[发明专利]基于深度学习的感兴趣区域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感兴趣区域压缩感知图像重构方法，克服了现有压缩感知图像重构方法在有限的观测资源下对图像中感兴趣区域重构质量低的问题，实现的步骤为：(1)构建感兴趣区域感知重构网络；(2)训练感兴趣区域感知重构网络；(3)对待重构的自然图像进行预处理；(4)获取第一次观测信息；(5)获得初恢复图像；(6)获取感兴趣区域图像；(7)获取第二次观测信息；(8)重构感知恢复图像。本发明利用两次观测的方法，为感兴趣区域分配更多的观测资源，重构的图像中感兴趣区域纹理细节清晰。

主权项

1.一种基于深度学习的感兴趣区域压缩感知图像重构方法，其特征在于，构建感兴趣区域感知重构网络，利用初次统一观测恢复模块获得第一次观测信息和初恢复图像，利用显著性目标区域提取模块获取感兴趣区域图像，利用感兴趣区域增强压缩感知子网络获取第二次观测，通过第二次观测信息与初次统一观测恢复模块的观测信息组合后重构获得感知重构图像，该方法的具体步骤如下：(1)构建感兴趣区域感知重构网络：(1a)搭建感兴趣区域感知重构网络中的提取感兴趣区域子网络，该子网络包括一个八层的初次统一观测恢复模块和一个六层的显著性目标区域提取模块；所述初次统一观测恢复模块的结构依次为：第一个卷积层→反卷积层→第二个卷积层→第一个残差块→第二个残差块→第三个残差块→第五个卷积层→第六个卷积层；设置初次统一观测恢复模块的各层参数；所述显著性目标区域提取模块的结构为：五个卷积层与一个池化层依次相连，池化层分别与第一、二、三、四层卷积层连接，第五个卷积层分别与第一、二、三、四层卷积层连接，第四个卷积层分别与第一、二层卷积层连接，第三个卷积层分别与第一、二层卷积层连接，每个卷积层和池化层均连接一个softmax激活层共组成六个分类器；设置显著性目标区域提取模块的各层参数；(1b)构建感兴趣区域感知重构网络中的感兴趣区域增强压缩感知子网络：所述感兴趣区域增强压缩感知子网络的结构依次为：第一个卷积层→反卷积层→第二个卷积层→第一个残差块→第二个残差块→第三个残差块→第四残差块→第五个残差块→第六个残差块→第七个残差块→第五个卷积层→第六个卷积层，其中第一个卷积层与初次统一观测恢复模块的第一层卷积层均与反卷积层相连；设置感兴趣区域增强压缩感知子网络的各层参数；(2)训练感兴趣区域感知重构网络：(2a)将3000张自然图像分别输入到感兴趣区域感知重构网络中，经过初次统一观测恢复模块输出每张图像对应的初恢复图像；经过显著性目标区域提取模块输出每张初恢复图像对应的感兴趣区域图像；经过感兴趣区域增强压缩感知子网络输出每张感兴趣区域图像对应的感知恢复图像；(2b)利用均方误差函数，计算每张输入图像与对其应的初恢复图像的损失值；(2c)利用交叉熵函数，计算感兴趣区域图像与该图像对应的显著区域标签图像的损失值；(2d)利用均方误差函数，计算输入的每张图像与对应的感知恢复图像的损失值；(2e)计算总损失值，采用随机梯度下降算法，最小化总损失值，得到训练好的感兴趣区域感知重构网络；(3)对待重构的自然图像进行预处理：将待重构的自然图像的大小裁剪成256×256个像素；(4)获取第一次观测信息：将预处理后的图像输入到初次统一观测恢复模块，通过该模块中第一层卷积层进行第一次观测，获取第一次观测信息；(5)获得初恢复图像：将第一次观测信息输入到初次统一观测恢复模块的剩余结构中进行重构，输出初恢复图像；(6)获取感兴趣区域图像：将初恢复图像输入到显著性目标区域提取模块，输出感兴趣区域图像；(7)获取第二次观测信息：将感兴趣区域图像输入到感兴趣区域增强压缩感知子网络，经过第一层卷积层的卷积操作，获取第二次观测信息；(8)重构感知恢复图像：将第一次观测信息和第二次观测信息通过concat操作进行组合，将组合后的观测信息输入到感兴趣区域增强压缩感知子网络的剩余结构中进行重构，获得感知恢复图像。