[发明专利]一种多尺度特征融合的图像重建方法及系统

说明书

本发明公开了图像重建领域的一种多尺度特征融合的图像重建方法及系统，包括：对原图像进行压缩测量得到测量向量；根据测量向量生成初始重建图像；采用多个残差模块对初始重建图像依次进行特征提取，获得残差特征集合；将残差特征E_n输入至多种尺度卷积核的密集模块提取密集特征T₁；采用注意力模块将密集特征T₁和残差特征E_n‑1进行局部特征融合形成密集特征T₂；重复迭代直至全局的残差特征融合完成，获得全局融合特征；计算全局融合特征的残差后与初始重建图像相加得到最终重建图像；本发明提升了图像重建质量并减少网络的计算量。

技术领域

本发明属于图像重建领域，具体涉及图像压缩感知重建方法及系统。

背景技术

图像压缩感知重建技术是一种将图像压缩然后再恢复的方法。在信息传输中，压缩对于传输有着至关重要的重用，相较于奈奎斯特采样，压缩感知对采样条件要求更低，它的特殊采样方式打破了奈奎斯特采样定律的限制，拥有更高的计算效率。近年来，在压缩与解压缩运算量激增的大数据时代背景下，压缩感知受到学术界与业界的广泛关注。传统的图像压缩感知重建算法中，在较低采样率下的图像恢复质量较差，重建图像如何得到更好重建精度，并减少空间占用，成为相关安全部门的迫切需求。

近年来，随着基于深度学习的图像压缩感知重建技术的算法出现，通过卷积网络、残差网络或注意力网络来提升图像的重建质量，这在恢复图像中的纹理复杂区域提供了极大的帮助。但是现有的算法为了尽可能的提高图像的重建精度，提升网络深度导致模型训练时间偏长。而且大多数网络在特征融合阶段对局部特征的学习效率低下，对纹理复杂区域的学习效果不明显。

发明内容

本发明的目的在于提供一种多尺度特征融合的图像重建方法及系统，提升图像重建质量并减少网络的计算量。

为达到上述目的，本发明所采用的技术方案是：

本发明第一方面提供了一种多尺度特征融合的图像重建方法，包括：

对原图像进行压缩测量得到测量向量；根据测量向量生成初始重建图像；

采用多个残差模块对初始重建图像依次进行特征提取，获得残差特征集合E={E₁，E₂，…，E_n}；将残差特征E_n输入至多种尺度卷积核的密集模块提取密集特征T₁；

采用注意力模块将密集特征T₁和残差特征E_n-1进行局部特征融合形成密集特征T₂；重复迭代直至全局的残差特征融合完成，获得全局融合特征；

计算全局融合特征的残差后与初始重建图像相加得到最终重建图像。

优选的，对原图像进行压缩测量得到测量向量的方法包括：

将原图像转为灰度图后进行区块处理获得图像块，将图像块进行旋转和翻转后构建图像块数据集；

对图像块数据集中的图像块进行采样后，通过测量矩阵对图像块行压缩测量得到测量向量，表达公式为：

公式中，𝚽表示为测量矩阵；表示为第i个图像块；表示为第i个图像块对应的测量向量。

优选的，根据测量向量生成初始重建图像的方法包括：

将测量向量转化为初始重建图像块的表达公式为：

公式中，表示由全连接层组成的线性映射关系函数，表示为第i个图像块的权重；表示为第i个初始重建图像块；

将各初始重建图像块进行叠加生成初始重建图像。