[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

说明书

本发明公开了一种多感知对抗生成网络的手机拍摄图像去噪方法，本发明改进了SRGAN的不足，提出了一种新的损失函数，避免了SRGAN网络可能不收敛或者效果差的问题；判别网络在输入层使用了多个感知块，使判别网络不限制输入数据尺寸，更好的保存了输入数据的细节。

技术领域

本发明涉及图像去噪领域，特别是涉及手机拍摄图像，具体涉及一种基于多感知对抗生成网络的手机拍摄图像去噪方法。

背景技术

在智能手机的各个功能中，拍照是一项非常重要的功能，虽然人们越来越习惯于使用轻便的智能手机拍照而不是笨重的数码单反相机，但是因为手机内部空间的限制，导致其传感器尺寸、光圈大小等硬件配置和数码单反相机仍然有差距，这种硬件配置的差距导致智能手机拍照时产生的噪点会相对多于数码单反相机。智能手机相比于数码单反的优势在其拥有强大的芯片和神经网络处理器，智能手机利用其芯片的强大运算能力，可以很好的解决拍摄图像不清晰、细节模糊等问题。

传统的图像去噪算法是在含有噪声的图像中寻找出一定规律后再进行相对应的图像去噪处理，如果含有噪声的图片本身没有办法找到有用的规律，去噪的效果就会大大降低。深度学习的图像去噪方法是最近兴起的一种属于数据驱动的方法，大部分图像去噪的实验数据是充足的，这为深度学习的图像去噪方法提供了坚实的基础，所以当前深度学习方法在许多场景下的去噪效果已经超越块匹配和3D滤波算法(Block-matching and 3Dfiltering，BM3D)，该方法是Dabov K在2007年发表的论文Image denoising by sparse 3-D transform-domain collaborative filtering[J].IEEE Transactions on imageprocessing,2007,16(8):2080-2095。

智能手机的拍照环境多变且复杂，产生的图像噪声随机性强且通常与信号相关，受环境因素影响大，没有明确的分布可以描述。目前的一些基于深度学习的图像去噪方法应用于手机拍摄图像去噪时通常会出现去噪图像细节模糊、峰值信噪比低等问题，如何解决常规深度学习的图像去噪方法应用在智能手机拍摄图像上的缺陷是本论文研究目的和意义。

发明内容

为了解决现有技术的缺陷，改善常规深度学习方法生成的去噪图像细节模糊、纹理不清的问题，避免网络可能不收敛或者收敛慢的问题，提出了一种多感知对抗生成网络去噪方法，本发明可以提高手机拍摄图像的去噪效果。

本发明涉及一种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：

本发明涉及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：

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；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：