[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

说明书

本发明公开了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，包括图像采集阶段，利用卷积层采样，得到的采样向量；初始重建阶段，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；深度重建阶段，采用4个残差块来深度重建图像，通过中的初始重建图像块向量作为输入，输出大小为的深度重建图像；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，本发明在采样阶段，用卷积神经网络进行采样，提高采样效率；在重建端，利用卷积神经网络进行初始重建，进而利用残差网进行深度重建，并且本发明使用多个网络进行重建，显著提高重建性能；使用残差网在增加网络深度的同时，依然能保持高效的训练效果，进而获得更优的重建效果。

技术领域

本发明涉及图像处理技术领域，尤其涉及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。

背景技术

压缩感知(CS)是一种新兴的采样方法，通过线性投影同时采样和压缩来降低编码复杂度。它通过线性投影将稀疏或可压缩信号捕获为压缩信号M＜＜N，其中是测量率，其数学模型为：

y＝Φx (1)

其中是一个采样矩阵。高斯随机矩阵由于其理论上的可解释性被广泛使用，但是具有显著的计算和存储成本，在过去的几十年中，许多研究人员试图减轻计算复杂性，利用关于信号的先验知识在其采样中发挥作用，但是，如何使用超出稀疏性的先验信息成为了限制CS发展的瓶颈，因此，基于对人类视觉系统的一般观察，可以采用更多的低频先验，捕获图像信号中的更多低频成分，输入图像信号被线性分解成多尺度，并且对每个尺度自适应地进行采样。

在获得采样信号后，如何重建信号是CS的另一大问题。贪婪算法，凸优化算法和贝叶斯类算法已被用于在压缩感知理论中重建图像。然而几乎所有的这些方法在解决图像重建这个问题时，计算十分复杂且十分耗时。深度学习的方法出现，在图像恢复方面提供了最先进的性能，深度堆叠自编码器、卷积神经网络、残差网等神经网络已经被运用在图像重建领域并获得了良好的重建效果。

目前，基于深度学习的重建，大部分工作都是关于单一尺度采样和单一的神经网络重建。虽然已经获得较好的重建效果，但重建性能让有较大提升的提升空间，仍需要对多尺度采样和多神经网络级联重建进行进一步研究。本发明利用基于多尺度小波变换和多网络级联重建的方法进行压缩感知算法设计，通过小波分解将图像线性分解为多尺度并通过卷积神经网络进行采样，随后，利用堆叠自编码器初始重建图像，最后，我们通过残差网进行深度重建提高重建性能。通过联合学习多尺度采样和多重网络级联重建，我们可以产生比现有技术的传统方案更好的重建效果。

在神经网络中，激活函数ReLU(Rectified Linear Unit)，又称修正线性单元，因其良好的求导性能，在神经网络反向传播时，能够避免梯度爆炸和梯度消失。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出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，在压缩感知理论的基础上，首先利用小波变换将图像多尺度分解，并利用卷积神经网络进行采样，随后使用堆叠自动编码器进行初始重建，最后利用残差网来完成图像深度重建，本发明能有效提高采样效率，并快速高精度完成图像重建。

根据本发明实施例的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，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