买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提供一种改进生成对抗网络的织物疵点图像去噪方法，涉及计算机视觉与图像处理技术领域。方法包括：首先利用改进的残差网络对噪声织物图像进行初步去噪；然后通过引入多尺度判别器，对去噪后的图像质量进行判别以优化生成网络的训练；接着采用包含CBAM注意力机制的生成对抗网络，对织物图像进行进一步去噪与细节保留；最后，通过自适应权重策略优化损失函数，提高模型的去噪性能与疵点检测准确性。本发明有效提升了去噪后的织物图像质量，增强了对细节与疵点的保留能力，提升了生成对抗网络在不同织物疵点检测任务中的适应性与训练效率。

主权项：1.一种改进生成对抗网络的织物疵点图像去噪方法，其特征在于，包括：以生成对抗网络为框架生成织物瑕疵点去噪模型，所述模型的训练网络包括一个生成器和两个不同尺度的判别器，两个所述判别器共同作用将结果返回至所述生成器指导模型训练，所述模型通过提出新的损失函数自适应权重策略确定损失函数权重，以提高所述模型的去噪性能，所述模型通过引入多尺度判别器、残差网络和CBAM注意力机制模块对所述网络结构改进，使得所述模型更好地保留织物纹理细节和疵点特征，所述模型经过训练确定最优参数，最后将训练好的生成器用于织物疵点图像去噪；所述损失函数通过引入感知损失、像素损失、特征损失和SSIM损失来改进目标损失函数，所述改进后的目标损失函数表示为：Ltotal＝α×wGANLGAN+β×wperceptualLperceptual+wpixelLpixel+wfeatLfeat+wssimLssim其中，α、β、wGAN、wperceptual、wpixel、wfeat和wssim表示各个损失项在目标损失函数中所占的权重，LGAN为对抗损失，Lperceptual为感知损失，Lpixel为像素损失，Lfeat为特征损失，Lssim为结构相似性损失；所述损失函数自适应权重策略为通过设置内层梯度权重和外层渐变权重实现损失函数权重的自适应调整，所述内层梯度权重通过引入梯度下降法平衡优化不同损失项对所述模型的贡献，确定各个所述损失函数的基本权重，所述梯度下降法的数学表示为： 其中，w'i表示经过调整后的第i个损失函数Li的权重，α表示用于调节权重调整的幅值，取1，β表示权重调整的偏置项，取0.1，表示第i个损失函数关于各自权重参数的梯度，所述内层梯度确定后，通过动态调整外层渐变权重实现所述模型随训练深入对不同损失项重要程度的变化，动态调整外层梯度权重的数学表示为： β＝maxδ-α,0.1其中，α和β分别为对抗损失外层渐变权重和其他损失外层渐变权重，γ和δ为外层渐变权重参数，epochs和total_batches分别为总训练轮数和总批次数，epoch和bath_idx分别为当前训练轮数和当前训练批次，内层梯度权重和外层渐变权重相互配合指导不同损失函数之间权重的动态分配使模型更好地区分噪声和织物疵点特征，对不同类型的噪声和疵点更加鲁棒；所述多尺度判别器包括判别器DV和判别器Di，所述判别器DV用于原尺度清晰无噪图像和去噪图像的评估判定，同时两幅图像通过下采样操作减小图像分辨率后输入至判别器Di进行图像质量的评估判定，最后综合判别器DV和判别器Di的输出结果反馈于所述生成器；所述残差网络通过添加残差块简化深层神经网络的学习过程，所述残差网络包括两个途径，分别为残差分支Fxl,Wl和直接映射hxl，所述残差分支依次包括卷积层、批量归一化层和ReLU激活函数，之后还包括卷积层和ReLU激活函数，所述直接映射hxl将输入传递给加法操作，所述残差分支Fxl,Wl和所述直接映射hxl的输出通过逐元素加法操作回合，通过ReLU激活函数得到处理后的特征，所述残差块的数学表示为：xl+1＝hxl+Fxl,Wl其中，xl+1表示残差块处理后的特征，直接映射hxl为跳跃连接，Fxl,Wl表示残差函数，Wl为可学习参数的合集；所述CBAMConvolutionalBlockAttentionModule注意力机制包括通道注意力机制ChannelAttentionMechanism，CAM和空间注意力机制SpatialAttentionMechanism,SAM混合构成。

全文数据：

权利要求：

百度查询： 浙江理工大学 一种改进生成对抗网络的织物疵点图像去噪方法