[发明专利]一种应用于无线传感器网络的深度压缩感知图像重构方法

说明书

一种应用于无线传感器网络的深度压缩感知图像重构方法。本发明属于信号处理技术领域，具体涉及一种应用于无线传感器网络的农作物图像重构方法。本发明深入发掘农业物联网中农作物图像相似性，提出了一种基于生成模型的深度压缩感知农作物图像重构方法。该方法同时利用了农作物图像的稀疏性与低秩性，以及实际应用中图像的单一性，结合深度卷积生成对抗模型，利用随机梯度下降法对无线传感器网络中图像的重构问题进行求解。深度压缩感知模型与传统方法相比，可以更有效地构建出图像的低维表示。实验结果表明，本发明提出的深度压缩感知图像重构方法与现有方法相比，可以有效提升无线传感器网络中农作物图像的重构效果。

【技术领域】本发明公开了一种应用于无线传感器网络的深度压缩感知图像重构方法，属于信号处理技术领域。

【背景技术】无线传感器网络(Wireless Sensor Network，WSN)以其组网自由、功耗低、鲁棒性强的优势，被广泛应用于辅助农业生产、地质灾害检测等领域。但是由于功耗的限制，无线传感器网络的图像采集和传输一直是一个难题。压缩感知(CompressiveSensing，CS)技术将稀疏信号的采样与压缩相结合，能够极大降低测量系统的采样率，突破奈奎斯特采样定律的限制。这使得压缩感知在无线传感器网络、核磁共振成像等领域有广泛应用。

压缩感知解决的问题是从m个观测中恢复未知

y＝Ax+η

其中是测量矩阵(m＜＜n)，η是噪声。这是一个欠定方程组，除非x具有某种特性，否则无法得到唯一解。

幸运的是，现实中的信号都是稀疏的，或通过某种变换可以变成稀疏的。农业物联网中的图像本身不具有稀疏性，但是通过DCT或小波变换，能够成为稀疏信号。利用信号x的稀疏性，压缩感知问题的求解成为可能。

传统的压缩感知重构算法主要有贪婪算法、凸松弛算法和贝叶斯框架三类，但是这些算法在无线传感器网络图像压缩感知方面的表现不能令人满意。而卷积神经网络(Convolutional Neural Networks，CNN)在图像处理方面有非常优秀的表现。深度卷积生成网络(Deep Convolutional Generative Adversarial Networks，DCGAN)更是为图像的低维表示提供了新的思路。

对抗生成网络(Generative Adversarial Networks，GAN)是一种无监督的学习方法，它巧妙的利用了“对抗”的概念来完成生成器的学习，训练完成后可以生成与训练集相似的全新数据样本。DCGAN将GAN的概念引入到CNN中，能够生成高质量的图片样本。DCGAN的原理非常简单，它包括两个网络：生成网络G(Generator)和判别网络D(Discriminator)。G负责从随机的噪声中产生图片，D负责判断一张图片是不是真实的。在训练过程中，G的目的是产生尽可能骗过D的图片，D的目的是尽可能将生成图片与真实图片区分开。通过不断的学习，二者达到纳什均衡。G能够产生足够真实的图片。

引入深度生成网络的压缩感知模型被称为深度压缩感知(Deep CompressiveSensing，DCS)。经过充分训练的DCGAN网络的生成器能够以低维随机信号作为输入，生成高维图像，这与压缩感知的思想不谋而合。相较于传统的压缩感知图像重构方法，DCS模型能够在较低采样率的情况下较高质量的恢复植物幼苗图像，大大降低系统的采样率。这使得无线传感器网络传输图像信息的功耗大大降低。

【发明内容】本发明的目的在于将深度压缩感知模型应用于无线传感器网络中的农作物图像重建过程，提出一种应用于无线传感器网络的深度压缩感知图像重构方法。

本发明涉及方法的目标是通过观测值y＝Ax+η和测量矩阵寻找接近x。

假设所有可能的农作物图像构成空间由于X是农业物联网中特定种类的广义稀疏图像构成的集合，因此对于特定的x∈X，存在低维表示所有可能的低维表示构成低维空间由DCGAN网络训练得到的从低维空间Z到高维空间X的一个映射，即：