[发明专利]低采样分块压缩感知的图像重构方法、装置、设备及介质

说明书

本发明适用图像处理技术领域，提供了一种低采样分块压缩感知的图像重构方法、装置、设备及介质，该方法包括：将待重构图像按照预设的块尺寸划分为多个图像块，通过预先训练好的深度多层感知器模型对每个图像块进行重构，得到对应的多个重构图像块，将所有重构图像块进行图像拼接，得到重构图像块对应的初始重构图像，根据预设的稀疏迭代算法，对初始重构图像进行预设次数的稀疏迭代操作，生成对应的重构图像，从而提高了在低采样率下图像重构的效率，并降低了重构图像的块效应，进而提高重构图像的质量和视觉效果。

技术领域

本发明属于图像处理技术领域，尤其涉及一种低采样分块压缩感知的图像重构方法、装置、设备及介质。

背景技术

随着多媒体技术的快速发展，以海量视频和图像为主的数据在社交娱乐、教育教学以及公共安全等领域都有广泛应用，而由于带宽的限制以及实时性的要求，传输过程中需要对数据进行压缩编码，即希望所传输的数据量和解压后的数据失真都尽可能的小。但是基于传统奈奎斯特的采样方式，采样率的下限受传输带宽的限制，在高清视频等数据量较大的情况下，无法大量地减少数据量，从而给硬件系统造成压力。近年来，Donoho、Candes和Terres Tao等人提出了压缩感知(Compressed sensing，简称CS)理论，它突破了传统奈奎斯特采样方式的束缚，在稀疏度先验下，数据可以在远低于奈奎斯特采样率的情况下，以较少的失真得到恢复，为低采样率下数据的精确恢复提供了理论支持。

目前，压缩感知技术已经应用于多种类型的数据恢复当中，如无线传感器数据、磁共振成像(Magnetic Resonance Imaging，简称MRI)图像以及点云数据等。然而压缩感知技术在采样时需要瞬间完成且数据重建算法复杂，尤其是应用到二维图像处理时，存在重构过程计算复杂度过高、测量矩阵所需存储量过大等问题。因此，为了便于数据的存储和处理，往往对图像进行分块处理，再分别对每一个图像块进行采样重构，因此基于分块压缩感知重构(Block Compressed Sensing，简称BCS)技术开始受到人们的关注。BCS技术把原始图像分成若干尺寸相同的图像块，对图像块进行某种变换，用通用性强的高斯随机矩阵独立地对每个图像块进行测量和重构，重构过程所需存储量减少，同时图像块的重构更易实现，且在对整幅图像编码之前不需要传输整幅图像的所有采样数据，这对实时处理具有非常重要的意义。

为了近一步提高重构图像的质量，更多复杂的BCS模型相继被提出，例如基于二级优化(Bi-level)模型的重构方法，基于多目标优化的重构方法以及基于稀疏度增强模型。虽然对BCS模型的适当改进可以在一定程度上提高重构图像的质量，但是针对复杂的BCS模型需要设计更为复杂的求解算法，求解算法通常是各种改进的迭代算法，往往需要较多的迭代次数才能收敛到满意的解，而迭代算法的迭代效果又容易受到初始解的影响，目前的初始解都是随机解或者最小二乘解，尤其在采样率非常低的情况下，传统的迭代方法往往不能快速地收敛，从而影响重构图像的质量。除了基于迭代算法的BCS模型之外，基于深度学习网络的BCS重构方法最近取得了较好的结果。在基于深度学习网络的BCS重构方法中，深度学习方法利用大量的图像样本，最小化测量信号与重构信号之间的残差，并以该残差的最小化为目标函数，训练出相应的深度人工神经网络模型，在重构过程中，针对每一个待重构的图像块，只要输入对应的测量信号，就可以利用训练好的深度人工神经网络模型，得到重构的图像块。虽然这一类方法利用了深度学习网络强大的回归推断能力，在低采样率下取得了不错的效果，但是在重构过程中，每个图像块都是独立地被重构出来，忽略了图像块之间的结构连续性和像素的一致性，往往会导致重构图像中出现明显的块效应，从而影响图像质量和视觉效果。因此，如何克服这类方法的不足，并且在较低的采样率下取得较好的图像重构效果成为了图像重构的关键问题。

发明内容

本发明的目的在于提供一种低采样分块压缩感知的图像重构方法、装置、设备及介质，旨在解决由于现有技术无法提供一种有效的低采样分块压缩感知的图像重构方法，导致图像重构效率低、重构图像的块效应明显的问题。

一方面，本发明提供了一种低采样分块压缩感知的图像重构方法，所述方法包括下述步骤：