[发明专利]一种基于深度学习的图像重建算法提升单像素相机成像质量的优化方法

说明书

本发明公开了一种基于深度学习的图像重建算法提升单像素相机成像质量的优化方法。随着深度卷积神经网络(DCNN)的发展，其在超分辨率成像领域的应用也取得了进展。本发明基于压缩感知和单像素相机成像基本原理，设计了一种针对图像超分辨率重建的深度学习网络结构模型，并把这种新型的深度学习图像重建算法嵌入到单像素成像系统中，将深度学习技术和单像素相机超分辨率成像技术相结合。与传统的压缩感知图像重建的匹配追踪类算法、最小L1范数算法以及迭代阈值算法相对比，新型深度学习算法有效地提高了图像重建的精度和单像素相机的成像质量和成像效果。这种通过深度学习的方式对单像素相机成像优化的有效性通过仿真和实际成像实验得到了验证。

技术领域

本发明属于信号与信息处理中的信号恢复重建与智能计算领域，具体涉及一种基于深度学习的图像重建算法提升单像素相机成像质量的优化方法。

背景技术

Donoho、Candès等人在2006年提出了压缩感知理论，压缩感知理论的核心思想是将信号采样和压缩理论中的采样和压缩合并进行。压缩感知主要内容是基于原始信号是稀疏的或者能够进行稀疏表示的前提，通过测量矩阵用低于Nyquist采样定理的采样频率获取原始信号的线性投影值，直接得到信号的压缩表示，再由相应的重构算法恢复重构出原始信号。其采样和压缩过程并不经过Nyquist采样的中间阶段就能实现了信号的降维压缩，这样很大程度上节约了传输和储存成本，降低了计算复杂度。压缩感知理论分为信号的稀疏表示、测量矩阵的设计和信号的重构算法三个部分。压缩感知理论在医学成像、红外成像、智能监控以及目标识别等众多领域都拥有广泛的应用。压缩感知理论这种信号的低采样率与高压缩比的性质正是它在信号处理领域具有广泛应用的基础，也为信号探测与成像领域的图像超分辨率重建提供了理论支撑。正是基于压缩感知的基本理论，Rice大学在2008年研制出了世界第一台单像素相机，为单像素超分辨率成像做出了开创性的工作。后面众多科研机构和高校以此为蓝图，提出了众多单像素成像系统的改进版本。本发明就是基于压缩感知基本原理和单像素相机的成像原理，通过深度学习的方式对单像素成像系统中的图像重建算法做出的改进优化。目前在压缩感知信号重建领域常用的传统算法有迭代硬阈值算法(Iterative Hard Thresholding，IHT)，迭代软阈值算法(Iterative SoftThresholding，IST)，正交匹配追踪算法(Orthogonal Matching Pursuit，OMP)，正则化正交匹配追踪算法(Regularized Orthogonal Matching Pursuit，ROMP)，L1范数最小均方误差算法(L1-Regularized Least Squares,L1_LS)。

图像超分辨率(super resolution，SR)问题，特别是单图像超分辨率(singleimage super-resolution，SISR)问题，最近十年来受到越来越多的研究关注。最近，深度神经网络为图像超分辨率重建提供了显著的性能改进，但是，这样的网络在架构最优性方面有所限制。首先，神经网络模型的重建性能对架构的微小变化很敏感，同样的模型在不同的初始化和训练技术之下实现的性能水平不同。因此，精心设计的网络模型架构和复杂的优化方法对于训练神经网络至关重要。本发明就是通过设计特定的神经网络架构将深度学习应用到我们的单像素成像系统中，与压缩感知单像素相机常用的传统图像重建算法相比，提高了单像素相机的成像分辨率和成像质量。

发明内容

本发明要解决技术问题为：在传统的压缩感知的信号恢复和单像素相机成像中，图像重建和成像往往需要一种高效的信号恢复算法对图像进行重建，但传统的图像重建算法往往存在重建时间较长，效率较低，很难找到全局最优解，恢复重建出的图像质量和精度不能满足要求的问题。我们提出的通过深度学习方式对图像进行超分辨率重建的技术，在前期通过使用大量数据集对网络进行训练学习，让我们所设计的网络具备超分辨重建图像的能力，进而把这种新型的深度学习技术应用到单像素相机中，和传统的图像重建算法相比，有效地提高了单像素相机的成像精度和成像质量。