[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

说明书

本发明公开了一种基于残差稠密阈值网络的图像压缩感知重建方法，该方法的步骤包括：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一步优化重建；通过计算相应损失函数并通过优化器减小损失，反向传播相应参数；损失达到要求，保留相应训练模型；通过训练模型输出重建图像块并拼接成最终输出图像；对比已有的压缩感知重建方法，本发明在重建质量和重建时间上均有明显优势。

技术领域

本发明涉及数字图像处理技术领域，具体涉及一种基于残差稠密阈值网络的图像压缩感知重建方法。

背景技术

压缩感知(Compressed Sensing，CS)重建是一种典型的图像技术，在突破奈奎斯特采样定律理论要求的情况下，通过测量信号y∈R^m×1尽可能无损地恢复原始信号x∈R^n×1(m＜＜n)。由于其在图像信源编码和无线广播等领域的广泛应用，使得压缩感知重建技术得到了大量关注及研究，现阶段的压缩感知重建方法通常可以分为两个类型：基于模型驱动的方法和基于机器学习神经网络的方法。

其中，基于模型驱动的方法通常是充分挖掘图像先验信息并构造有效约束条件。例如利用图像的自相似性、稀疏性、局部结构特性来构造相应约束，这些方法有较强的理论依据，但计算复杂度高，相应场景有一定限制。此外，基于深度学习神经网络的图像压缩感知方法也被广泛采用，这些方法没有使用信号的先验知识来完成重建，而是首先建立机器学习神经网络模型，然后利用神经网络模型已有的训练集(采样量-重建图像)进行学习，进而完成重建过程。以往的Reconnet、DeepInvese都是采用最简单的线性卷积神经网络，将场景的逐块压缩映射到所需的图像块，使得图像的重建成为一个简单的逆映射问题。DR²-Net使用线性映射来生成初始化重建图像，并在此基础上通过残差学习进一步得到高质量重建图像，可以将场景式的块压缩感知测量量映射到所需的图像块。但这些网络都属于卷积层和全连接层的组合，缺乏结构多样性，这也影响到了重建效果。2018年ISTA-Net被提出，其基本思想是将迭代阈值算法引入到一个可解释性较强的结构化深度网络框架—阈值约束框架，该框架采用两层线性卷积网络作为约束单元，解决了传统神经网络模型作为黑箱不可解释的缺点，但其并未完全提取到局部特征信息和不同的分层特征，使得重建效果有待进一步提高。

发明内容

为了克服现有技术存在的缺陷与不足，为解决现有重建方法存在的可解释性差，重建速度慢和重建质量有待提高的问题，本发明提供一种基于残差稠密阈值网络的图像压缩感知重建方法，将提取特征较强的残差稠密块引入到已有的可解释的迭代阈值网络框架中，能以更好的细节质量和较好的解释性完成重建工作。

本发明的第二目的在提供一种基于残差稠密阈值网络的图像压缩感知重建系统。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

为了达到上述目的，本发明采用以下技术方案：

本发明提供一种基于残差稠密阈值网络的图像压缩感知重建方法，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；