[发明专利]一种基于深度自回归模型的解决图像重建问题的方法

权利要求书

1.一种基于深度自回归模型的解决图像重建问题的方法，其特征在于，主要包括深度自回归模型(一)；对输入图像进行线性转换(二)；优化深度自回归模型(三)；重建图像的实现细节(四)。

2.基于权利要求书1所述的深度自回归模型(一)，其特征在于，具有残差连接的深度卷积神经网络，采用定向的概率论链式法则来模拟像素之间的依赖关系；令X为输入图像，用n×n矩阵表示，对每一行的像素点进行点阵化处理其中vec()表示向量，x_i表示像素，其中i∈[1，2，…，n²]，为定义符；像素x_i取决于X中下标为i之前的所有像素，表示为x_＜i，由此图像像素的联合分布密度表示为：

其中，ρ()表示像素点的分布密度；深度自回归模型利用联合分布进行模拟，形成逻辑分布；然后在RGB图像上对模型进行极大似然估计训练，从而模型具备了解决重建图像任务的能力；重建图像任务是用正向模型中获得的测量值Y重建图像X，即对输入图像进行线性转换，这是一个似然估计问题，用表示重建图像：

其中，ρ()表示像素点的分布密度，x代表像素点；重建图像即为极大似然估计的结果；log()为对数函数，ρ(Y|X)表示在已知X的前提下Y的密度。

3.基于权利要求书1所述的对输入图像进行线性转换(二)，其特征在于，主要采用正向模型，正向模型是压缩图像生成系统，使用可编程的数字微镜阵列将输入图像复用到独立的图像探测器上，以获取测量值Y，实现对输入图像进行线性转换；对数字微镜阵列进行不同的预设置，得到不同的测量值，测量值的带宽由数字微镜阵列的运行速度决定。

4.基于权利要求书3所述的压缩图像生成系统，其特征在于，主要包括SPC和LiSens；SPC具有高效的全帧传感器和压缩传感装置，用于非可见波段的高分辨率成像；将SPC作为正向模型，其表达式为y＝Φx，其中Φ表示m×n压缩传感矩阵，y表示由m个独立像素测量值组成的向量，x表示像素；LiSens是基于线传感器的压缩图像生成系统，线传感器中的每个像素被映射到数字微镜阵列的行，因此仅复用输入图像的行到独立的图像探测器上，以获取测量值Y；对LiSens进行优化得到压缩图像生成系统FlatCam，分别使用振幅和漫射掩模将来自场景不同部分的光编码到传感器上，由此位于图像中某点的信息在整个传感器中传播，使得重建图像有更高的准确性，其表达式为：Y＝Φ_LXΦ_R，其中，X为输入图像，用n×n矩阵表示，Y为测量值，Φ_L和Φ_R是分别输入图像X的列矩阵和行矩阵。

5.基于权利要求书1所述的优化深度自回归模型(三)，其特征在于，实现过程为：先根据测量值的噪音量和正向模型的形式将本方法分为：硬约束与软约束法、增广拉格朗日法；然后分别对三种方式的估计图像表达式中引入特定的射影算子，射影算子是辅助运算矩阵，以减少低得分图像的出现，并且保证满足正向模型的约束条件的情况下进行图像重建；此外，通过使用渐变更新法和分拆与合成训练法，进一步提高深度自回归模型的性能。

6.基于权利要求书5所述的硬约束与软约束法，其特征在于，硬约束法是指在测量值噪声低的情况下进行图像重建的方法，其重建图像表示为其约束条件为Y＝f(X)，其中为重建图像，Y为测量值，ρ表示像素点分布密度，θ为图像信号参数，X为输入图像，用n×n矩阵表示，X_ij为矩阵X中第i行第j列项；软约束法是指在测量值噪声高的情况下进行图像重建的方法，高噪声测量值用表示，η为测量值噪声，服从高斯分布，其重建图像表示为λ为测量值噪声的标准差。