一种基于残差稠密阈值网络的图像压缩感知重建方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112991472A(43)申请公布日2021.06.18(21)申请号202110294533.5(22)申请日2021.03.19(71)申请人华南理工大学地址510640广东省广州市天河区五山路381号(72)发明人文祥(74)专利代理机构广州市华学知识产权代理有限公司44245代理人李斌(51)Int.Cl.G06T9/00(2006.01)G06T3/40(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于残差稠密阈值网络的图像压缩感知重建方法(57)摘要本发明公开了一种基于残差稠密阈值网络的图像压缩感知重建方法，该方法的步骤包括：将原始自然图像分块后通过高斯采样矩阵采样，将低维采样量与裁剪图像块制作成为训练集；将低维采样量通过线性卷积恢复成高维初始重建图像块；将初始重建图像通过搭建好的残差稠密阈值网络进一步优化重建；通过计算相应损失函数并通过优化器减小损失，反向传播相应参数；损失达到要求，保留相应训练模型；通过训练模型输出重建图像块并拼接成最终输出图像；对比已有的压缩感知重建方法，本发明在重建质量和重建时间上均有明显优势。CN112991472ACN112991472A权利要求书1/2页1.一种基于残差稠密阈值网络的图像压缩感知重建方法，其特征在于，包括下述步骤：将原始自然图像分块后通过高斯采样矩阵采样，将低维采样量与裁剪图像块制作成为训练集；将低维采样量通过线性卷积恢复成高维初始重建图像块；将初始重建图像通过搭建好的残差稠密阈值网络进行优化重建，所述残差稠密阈值网络设有多个迭代的网络模块，以残差稠密块作为其约束单元，且满足对称性，级联多个相同的残差稠密阈值网络得到最终的优化重建图像块；计算所述优化重建图像块与原始真实裁剪图像块之间的误差，采用Adam优化器降低损失，并对损失进行反向传播，更新神经网络的参数，当计算损失值达到期望值之后，结束网络的训练并保留训练模型；使用测试集作为输入重建图像，通过将测试图像分块采样得到相应的低维采样量，经过训练模型得到重建后的高质量图像块，并拼接成完整图像。2.根据权利要求1所述的基于残差稠密阈值网络的图像压缩感知重建方法，其特征在于，所述将原始自然图像分块后通过高斯采样矩阵采样，具体步骤包括：将原始图像集合随机裁剪分割，对于每个给定的裁剪图像块{xi|i＝1,2,3,...,n}转化为一维矢量；由生成的随机高斯矩阵构造相应的测量矩阵Φ，在设定的采样率下通过yi＝Φxi获得低维采样量的训练集合{yi|i＝1,2,3,...,n}，其中xi表示图像块的矢量化集合。3.根据权利要求1所述的基于残差稠密阈值网络的图像压缩感知重建方法，其特征在于，所述将低维采样量通过线性卷积恢复成高维初始重建图像块，具体步骤包括：将低维采样量经过一层反卷积层上采样后，reshape函数恢复成与原始裁剪图像块大小一样的数据，完成初始重建。4.根据权利要求1所述的基于残差稠密阈值网络的图像压缩感知重建方法，其特征在于，所述将初始重建图像通过搭建好的残差稠密阈值网络进行优化重建，具体步骤包括：将迭代阈值收缩算法改为卷积神经网络框架，并且引入残差稠密块作为约束单元，迭代阈值收缩算法迭代具体表示为：k(k‑1)T(k‑1)ri＝xi‑ρΦ(Φxi‑y)k(k)其中，ri、xi对应于迭代阈值收缩算法进行迭代时的两个模块,ρ为步长，k为迭代次数；(k)xi的求解转换为：其中，θ(k)是每个进一步重建阶段的变换参数和阈值参数，残差稠密阈值约束的每个阶段都有其特定的变换参数和阈值参数F(k)、是卷积神经网络构成的正反变换，为左边约束单元和右边约束单元，且满足对称关系。5.根据权利要求1所述的基于残差稠密阈值网络的图像压缩感知重建方法，其特征在2CN112991472A权利要求书2/2页于，所述残差稠密块包括八个紧密跳连的卷积层，每个卷积层包含的滤波器大小为3×3，填充量为1，步长为1，每一层都有Relu激活函数，采用5×5卷积核进行concatenate级联，接Leaky_Relu激活函数并将输出通道数设置为1。6.根据权利要求1所述的基于残差稠密阈值网络的图像压缩感知重建方法，其特征在于，所述采用Adam优化器降低损失，并对损失进行反向传播，更新神经网络的参数，网络的总体损失函数为：其中，Losstotal为总体损失值，Lossdiscrepancy为均方误差损失函数，Lossconstraint为限制损失，f(yi)表示重建图像块，xi表示原始裁剪图像块，Nb表示图像块总数，Np表示残差稠密块级联次数，γ表示比例系数。7.一种基于残差稠密阈值网络的图像压