[发明专利]基于多尺度小波变换与深度学习的图像压缩感知算法

权利要求书

1.一种基于多尺度小波变换与深度学习的图像压缩感知算法，应用于深度学习中的图像重建,其特征在于，所述基于多尺度小波变换与深度学习的图像压缩感知算法包括：

S1：图像采集；

1-1)选取一张大小为n×n的图像，将图像转化为灰度图；

1-2)利用小波变换，提取图像多尺度信息，包括低频信号和3个方向上的高频信号，图像转换为

1-3)利用卷积神经网络进行采样，采用m个B×B×4的卷积核对多尺度信息进行同时采样，其中为测量率，B为设置的图像块大小，卷积核中的4通道对应与1-2)的4个频率上的信息,需要指出的是，此步骤的卷积操作中，不使用激活函数与偏置操作，且无Pad补零，卷积步长为B；

1-4)经过卷积层采样后，得到的采样向量；

S2：初始重建阶段；

2-1)利用卷积神经网络对采样信号进行初始重建。采用4×B²个1×1×m的卷积核，其中，该卷积层无激活函数与偏置操作，无Pad补零，卷积步长为1；

2-2)应用步骤2-1)中的卷积操作后，得到的初始重建向量；

2-3)采用Reshape操作初始重建向量中每1×1×B²重排为B×B的图像块；

S3：深度重建阶段，采用四个残差块来深度重建图像，2-3)中的初始重建图像块作为输入，输出大小为B×B的深度重建图像；

残差块第一层为64个大小为11×11的卷积核，此时Pad补零数为5，卷积步长为1，激活函数为ReLU；第二层为32个大小为1×1的卷积核，此时Pad补零数为0，卷积步长为1，激活函数为ReLU；第三层为1个大小为7×7的卷积核，此时Pad补零数为3，卷积步长为1，激活函数为ReLU；

S4：在得到深度重建图像块后，将图像块重排，最终得到重建图像。

2.根据权利要求1所述的基于多尺度小波变换与深度学习的图像压缩感知算法，其特征在于：步骤S3中的四个残差块的结构和参数均相同，并且为了保持图像块大小输出不变，4个残差块中的卷积层中均无池化操作。

3.根据权利要求1所述的基于多尺度小波变换与深度学习的图像压缩感知算法，其特征在于：应用步骤S3中的第四个残存块，除去第四个残存块的第三层没有激活函数ReLU，直接输出深度重建图像。

4.根据权利要求1所述的基于多尺度小波变换与深度学习的图像压缩感知算法，其特征在于：应用步骤S3中的第一个残差块的第三层，利用步骤2-3)中的初始重建图像块向量与经过7×7的卷积核卷积操作后的向量相加后，再经过激活函数ReLU激活，得到第一次残差块重建的图像块向量。

5.根据权利要求4所述的基于多尺度小波变换与深度学习的图像压缩感知算法，其特征在于：应用步骤S3中的第二个残差块的第三层，经过第一次残差块重建的图像块向量与经过7×7的卷积核卷积操作后的向量相加后，再经过激活函数ReLU激活，得到第二次残差块重建的图像块向量。

6.根据权利要求5所述的基于多尺度小波变换与深度学习的图像压缩感知算法，其特征在于：应用步骤S3中的第三个残差块的第三层，经过第二次残差块重建的图像块向量与经过7×7的卷积核卷积操作后的向量相加后，再经过激活函数ReLU激活，得到第三次残差块重建的图像块向量。

7.根据权利要求6所述的基于多尺度小波变换与深度学习的图像压缩感知算法，其特征在于：应用步骤S3中的第四个残差块的第三层，经过第三次残差块重建的图像块向量与经过7×7的卷积核卷积操作后的向量相加后，输出为深度重建图像。