[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

说明书

一种基于学习采样和卷积神经网络的压缩感知重构方法，对于一个图像输入，经过系统模型，能够以低采样率采样并重构还原。本发明将CSNet网络以及CombNet网络相结合，并以小波变换作为去噪手段，实现在低采样率的情况下最大程度地重构图像，能够很好地改善信号传输带宽问题，节约传输时间和存储空间，使得压缩感知技术在信号传输以及图像压缩领域拥有更高的效率以及更好的性能。

技术领域

本发明属于人工智能领域，涉及一种基于学习采样和卷积神经网络的压缩感知重构方法。

背景技术

压缩感知(Compressive Sensing，CS)理论在2006年由CANDES等人提出，该理论指出：当某个信号本身或在一个变换域上是稀疏的，则可以通过观测矩阵将原本的高维信号投影到低维空间上，并通过对此采样方程进行优化求解，进而将信号重构出来，该项技术极大地缩小了信号的存储空间，降低了传输成本，在诸多领域得到了广泛的应用。但是，传统的压缩感知重构方法需要手动设计观测矩阵，重构方法复杂，同时耗时较长，而最后重构的效果较差，难以直接适应绝大多数的应用场景。随着近年来深度学习的发展，逐渐有学者提出将深度神经网络同压缩感知技术融合，以自学习采样矩阵作为观测矩阵对原始信号进行处理。其中CSNet中的压缩采样模块可以自适应的从训练集图像中学习到采样矩阵，实现在采样后仍能较好地保留图像的结构化信息，提升图像重构效果。而CombNet卷积神经网络结构在有较好的重构效果同时还具备低复杂度的优点，使得重构方法变得轻盈而精准。

发明内容

为了解决传统压缩感知方法需自定义采样矩阵，重构算法复杂，耗时长以及重构效果差的不足，旨在以深度学习为基础，本发明提出了一种压缩感知图像重构优化方法。本发明创新性地将CSNet网络以及CombNet网络结合，并以小波变换作为去噪手段，对传统的凸函数优化迭代重构方法进行了改进，实现在较低采样率的情况下最大程度地重构图像，在信号传输以及图像压缩领域取得较好的应用。

本发明解决其技术问题所采用的技术方案是：

一种基于学习采样和卷积神经网络的压缩感知重构方法，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。