判别网络的损失，P是所生成的图像与真实图像之间的像素与像素间差值的L2范数，S是平滑损失，表示第n次迭代训练的损失函数值与第n-1次迭代训练的损失函数值的绝对误差，当n等于1和2时S＝0，α，β和γ是0到1之间的实数，分别是D、P和S的预定义权重；

2)构建多感知对抗生成网络中的判别网络：

判别网络包括三个网络层，输入层、隐藏层、输出层；输入层的输入是生成网络输出的去噪图像，由多个感知块组成，感知块包括卷积运算、批量标准化和激活函数，其中卷积核大小为3x3，填充取1，步长为1，激活函数选用渗漏整流线性函数；输出层的输出是0到1之间的实数，去噪图像越接近干净图像，该数值越接近1，由池化层、全连接层和逻辑回归分类器组成，其中池化层为7x7全局池化；隐藏层由连接块组成，链接块包含卷积运算、池化运算、批量标准化和激活函数，其中卷积核尺寸为3x3，填充取1，步长为1，池化采用3x3最大池化，步长为2，激活函数选用线性整流函数；线性整流函数的表达式为f(x)＝max(0,x)，x取值为任意实数；渗漏整流线性函数的表达式为：x0时，g(x)＝x，x≤0时，g(x)＝λx，x为输入量，λ为(0,1)之间的常数；

步骤2.训练多感知对抗生成网络，步骤如下：

第一步，准备数据集，设定损失函数阈值和最大训练次数，初始化训练参数；

第二步，把手机拍摄图像输入生成网络，输出去噪图像；

第三步，将去噪图像输入判别网络，输出为M，M是0到1之间的实数，去噪图像越接近干净图像，M越接近1；

第四步，计算判别网络的损失函数D，D＝1-M，计算生成网络的损失函数L，L＝αD+βP+γS，D表示来自判别网络的损失，P是所生成的图像与真实图像之间的像素与像素间差值的L2范数，S是平滑损失，表示第n次迭代训练的生成网络损失函数值与第n-1次迭代训练的生成网络损失函数值的绝对误差，当n等于1和2时S＝0，α，β和γ是0到1之间的实数，分别是D、P和S的预定义权重；

第五步，若D和L大于所设定的损失函数阈值或未达到最大训练次数，则重复第二步至第四步；

步骤3.网络参数使用自适应矩估计算法进行优化，优化方法如下：

输入为手机拍摄图像数据集X＝{x₁，x₂，...，x_n}，输出为去噪后图像标签数据集Y＝{y₁，y₂，...，y_n}，输入信号经过多感知对抗生成网络后输出优化多感知对抗生成网络参数w，使取出m个样本进入网络训练，m与n均为正整数，m≤n，L为损失函数，数据梯度均值为g，定义为：

表示损失函数L(y_j，F(x_j；w))对w求偏导数；设定参数β₁和β₂，取值范围为(0，1)，设定e为平滑参数，取值范围为(0，1)，计算衰减梯度为v_i，i＝1，2，...，t，v_t＝β₁·v_t-1+(1-β₁)g，计算衰减学习率为r_i，i＝1，2，...，t，r_t＝β₂·r_t-1+(1-β₂)g²；再对r和v进行偏置校正，其中t为训练次数，(β₁)^t表示β₁的t次方，(β₂)^t表示β₂的t次方；更新多感知对抗生成网络参数w_i，i＝1，2，...，t，

步骤4.向构建好的网络模型F(X；w)中输入含有噪声的手机拍摄图像X，网络输出为去噪后的手机拍摄图像