[发明专利]用于单像素成像的采样和重建集成深度学习网络的训练方法

权利要求书

1.用于单像素成像的采样和重建集成深度学习网络的训练方法，其特征在于，包括以下步骤：

(1)构建样本集：

采用与SRCNN网络中相同的91幅图片，以步幅14将大图分割为32*32的图像块作为样本集中的样本；

(2)从步骤(1)构建的样本集中提取样本，对于每次提取的样本，提取其亮度分量xⁱ；

(3)搭建用于单像素成像的采样和重建集成深度学习网络；

所述学习网络包括压缩采样子网络、初步重建子网络和深层卷积重建子网络；

所述压缩采样子网络的权值矩阵为由“+1”和“-1”两元组成的二值化矩阵，“+1”和“-1”分别用于调制单像素成像系统中DMD微镜的正向翻转和反向翻转；所述压缩采样子网络用于对目标进行n次压缩采样，将n次压缩采样所得到的数据按时间顺序从左至右依次排布，得到目标的测量值矩阵，n由所述单像素成像系统的测量率确定；

所述初步重建子网络用于对所述测量值矩阵进行卷积、扩维处理，得到初步重建的图像；

所述深层卷积重建子网络利用深层卷积网络，通过残差学习处理所述初步重建的图像，得到更高成像质量图像；

(4)对步骤(3)搭建的网络中的压缩采样子网络进行二值化处理

在正向传播过程中，采用基于符号函数Sign的确定性方法，将第一全连接层的权值矩阵二值化，即：

其中：x^b是二值化的变量；x是实值变量，即压缩采样子网络二值化之前的权值；

(5)计算步骤(3)所构建的网络的整体梯度g_x：

g_x＝g_q1_|x|≤1；

其中：为步骤(3)所构建的网络中初步重建子网络和深层卷积重建子网络的整体梯度；1_|x|≤1为压缩采样子网络的梯度，用Htanh函数表示；C为整个网络的损失函数；

(6)将步骤(2)提取的亮度分量xⁱ依次输入至所述压缩采样子网络中，设置训练的最大迭代次数和学习率分别为1500和0.0001，采用Tensorflow框架进行训练和测试。

2.根据权利要求1所述的用于单像素成像的采样和重建集成深度学习网络的训练方法，其特征在于：所述压缩采样子网络由第一全连接层构成。

3.根据权利要求2所述的用于单像素成像的采样和重建集成深度学习网络的训练方法，其特征在于：所述初步重建子网络由一个卷积层和一个第二全连接层级联构成，其中，卷积层的输入与所述第一全连接层的输出相连。

4.根据权利要求3所述的用于单像素成像的采样和重建集成深度学习网络的训练方法，其特征在于：所述深层卷积重建子网络包括二十层卷积层；所述二十层卷积层的卷积核大小都为3*3，步长都为1*1；第一层卷积层输入通道数为1，输出通道数为64；最后一层卷积层输入通道数为64，输出通道数为1；第二层卷积层至第十九层卷积层的输入通道数和输出通道数都为64；

除最后一层卷积层外，其余每层卷积层后都使用ReLU激活函数。