[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

说明书

为解决目前单像素成像重建时间长及质量不好的问题，本发明提供了一种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。所述采样和重建集成深度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；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微镜正向和反向翻转；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处理后得到测量值矩阵，n由单像素成像系统测量率确定；初步重建子网络对测量值矩阵进行卷积、扩维处理，得到初步重建图像；深层卷积重建子网络通过残差学习处理初步重建图像，得到更高成像质量图像。

技术领域

本发明属于计算成像技术领域，涉及一种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。

背景技术

单像素成像技术具有利用一个单像素探测器获取高分辨图像的能力，近十年来得到广泛关注。该技术已应用于多个领域，如磁共振成像、航天遥感、太赫兹成像和高光谱成像。运用压缩感知原理，美国Rice大学成功研制了单像素压缩数码照相机，该相机通过对稀疏信号进行观测，只需少量观测点就能精确地重构原始信号。基于压缩感知理论，采用DMD数字微镜结合单点探测器，而非传统CCD，进行数字成像，突破了传统数字成像系统的设计，建立了新型的成像系统。与传统相机相比，单像素压缩数码照相机具有低成本和高灵敏度的优势。

然而，单像素成像的成像速度非常慢，限制了其应用。它还有两个方面需要改进：一是设计测量矩阵对最有效的信息进行采样，从而减少总采样时间；二是开发一种快速、高质量的重建算法。

在测量矩阵方面，利用高斯矩阵、二进制随机矩阵、Toeplitz矩阵等矩阵进行少量测量，可以有效地恢复信号。为了实现高效采样，一些研究人员基于从已有的测量数据中获得的先验信息构造了自适应测量矩阵，以减少测量的数量。

为了更有效地对信息进行采样，在重构算法方面，目前已经提出了许多优秀的算法，如OMP、ROMP、IHT和TVAL3；这些算法大多基于图像稀疏或在一定变换域下稀疏的假设，采用迭代策略求解凸优化问题。但是，这些算法重建图像的时间仍较长，特别是在处理较大的图像时。

近年来，人们提出了几种用于从压缩感知(CS)测量中重建图像的深度神经网络。由于其强大的学习能力，目前的基于深度学习的方法有效地避免了计算量大、重建时间长等问题，具有良好的重建性能。但是，这些方法均采用浮点型随机矩阵作为测量矩阵，当用于单像素成像时无法获得良好的重建效果。

发明内容

为了解决目前单像素成像重建时间长以及质量不好的问题，本发明提供了一种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。

本发明的技术方案是：

用于单像素成像的采样和重建集成深度学习网络，其特殊之处在于：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。

进一步地，所述压缩采样子网络由第一全连接层构成。

进一步地，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。