[发明专利]一种基于残差稠密阈值网络的图像压缩感知重建方法

权利要求书

1.一种基于残差稠密阈值网络的图像压缩感知重建方法，其特征在于，包括下述步骤：

将原始自然图像分块后通过高斯采样矩阵采样，将低维采样量与裁剪图像块制作成为训练集；

将低维采样量通过线性卷积恢复成高维初始重建图像块；

将初始重建图像通过搭建好的残差稠密阈值网络进行优化重建，所述残差稠密阈值网络设有多个迭代的网络模块，以残差稠密块作为其约束单元，且满足对称性，级联多个相同的残差稠密阈值网络得到最终的优化重建图像块；

计算所述优化重建图像块与原始真实裁剪图像块之间的误差，采用Adam优化器降低损失，并对损失进行反向传播，更新神经网络的参数，当计算损失值达到期望值之后，结束网络的训练并保留训练模型；

使用测试集作为输入重建图像，通过将测试图像分块采样得到相应的低维采样量，经过训练模型得到重建后的高质量图像块，并拼接成完整图像。

2.根据权利要求1所述的基于残差稠密阈值网络的图像压缩感知重建方法，其特征在于，所述将原始自然图像分块后通过高斯采样矩阵采样，具体步骤包括：

将原始图像集合随机裁剪分割，对于每个给定的裁剪图像块{x_i|i＝1,2,3,...,n}转化为一维矢量；

由生成的随机高斯矩阵构造相应的测量矩阵Φ，在设定的采样率下通过y_i＝Φx_i获得低维采样量的训练集合{y_i|i＝1,2,3,...,n}，其中x_i表示图像块的矢量化集合。

3.根据权利要求1所述的基于残差稠密阈值网络的图像压缩感知重建方法，其特征在于，所述将低维采样量通过线性卷积恢复成高维初始重建图像块，具体步骤包括：

将低维采样量经过一层反卷积层上采样后，reshape函数恢复成与原始裁剪图像块大小一样的数据，完成初始重建。

4.根据权利要求1所述的基于残差稠密阈值网络的图像压缩感知重建方法，其特征在于，所述将初始重建图像通过搭建好的残差稠密阈值网络进行优化重建，具体步骤包括：

将迭代阈值收缩算法改为卷积神经网络框架，并且引入残差稠密块作为约束单元，迭代阈值收缩算法迭代具体表示为：

r_i^k＝x_i^(k-1)-ρΦ^T(Φx_i^(k-1)-y)

其中，r_i^k、x_i^(k)对应于迭代阈值收缩算法进行迭代时的两个模块,ρ为步长，k为迭代次数；

x_i^(k)的求解转换为：

其中，θ^(k)是每个进一步重建阶段的变换参数和阈值参数，残差稠密阈值约束的每个阶段都有其特定的变换参数和阈值参数F^(k)、是卷积神经网络构成的正反变换，为左边约束单元和右边约束单元，且满足对称关系。

5.根据权利要求1所述的基于残差稠密阈值网络的图像压缩感知重建方法，其特征在于，所述残差稠密块包括八个紧密跳连的卷积层，每个卷积层包含的滤波器大小为3×3，填充量为1，步长为1，每一层都有Relu激活函数，采用5×5卷积核进行concatenate级联，接Leaky_Relu激活函数并将输出通道数设置为1。