[发明专利]一种深度学习的压缩感知同类图像快速重构系统与方法

说明书

本发明公开了一种深度学习的压缩感知同类图像快速重构系统与方法，其方法特征是：1)将图像X的CS测量值y和测量矩阵Φ的伪逆的乘积进行重构得到生成器的输入数据2)生成器的初始化，包括确立生成器的损失函数、输出单元、隐藏单元以及梯度更新算法和初始化生成器网络内部参数；3)生成器的学习：根据生成器损失函数，完成生成器内部网络参数的更新；4)判别器的初始化，同生成器的初始化；5)判别器的学习：根据判别器损失函数，完成判别器内部参数的更新；6)系统总体训练和网络模型的保存。本发明克服已有压缩感知图像重构时间长的不足，针对同类图像，用训练后的生成器模型进行压缩感知重构，可以大大降低重构时间。

技术领域

本发明属于通信技术领域，尤其是涉及一种深度学习的压缩感知同类图像快速重构系统与方法。

背景技术

图像压缩感知是近几年图像处理领域的重大突破，对稀疏信号或可压缩信号，压缩感知理论通过少量的线性投影直接编码图像信号中包含绝大部分信息的重要分量，实现对原始图像的采样、压缩以及重构，其中重构是压缩感知的研究核心。现阶段传统的压缩感知(CS)重构算法主要分两大类。第一类是贪婪迭代算法，通过迭代方式寻找稀疏向量的支撑集，并且使用受限支撑最小二乘估计来重构信号，主要包括:匹配追踪法(MP)、正交匹配追踪法(OMP)、分段OMP法、规范OMP法、迭代硬阈值法等。第二类是凸优化算法或最优化逼近方法，通过将非凸问题转化为凸问题求解找到信号的逼近，主要包括:基追踪法(BP)、梯度投影法(GPSR)、最小全变分法(TV)和最小角度回归法(LARS)。凸优化算法比贪婪算法所求的解更加精确，但是需要更高的计算复杂度。传统的CS重构算法由于需要计算量通常很大,难以满足实时性的要求。

发明内容

本发明的目的在于克服已有压缩感知图像重构时间长的不足，针对同类图像，提出了一种深度学习的压缩感知同类图像快速重构系统与方法。

本发明的一种深度学习的压缩感知同类图像快速重构系统，包括用于从CS测量值生成重构图像的反卷积网络，即生成器；和用于判别重构图像真实度的卷积神经网络，即判别器；所述生成器用于进行压缩感知重构，所述判别器用于辅助以及提高生成器的“重构”能力，结构如下：

所述生成器的结构包括1个全连接层、4个转置卷积层和1个输出层，其中第一转置卷积层包含有512个5*5大小的卷积核，上采样步长为2；第二转置卷积层包含有256个5*5大小的卷积核，上采样步长为2；第三转置卷积层包含有128个5*5大小的卷积核，上采样步长为2；第四转置卷积层包含有64个5*5大小的卷积核，上采样步长为2；

所述判别器的网络结构包括4个卷积层、1个全连接层和1个输出层，其中第一卷积层包含有64个5*5大小的卷积核，卷积步长为2；第二卷积层包含有128个5*5大小的卷积核，卷积步长为2；第三卷积层包含有256个5*5大小的卷积核，卷积步长为2；第四卷积层包含有512个5*5大小的卷积核，卷积步长为2。

一种深度学习的压缩感知同类图像快速重构方法，包括以下步骤：

1)将图像X的CS测量值y和测量矩阵Φ的伪逆的乘积进行重构：

得到生成器的输入数据

2)生成器的初始化

2a)确立生成器的损失函数、输出单元、隐藏单元以及梯度更新算法；

2b)初始化生成器网络内部参数θ_g；

3)生成器的学习

3a)将特征数据输入到生成器中；

3b)特征数据经过生成器得到重构完成的图像

3c)生成器根据其损失函数在固定判别器网络的情况下，利用自适应矩估计优化梯度算法，即Adam优化算法，完成生成器内部网络参数的更新；

4)判别器的初始化