[发明专利]一种基于学习采样和卷积神经网络的压缩感知重构方法

权利要求书

1.一种基于学习采样和卷积神经网络的压缩感知重构方法，其特征在于，所述方法包括以下步骤：

1)在图像预处理阶段中的操作如下：将所要重建的图像x₀重新构造成为1024×1024大小的图像矩阵x₁，并记录下图像原始尺寸信息；再对该矩阵进行分割，划分为标准化的图像矩阵块，记为同时记录下位置信息，n为图像按指定大小分割后的图像矩阵块总个数；

2)在采样阶段中采用学习采样代替传统的固定观测矩阵采样，用学习得到的卷积核conv1对输入图像矩阵块进行矩阵稀疏操作，得到采样信号y₀，然后采用卷积核conv2对采样信号y₀进行初始重构操作，得到信号y₁，最后经过重组和拼接得到图像矩阵采样信号，记为y₂；

3)将图像采样输出信号y₂输入到训练好的CombNet网络中，CombNet网络由全连接层和卷积层构成，在通过1个全连接层和10个卷积层后，该网络在最后重构出输入图像矩阵块，记为

4)在得到该张图像的所有图像矩阵块后，通过位置信息，可将组合为原始图像的重构图，记为x′₁；

5)在小波去噪阶段的操作如下：将得到的原始图像的重构图x′₁经过一级小波变换(DWT)后分解得到1个低频信号和3个高频信号，其中将低频信号保留不变，而分别对高频分量进行去噪，去噪的具体的操作是通过第一个卷积层、非线性变换层(ReLU)以及第二个卷积层，将三个经过去噪处理的高频分量和未经处理的低频分量经过小波逆变换IDWT得到去噪后的原始图像重构图x″₁，

6)最后根据原始图像尺寸信息重建出原始图像x″₀，即可实现图像通过神经网络压缩重构的方法。

2.如权利要求1所述的一种基于学习采样和卷积神经网络的压缩感知重构方法，其特征在于，所述步骤1)的处理过程如下：对要重建的图像x₀记录下长宽像素点个数后使用双线性插值法重新构造图像大小，双线性插值法公式如下：

x:要进行插值操作的像素点x坐标；

y:要进行插值操作的像素点y坐标；

x₁:周围左边两个像素点的x坐标；

x₂:周围右边两个像素点的x坐标；

y₁:周围上边两个像素点的y坐标；

y₂:周围下边两个像素点的y坐标；

Q₁₁:周围左上方像素点的像素值；

Q₁₂:周围右上方像素点的像素值；

Q₂₁:周围左下方像素点的像素值；

Q₂₂:周围右下方像素点的像素值；

再对1024×1024的图像x₁按照32×32大小的图像块从左到右，从上到下地进行分割，共分成1024块，即n＝1024，得到并按照该图像块是在原始图像中的第几块图像块进行位置信息记录，用于后续的图像重建。

3.如权利要求1或2所述的一种基于学习采样和卷积神经网络的压缩感知重构方法，其特征在于，所述步骤2)中，学习采样过程如下：设计卷积核conv1，大小为32×32，步长取32，个数为n，对进行卷积采样操作后得到的采样输出为y₀，然后通过卷积核conv2以及重组拼接操作后得到采样信号y₂，conv2卷积核个数为1024个，大小为1×1，步长为1，这两层卷积层均可以实现端到端的学习，采用的是随机梯度下降(SGD)训练算法，该采样过程由如下公式表示：

为卷积核conv1卷积采样操作映射。

为卷积核conv2卷积和重组拼接操作映射。

其中n的大小根据采样率来设定，有如下公式：

Sr＝n/1024 (5)

Sr:为压缩感知设定采样率。