[发明专利]基于自适应非线性网络的图像压缩感知方法及相关产品

权利要求书

1.一种基于自适应非线性网络的图像压缩感知方法，其特征在于，所述方法具体包括：

将原始图像x进行分块，得到至少一个原始图像块x_i，i为正整数；

基于卷积神经测量网络F^s并通过预设采样率MR对所述原始图像块x_i进行测量，得到测量值y_i，y_i＝F^s(x_i，W^s)，W^s为卷积神经测量网络的权重，所述预设采样率MR取值为0.25、0.1、0.04或0.01；

利用第一损失函数训练得到卷积神经测量网络的权重W^s和全连接层权重W^f，所述第一损失函数为：

其中，N为样本数；

通过全连接层F^f对所述测量值y_i进行重构，根据测量值y_i计算得到所述原始图像块x_i的近似解x_i`，x<sub>i</sub>`＝F^f(y_i，W^f)，其中W^f为全连接层权重；

通过SRCNN网络模型F^sr学习所述原始图像块x_i与所述原始图像块x_i的近似解x_i`之间的残差d_i；

根据所述残差d_i，得到重构图像x_i^*，x_i^*＝x_i`+d_i。

2.根据权利要求1所述的基于自适应非线性网络的图像压缩感知方法，其特征在于，所述原始图像块x_i的大小为33×33。

3.根据权利要求1所述的基于自适应非线性网络的图像压缩感知方法，其特征在于，所述方法还包括：

在所述卷积神经测量网络F^s的卷积核中插入零值，进行卷积扩张，得到扩张卷积层网络F^mus。

4.根据权利要求3所述的基于自适应非线性网络的图像压缩感知方法，其特征在于，所述基于卷积神经测量网络F^s并通过预设采样率MR对所述原始图像块x_i进行测量，得到测量值y_i，y_i＝F^s(x_i，W^s)，W^s为卷积神经测量网络的权重，之后还包括：

通过双线性插值和扩张卷积层F^mus对所述测量值y_i进行重构，根据所述测量值y_i计算得到所述原始图像块x_i的近似解x_i″，x_i″＝F^mus(y_i，W^mus)，其中W^mus为扩张卷积层权重。

5.根据权利要求1所述的基于自适应非线性网络的图像压缩感知方法，其特征在于，所述方法还包括：

根据第一损失函数训练得到的卷积神经测量网络的权重W^s和全连接层权重W^f计算得到所述原始图像块x_i的近似解x_i`后，再通过第二损失函数训练得到SRCNN网络模型F^sr的权重W^sr，所述第二损失函数为

其中，N为样本数。