1.基于多辨别器对抗网络的碑帖二值化背景噪声去除方法，其特征在于，包括如下步骤：步骤1：建立取样样本；

步骤2：根据步骤1中的取样样本，进行预处理，作为最终训练数据集；

步骤3：将步骤2中得到的训练数据集输入去噪网络中进行训练，依次更新生成网络权重和辨别网络权重；

步骤4：将需要去除噪声的碑帖数据输入步骤3更新后的辨别网络和生成网络中进行去噪，得到去除噪声后的碑帖图像。

2.如权利要求1所述的基于多辨别器对抗网络的碑帖二值化背景噪声去除方法，其特征在于，所述步骤1的具体过程为：收集多张碑帖图像，人工将其分为干净图像和噪声图像两类，最终分别得到m张不配对的带噪声图片和干净图像，即为取样样本。

3.如权利要求1所述的基于多辨别器对抗网络的碑帖二值化背景噪声去除方法，其特征在于，所述步骤2的具体过程为：步骤2.1：对样本进行二值化操作，然后判断图像背景色是否为白色，对于背景色不为白色的二值化图像进行反色操作；

步骤2.2：将经过步骤2.1处理过后的碑帖图像随机裁剪成w×h大小，得到2m张大小为w×h带噪碑帖图像和干净碑帖图像；

步骤2.3：对步骤2.2中的干净碑帖图像进行噪声模拟，获得与干净碑帖图像配对的带噪图像，形成m对图像对{X，Z}，其中X表示干净图像，Z表示加有模拟噪声的带噪图像；

步骤2.4：对步骤2.2中的干净碑帖图像进行高斯模糊，得到m张高斯模糊后的干净碑帖图像；

步骤2.5：将步骤2.3与步骤2.4得到的图像一起作为最终训练数据集。

4.如权利要求1所述的基于多辨别器对抗网络的碑帖二值化背景噪声去除方法，其特征在于，所述步骤3的具体过程为：步骤3.1：选取步骤2中任意一个带噪声图像Z，输入生成器网络G，带有噪声的碑帖图像Z经过生成器网络G的计算，输出一张与输入图像大小相同的干净图像fake_img＝G(Z)；

步骤3.2：在步骤2中选取与步骤3.1中带噪图像Z配对的干净图像X，将步骤3.1生成的干净图像fake_img和干净图像X同时与选取的带噪图像Z配对得到两个图像对，记为：m＝{Z，fake_img}和n＝{Z，X}，随后将图像对m，n输入辨别网络D0，得到两个概率值D0(m)，D0(n)，建立对抗网络损失函数为公式(1)：其中 表示m服从真实数据概率分布的期望； 表示n服从生成数

据概率分布的期望；D0(m)表示生成图像对m输入辨别器D0后的输出值，表示该图像对为真的概率；D0(n)表示真实图像对n输入辨别器D0后的输出值，表示该图像对为真的概率；Ladv0表示生成器和辨别器D0对应的对抗损失函数；

步骤3.3：在步骤2中随机选取一张干净图像X0，将X0和步骤3.1中生成图像fake_img输入辨别网络D1，得到两个概率值D1(X0)，D1(fake_img)，建立对抗网络损失函数为公式(2)：其中 表示X服从真实干净数据概率分布期望， 表示Z服从真实

带噪数据分布期望，G(Z)表示带噪图像经过生成器网络G计算后得到的去噪图像；D1(X)表示干净图像X输入辨别器D1输出的值，表示该图像为真的概率；D1(G(Z)表示有生成器G生成的图像输入辨别器D1输出的值，表示将生成图像分为真的概率；Ladv1表示生成器和辨别器D1对应的对抗损失函数；

步骤3.4：在步骤2中选取步骤3.2中干净图像X对应的高斯模糊后的图像W，将干净图像X，步骤3.1中生成的干净图像fake_img和高斯模糊后的图像W输入辨别网络D2，得到三个概率值D2(X)，D2(fake_img)和D2(W)，建立对抗网络损失函数为公式(3)：Ladv2＝E[log(P0(D2(X)))+log(1-P1(D2(W)))+log(1-P2(D2(G(Z))))] (3)其中E表示X服从真实干净数据概率分布期望、W服从真实高斯模糊数据概率分布期望、Z服从真实带噪数据分布期望，P0(D2(X))表示辨别网络D2将图像X分类为标签0的概率，P1(D2(W))表示辨别网络D2将图像W分类为标签1的概率，P2(D2(G(Z)))表示辨别网络D2将生成图像G(Z)分类为标签2的概率；Ladv2表示生成器和辨别器D2对应的对抗损失函数；

步骤3.5：将步骤3.2-3.4中三个辨别网络的对抗损失函数结合，得到公式(4)：Ladv＝λLadv0+αLadv1+βLadv2  (4)

其中λ，α，β为常数且λ＝10，α＝β＝1，分别表示各个辨别网络在整体去噪模型中所占的权重比例；Ladv表示总的生成器和辨别器对应的对抗损失函数；

最终可得到总的损失函数为：

Loss(ω,θ)＝Ladv+ηLL1(G)   (5)

其中ω和θ分别表示生成器网络和辨别器网络的权重，η表示常数且η＝1000，L表示损失值，L1表示曼哈顿距离，LL1表示L1距离的损失值；Loss(ω，θ)表示总的损失函数；ω表示生成器的权重参数；θ表示辨别器的权重参数；

步骤3.6：计算步骤3.5中总的损失函数，使用Adam梯度下降方式依次更新生成器与辨别器权重参数：Adam(ω,Loss,learning_rate)，Adam(θ,Loss,learning_rate)；

其中learning_rate表示梯度下降学习率，learning_rate＝0.0002，当D0(n)≈D0(m)，D1(G(Z))≈D1(X)，D2(G(Z))≈D2(X)，即fake_img≈X时，生成网络G生成的图像与干净图像无线接近时，训练完成。

5.如权利要求1所述的基于多辨别器对抗网络的碑帖二值化背景噪声去除方法，其特征在于，所述步骤4的具体过程为：步骤4.1：对需要去除噪声的碑帖图像进行二值化处理，判断二值化图像背景是否为白色，若不是则进行反色操作；

步骤4.2：将经过步骤4.1处理后的碑帖图像image输入经过步骤3训练更新的生成器网络G中，输出生成图像G(image)即为去除噪声后的碑帖图像。