[发明专利]一种基于噪声特性的激光诱导荧光图像去噪方法

权利要求书

1.一种基于噪声特性的激光诱导荧光图像去噪方法，其特征在于，包括以下步骤：

步骤1、获取荧光图像噪声数据集；

步骤2、计算荧光图像噪声特征量，获得不同特征量随测量流场参数变化的分布及变化规律；

步骤3、根据步骤2获得的荧光图像噪声特征量，分析得到荧光图像噪声特征量的分布特征；

步骤4、根据荧光图像噪声特征量的分布特征进行噪声模型参数估计；

步骤5、根据荧光图像噪声特征量的分布特征和噪声模型参数估计结果建立荧光图像噪声模型，获得荧光图像噪声模型；

步骤6、利用步骤5构建的荧光图像噪声模型与荧光图像噪声的实际分布对比计算均方差相对误差，定量评估荧光图像噪声模型描述噪声信号的有效性；

步骤7、根据步骤5获得的荧光图像噪声模型，生成用于训练神经网络的训练样本；

步骤8、构建生成式对抗神经网络；

所述生成式对抗神经网络包括生成器网络和判别器网络；所述生成器网络，用于去除背景噪声；所述判别器网络，用于判断生成式对抗神经网络的输出的荧光图像和真实荧光图像是否接近；

步骤9、利用生成器网络和判别器网络交替优化训练生成式对抗神经网络的参数，在交替优化训练中达到收敛，完成网络训练；

步骤10、利用训练后的生成式对抗神经网络对荧光图像进行去噪，获得去噪后的图像。

2.根据权利要求1所述的基于噪声特性的激光诱导荧光图像去噪方法，其特征在于，步骤2中：

所述噪声特征量包括噪声强度均值、噪声强度标准差、噪声平滑度、噪声相对强度范围、图像灰度分布偏度和图像灰度分布峰度。

3.根据权利要求2所述的基于噪声特性的激光诱导荧光图像去噪方法，其特征在于，步骤2具体为：

2.1、根据获取的荧光图像中的噪声数据I，计算噪声强度均值μ：

其中，M、N为荧光图像横坐标和纵坐标的图像像素最大值，M×N为荧光图像的大小；

i、j分别代表噪点的横坐标和纵坐标，1≤i≤M,1≤j≤N；

I(i,j)为荧光图像像素点(i,j)的噪声强度；

2.2、计算噪声强度标准差σ：

2.3、计算噪声平滑度υ：

2.4、计算噪声相对强度范围τ：

其中：I_min为实际获取的噪声强度最小值；I_max为实际获取的噪声强度最大值；

2.5、计算图像灰度分布偏度κ₁：

2.6、计算图像灰度分布峰度κ₂：

4.根据权利要求3所述的基于噪声特性的激光诱导荧光图像去噪方法，其特征在于：步骤3中，所述特征量的分布特征具体为：

噪声强度均值μ越小，噪声整体强度越小；

噪声强度标准差σ越小，噪声强度整体起伏越小；

噪声平滑度υ越大，噪声越平滑；

噪声相对强度范围τ越小，噪声强度相对动态范围越小；

当偏度κ₁＝0且峰度κ₂＝3时，噪声呈标准正态分布；

当图像灰度分布偏度κ₁＜0时，称为左偏，此时噪声图像灰度分布直观表现为左边的尾部相对于右边的尾部要长；

当图像灰度分布偏度κ₁＞0时，称为右偏，此时噪声图像灰度分布直观表现为右边的尾部相对于左边的尾部要长；

若图像灰度分布峰度κ₂＞3时，称为长尾，则噪声图像灰度分布的尾部厚于标准正态分布；

若图像灰度分布峰度κ₂＜3时，称为短尾，则噪声图像灰度分布的尾部薄于标准的正态分布。

5.根据权利要求4所述的基于噪声特性的激光诱导荧光图像去噪方法，其特征在于，步骤4具体为：

所述噪声模型参数估计采用极大似然拟合参数估计，验证噪声模型分布拟合的合理性。