[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

说明书

本发明属于图像处理领域，为最大限度的提升图像的重建质量和重建效果，本发明，基于多尺度残差神经网络的压缩感知图像重建系统，包括：压缩采样模型包含一个重塑reshape层\一个全连接层；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，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。本发明主要应用于图像处理场合。

技术领域

本发明属于图像处理领域，涉及深度学习中卷积神经网络的结构优化，图像压缩采样和反向重建研究。具体涉及基于多尺度残差神经网络的压缩感知图像重建方法。

背景技术

压缩感知(CS)理论是一种极具潜力的新兴技术，它证明了当信号在变换域中是稀疏的情况下，可以利用比奈奎斯特(nyqiust)采样理论所要求的更少的采样数据，较大概率地重构得到原始信号[1,2]。此外，CS理论还可以同时完成对信号的采样和压缩处理，有助于减轻硬件在数据采集、存储和传输中的压力。基于以上优点，CS理论在医学图像扫描仪[3]、单像素相机[4]、认知无线电通信[5]等许多实际应用中得到了广泛应用。

为了充分发挥CS理论的潜力，近十年来提出了许多基于CS理论的图像重建方法。压缩感知图像的重建方法可以大致分为两类：传统的基于优化的压缩感知图像重建方法和最新的基于CNN(卷积神经网络)的压缩感知图像重建方法。为了更好地分析这些方法并展示我们的方法的优势，我们首先用数学形式解释信号的压缩感知及其反向重建过程：压缩感知和反向重建理论的目的是从原始信号对应的压缩观测量y＝φx∈R^M中反向重建出原始信号x∈R^N，其中φ∈R^M×N被称为测量矩阵，用于实现对原始信号x的压缩采样过程，y∈R^M是根据压缩感知理论从原始信号x中压缩采样得到的观测向量。由于mn，从y反向重建出x是一个极度不适定的问题。

对于这个问题，大多数传统的压缩感知图像重建方法[6,7,8,9]假设原始图像信号在某些变换域中是结构稀疏的，然后应用迭代计算来求解一个优化问题。然而，现实世界中的自然图像在其变换域中并不具有精确的稀疏性，这限制了这些算法的重建性能。此外，迭代计算的计算复杂度高，执行重建任务的时间长，这也限制了图像压缩感知理论的实时应用。最近，受到将CNN应用于图像超分辨率重建[10]领域的启发，研究人员开发了一类新的基于CNN的压缩感知图像重建方法。Kulkarni等人首先提出了一种利用简单卷积神经网络ReconvNet[11]从观测向量中反向恢复出原始图像的方法。Yao等人[12]进一步完善了重建网络的结构，形成了一个新的网络DR²-Net[12]，在其中引入了全连接层作为线性映射模型，残差网络作为重建模型。在文献[13]中，Zhang等人提出了一个称为ISTA-Net的CNN模型，从而适当的融合传统迭代算法的结构优势和CNN方法的重建速度优势。

发明内容