[发明专利]基于多尺度残差神经网络的压缩感知图像重建方法

权利要求书

1.一种基于多尺度残差神经网络的压缩感知图像重建系统，其特征是，包括：压缩采样模型包含一个重塑reshape层，该层用于将输入大小为n×n的图像块xp进行尺寸变换，最终形成一个尺寸为n2×1的单列向量x_v；然后一个全连接层用于对向量x_v执行压缩采样过程并生成相应的尺寸为α×n²，的图像观测向量y，α表示测量率，即压缩采样率，然后，将压缩采样模型的输出送入到初始重建模型，其中一个全连接层FC用于对观测向量y进行上采样，FC(fully-connected layer)包含n²个神经元，最终得到与x_v相同尺寸的输出数据，另一个重塑reshape层重新排列上采样过程的输出，形成初步重建图像xir；采用包含多个多尺度残差块MSRB的深层多尺度残差重建模型进一步处理xir，每个MSRB的输出特征映射送至网络的末端，并将这些特征信息与初始重建模型的输出一起连接送入网络末端。

2.如权利要求1所述的基于多尺度残差神经网络的压缩感知图像重建系统，其特征是，其中，压缩采样模型：

输入图像块xp为n×n大小，压缩样本模型中整形层的整形操作为f_re1，reshape层用于重新整形输入图像块的尺寸，同时保留每个像素的值，则reshape层的输出表示为：

x_v＝f_re1(x_p) (1)

其中x_v是具有n²×1大小的单列向量。其次，在压缩采样x_v中加入一个全连接层，包括α×n²神经，α表示测量率；全连接层的输出为y，则y与x_v之间的关系表示为：

y＝f_full1(x_v) (2)

其中，f_full1表示全连接的操作；

这个全连接层实现了与传统的随机高斯测量矩阵相似的功能：层中有α×n²个神经元，对于每个神经元，生成一个与向量x_v尺寸相同的权重向量，通过对网络的训练，自适应地学习权值向量的值，然后将当前神经元的输出用矢量x_v和权值向量的内积表示，从而一层α×n²个神经元的输出可以用矢量x_v和一个由α×n²个权重向量形成的权值矩阵的内积表示，其中权重矩阵为(α×n2)×n²尺寸；

压缩采样模型的输出被发送到下一个初始重建模型，其输出表示为x_ir，则y和x_ir之间的关系可以表示为：

x_ir＝f_re2(f_full2(y)) (3)

其中，f_full2表示全连接层中的操作，可以看作是用于模拟从y到原始信号x_v初始重建过程的线性映射，而f_re2表示reshape层中的整形操作。

3.如权利要求1所述的基于多尺度残差神经网络的压缩感知图像重建系统，其特征是，其中，多尺度残差重建模块MSRB：MSRB中有三个卷积通道，每个通道利用固定尺寸的卷积核从输入特征图中提取某一种尺度信息，此外，从三个通道提取的图像信息会进行进一步共享和融合。