[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

说明书

本发明主要涉及图像处理技术领域，提供了一种基于自适应非线性网络的图像压缩感知方法，包括：将原始图像分块得到至少一个原始图像块,基于卷积神经测量网络并通过预设采样率对所述原始图像块进行测量，得到所述卷积神经测量网络的测量值,通过全连接层对所述测量值进行重构，根据测量值计算得到所述原始图像块的近似解，通过SRCNN网络模型学习所述原始图像块与所述原始图像块的近似解之间的残差，根据所述残差得到重构图像，使图像重构的计算更简单且缩短图像重构的时间，同时利用测量网络提取的测量值还保留着图像空间信息这一特性,通过双线性插值和扩张卷积可进一步提高重构图像的质量。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于自适应非线性网络的图像压缩感知方法。

背景技术

压缩感知(Compressed sensing)，也被称为压缩采样(Compressive sampling)或稀疏采样(Sparse sampling)，是一种寻找欠定线性系统的稀疏解的技术。为了不失真地恢复模拟信号,传统的奈奎斯特采样频率应该不小于模拟信号频谱中最高频率的2倍,数据量大不利于存储和传输。2006年,由Candes、Tao和Donoho等提出的压缩感知理论，可以在远低于奈奎斯特采样频率条件下对信号采样,并高概率的完全重建原始信号。主要思想是利用随机测量矩阵Φ∈R^m×n(m＜＜n)对原始信号x∈R^n×1采样(y＝Φx,y∈R^m×1),将信号投射到低维空间,再通过稀疏基Ψ求解稀疏矩阵,使低维空间的测量值y重构出原始信号。

但是，现有技术中的压缩感知重构方法是基于稀疏先验知识,本质上是求解一个欠定方程组(y＝Φx),如何从这个欠定方程组中寻找到最优解是重构的关键。主要通过寻找稀疏基Ψ,使信号x在稀疏基Ψ上投影得到的稀疏矩阵有最少的非零元素个数。寻找与稀疏基Ψ不相关的测量矩阵Φ,使降维得到的测量值y能保留原始信号x足够多的信息。寻找重构方法,在保证重构质量的情况下有较低重构时间和良好鲁棒性。在重构方法上,通常使用凸松弛方法,贪婪匹配追踪方法和贝叶斯类方法等求解对应的稀疏编码问题,然而真实图像在变换域中并不能精确的满足稀疏性,通过稀疏性建模的重建方法重构出的图像质量不高，限制了图像压缩感知技术的发展，且通过少量测量值多次迭代优化来重构图像,计算复杂且重构时间长，难以实现实时性。

发明内容

基于上述现有技术中存在的技术问题，本发明提供一种基于自适应非线性网络的图像压缩感知方法，通过自适应的非线性测量网络替换传统线性的随机测量矩阵，提高重构图像的质量，同时缩短重构图像的时间。

第一方面，本发明实施例提供了一种基于自适应非线性网络的图像压缩感知方法，所述方法具体包括以下步骤：

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；

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；