[發(fā)明專利]基于多感知對(duì)抗生成網(wǎng)絡(luò)的手機(jī)拍攝圖像去噪方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110006557.6
• 申請(qǐng)日: 2021-01-05
• 公開（公告）號(hào): CN112634176B
• 公開（公告）日: 2022-02-25
• 發(fā)明（設(shè)計(jì)）人: 羅仁澤;黃雪霽;郭亮;庹娟娟
• 申請(qǐng)（專利權(quán)）人: 西南石油大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于多感知對(duì)抗生成網(wǎng)絡(luò)的手機(jī)拍攝圖像去噪方法，其特征在于包括以下步驟：

步驟1.構(gòu)建多感知對(duì)抗生成網(wǎng)絡(luò)模型；

1)構(gòu)建多感知對(duì)抗生成網(wǎng)絡(luò)中的生成網(wǎng)絡(luò)F(x；w)，x為對(duì)抗生成網(wǎng)絡(luò)輸入，w為對(duì)抗生成網(wǎng)絡(luò)參數(shù)：

生成網(wǎng)絡(luò)包括三個(gè)網(wǎng)絡(luò)層，輸入層、隱藏層、輸出層；輸入層是手機(jī)拍攝圖像的輸入；輸出層是輸出已估計(jì)的噪聲；隱藏層分為兩個(gè)部分：隱藏層中第一部分包含四個(gè)卷積塊和三個(gè)池化層，卷積塊包含兩個(gè)卷積層，第一層卷積的卷積核大小為3x3，填充為1，步長(zhǎng)為1，第二層卷積的卷積核大小為1x1，填充為0，步長(zhǎng)為1，激活函數(shù)為線性整流函數(shù)；隱藏層中第二部分包含四個(gè)卷積塊和三個(gè)上采樣層，卷積塊包含兩個(gè)卷積層，第一層卷積的卷積核大小為1x1，填充為0，步長(zhǎng)為1，第二層卷積的卷積核大小為3x3，填充為1，步長(zhǎng)為1，激活函數(shù)為線性整流函數(shù)；其中線性整流函數(shù)的表達(dá)式為f(x)＝max(0,x)，x取值為任意實(shí)數(shù)；生成網(wǎng)絡(luò)的損失函數(shù)為L(zhǎng)＝αD+βP+γS，其中L為損失函數(shù)，D表示來自判別網(wǎng)絡(luò)的損失，P是所生成的圖像與真實(shí)圖像之間的像素與像素間差值的L2范數(shù)，S是平滑損失，表示第n次迭代訓(xùn)練的損失函數(shù)值與第n-1次迭代訓(xùn)練的損失函數(shù)值的絕對(duì)誤差，當(dāng)n等于1和2時(shí)S＝0，α，β和γ是0到1之間的實(shí)數(shù)，分別是D、P和S的預(yù)定義權(quán)重；

2)構(gòu)建多感知對(duì)抗生成網(wǎng)絡(luò)中的判別網(wǎng)絡(luò)：

判別網(wǎng)絡(luò)包括三個(gè)網(wǎng)絡(luò)層，輸入層、隱藏層、輸出層；輸入層的輸入是生成網(wǎng)絡(luò)輸出的去噪圖像，由多個(gè)感知塊組成，感知塊包括卷積運(yùn)算、批量標(biāo)準(zhǔn)化和激活函數(shù)，其中卷積核大小為3x3，填充取1，步長(zhǎng)為1，激活函數(shù)選用滲漏整流線性函數(shù)；輸出層的輸出是0到1之間的實(shí)數(shù)，去噪圖像越接近干凈圖像，該數(shù)值越接近1，由池化層、全連接層和邏輯回歸分類器組成，其中池化層為7x7全局池化；隱藏層由連接塊組成，鏈接塊包含卷積運(yùn)算、池化運(yùn)算、批量標(biāo)準(zhǔn)化和激活函數(shù)，其中卷積核尺寸為3x3，填充取1，步長(zhǎng)為1，池化采用3x3最大池化，步長(zhǎng)為2，激活函數(shù)選用線性整流函數(shù)；線性整流函數(shù)的表達(dá)式為f(x)＝max(0,x)，x取值為任意實(shí)數(shù)；滲漏整流線性函數(shù)的表達(dá)式為：x0時(shí)，g(x)＝x，x≤0時(shí)，g(x)＝λx，x為輸入量，λ為(0,1)之間的常數(shù)；

步驟2.訓(xùn)練多感知對(duì)抗生成網(wǎng)絡(luò)，步驟如下：

第一步，準(zhǔn)備數(shù)據(jù)集，設(shè)定損失函數(shù)閾值和最大訓(xùn)練次數(shù)，初始化訓(xùn)練參數(shù)；

第二步，把手機(jī)拍攝圖像輸入生成網(wǎng)絡(luò)，輸出去噪圖像；

第三步，將去噪圖像輸入判別網(wǎng)絡(luò)，輸出為M，M是0到1之間的實(shí)數(shù)，去噪圖像越接近干凈圖像，M越接近1；

第四步，計(jì)算判別網(wǎng)絡(luò)的損失函數(shù)D，D＝1-M，計(jì)算生成網(wǎng)絡(luò)的損失函數(shù)L，L＝αD+βP+γS，D表示來自判別網(wǎng)絡(luò)的損失，P是所生成的圖像與真實(shí)圖像之間的像素與像素間差值的L2范數(shù)，S是平滑損失，表示第n次迭代訓(xùn)練的生成網(wǎng)絡(luò)損失函數(shù)值與第n-1次迭代訓(xùn)練的生成網(wǎng)絡(luò)損失函數(shù)值的絕對(duì)誤差，當(dāng)n等于1和2時(shí)S＝0，α，β和γ是0到1之間的實(shí)數(shù)，分別是D、P和S的預(yù)定義權(quán)重；

第五步，若D和L大于所設(shè)定的損失函數(shù)閾值或未達(dá)到最大訓(xùn)練次數(shù)，則重復(fù)第二步至第四步；

步驟3.網(wǎng)絡(luò)參數(shù)使用自適應(yīng)矩估計(jì)算法進(jìn)行優(yōu)化，優(yōu)化方法如下：

輸入為手機(jī)拍攝圖像數(shù)據(jù)集X＝{x₁，x₂，...，x_n}，輸出為去噪后圖像標(biāo)簽數(shù)據(jù)集Y＝{y₁，y₂，...，y_n}，輸入信號(hào)經(jīng)過多感知對(duì)抗生成網(wǎng)絡(luò)后輸出優(yōu)化多感知對(duì)抗生成網(wǎng)絡(luò)參數(shù)w，使取出m個(gè)樣本進(jìn)入網(wǎng)絡(luò)訓(xùn)練，m與n均為正整數(shù)，m≤n，L為損失函數(shù)，數(shù)據(jù)梯度均值為g，定義為：

表示損失函數(shù)L(y_j，F(xiàn)(x_j；w))對(duì)w求偏導(dǎo)數(shù)；設(shè)定參數(shù)β₁和β₂，取值范圍為(0，1)，設(shè)定e為平滑參數(shù)，取值范圍為(0，1)，計(jì)算衰減梯度為v_i，i＝1，2，...，t，v_t＝β₁·v_t-1+(1-β₁)g，計(jì)算衰減學(xué)習(xí)率為r_i，i＝1，2，...，t，r_t＝β₂·r_t-1+(1-β₂)g²；再對(duì)r和v進(jìn)行偏置校正，其中t為訓(xùn)練次數(shù)，(β₁)^t表示β₁的t次方，(β₂)^t表示β₂的t次方；更新多感知對(duì)抗生成網(wǎng)絡(luò)參數(shù)w_i，i＝1，2，...，t，

步驟4.向構(gòu)建好的網(wǎng)絡(luò)模型F(X；w)中輸入含有噪聲的手機(jī)拍攝圖像X，網(wǎng)絡(luò)輸出為去噪后的手機(jī)拍攝圖像