一种基于生成对抗网络的图像去噪方法与流程

本方法属于计算机视觉领域，具体涉及到一种基于生成对抗网络的图像去噪方法。

背景技术：

1、图像噪声是指存在于图像数据中的不必要的或多余的干扰信息，一般在摄取或传输时所受随机信号干扰,表现为图像信息或者像素亮度的随机变化。

2、图像噪声的种类很多,常见的有椒盐噪声和高斯噪声。中值滤波是一种广泛应用于去除椒盐噪声的非线性滤波算法,比传统的线性滤波算法的去噪能力高,还能使图像更清晰与逼真。低通滤波一直是去除高斯噪声的经典算法,它能在去噪声时,尽量保持图像信号的高频细节。然而,随着应用领域的拓宽,这些算法存在或多或少的不足：例如在去噪时容易丢失图像的细节或边缘信息。

3、方法内容

4、本方法的目的在于克服上述现有技术的不足，提供了一种基于生成对抗网络的图像去噪方法。

5、本方法是这样实现的：一种基于生成对抗网络的图像去噪方法，步骤如下：

6、s1、数据预处理：对获取的数据集中的原始图像进行预处理操作，提取可用数据图像；

7、s2、特征提取：提取图像纹理细节特征，将噪声与背景信息分离，包括如下步骤：

8、a201、有尺度不变特征变换：提取不变性特征；

9、a202、方向梯度直方图：将3通道的彩色图像转换成一定长度的特征向量；

10、a203、fast角点检测：快速角点特征的检测算法提取噪声块，得到去噪图像；

11、s3、去噪模型设计和选择：通过生成对抗网络的对抗学习训练来获得逼真的去噪模型图，包括如下步骤：

12、b301、固定判别器d，训练生成器g：使得所述生成器g不断通过噪声生成若干图片数据，所述判别器d对所述图片数据进行真实性判断，直至所述生成器g能生成被所述判别器d判断为真的图片数据，以提高所述生成器g的图片数据生成的能力；

13、b302、固定生成器g，训练判别器d：经过训练后的所述生成器g持续生成假的图片数据，所述判别器d对所述图片数据进行真实性判断，直至所述判别器d能对所述图片数据持续判断为假，以提高所述判别器d的判定能力；

14、b303、不断循坏步骤b301和b302，直至所述生成器g和所述判别器d的能力为最强为止。

15、进一步的，在步骤s1中，所述预处理操作方法包括图像格式转换、几何校正、主成分分析。

16、进一步的，在步骤s2中，所述提取图像纹理细节特征的方法包括卷积和池化。

17、本方法提供的一种基于生成对抗网络的图像去噪方法，不仅解决了用传统方法去噪时容易丢失图像的细节或边缘信息的问题，还提高了图像去噪后的细节特征。

技术实现思路

技术特征：

1.一种基于生成对抗网络的图像去噪方法，其特征在于：步骤如下：

2.根据权利要求1所述的一种基于生成对抗网络的图像去噪方法，其特征在于：在步骤s1中，所述预处理操作方法包括图像格式转换、几何校正、主成分分析。

3.根据权利要求1所述的一种基于生成对抗网络的图像去噪方法，其特征在于：在步骤s2中，所述提取图像纹理细节特征的方法包括卷积和池化。

技术总结
本方法适用于计算机视觉领域，提供了一种基于生成对抗网络的图像去噪方法，包括S1、数据预处理：对获取的数据集中的原始图像进行预处理操作，提取可用数据图像；S2、特征提取：提取图像纹理细节特征，将噪声与背景信息分离；S3、去噪模型设计和选择；通过生成对抗网络的对抗学习训练来获得逼真的去噪模型图；解决了用传统方法去噪时容易丢失图像的细节或边缘信息的问题，还提高了图像去噪后的细节特征。

技术研发人员：李晶晶,高斌,邹琼,周双全
受保护的技术使用者：深圳市瑞云科技股份有限公司
技术研发日：
技术公布日：2024/1/15