[发明专利]基于深度学习的自适应观测压缩感知图像重构方法

摘要

本发明公开了一种基于深度学习的自适应观测压缩感知图像重构方法，主要解决现有技术不能得到自适应于数据集的观测的问题。其实现方案是：1.准备重构网络DR2网络结构文件及相关文件；2.在重构网络DR2网络结构的基础上添加输出维度低于输入的第二全连接层得到自适应观测网络，修改训练所需的文件，并利用修改后的文件对自适应观测网络进行训练，得到训练好的模型；3.利用训练好的模型进行图像观测及重构。本发明的重构结果明显优于现有随机高斯观测的重构结果，且适应性强，实时性好，可用于雷达成像。

主权项

基于深度学习的自适应观测压缩感知图像重构方法，包括：1)构建自适应观测网络：1a)从github网站上下载重构网络DR2的网络结构文件、参数设置文件、生成训练集的代码、生成验证集的代码、测试代码以及测试集图片，从SRCNN网站上下载训练集图片和验证集图片；1b)在linux系统下搭建caffe平台，并安装matlab商用软件；1c)在重构网络DR2的基础上修改重构网络结构文件，即在重构网络DR2的全连接层前添加输出为低维的第二全连接层，得到自适应观测网络；2)转换数据格式开始训练：2a)将1a)中的训练集图片和验证集图片分别放到Training_Data/Train文件夹和Training_Data/Test文件夹下，修改并运行代码生成训练集的hdf5格式和验证集的hdf5格式文件；2b)使用1c)修改后的网络结构文件和参数设置文件以及2a)中的训练集的hdf5格式和验证集的hdf5格式文件2c)在caffe平台上对自适应观测网络进行训练：2c1)只训练重构网络DR2的全连接层和新添加的第二全连接层；2c2)在2c1)的基础上训练重构网络DR2的所有层和新添加的第二全连接层，即训练自适应观测网络，得到训练好的模型，该训练好的模型包括第二全连接层和重构网络DR2；3)利用训练好的模型进行图像观测及重构：3a)从1a)中的测试集图片中选取一张图像作为原图，分割为大小固定的数个图像块，通过matlab商业软件调用caffe中的函数，将原图的这些图像块输入到训练好的模型中，每个图像块经过第二全连接层后得到一组观测值；3b)每组观测值经过重构网络DR2后得到重构图像块，将这些重构图像块按原图顺序进行合并，得到重构图像。