[发明专利]一种基于深度学习的压缩感知重构方法和系统

说明书

本发明涉及图像压缩感知重构技术领域，公开了一种基于深度学习的压缩感知重构方法及系统，其把压缩采样和重构结合起来，利用卷积层进行采样，构建了由测量矩阵到网络层的映射关系，在系统进行训练的同时更新采样卷积层中的参数，根据数据集中的特征训练得到更合适的测量矩阵，使测量矩阵拥有自适应性，能有更好的图像重构效果，还对训练集进行了预处理，减少了计算复杂度，提高了采样效率。在进行信号重构中结合了卷积生成对抗网络模型，去掉了网络中的全连接层，使训练速度更快，还可防止全连接层参数多而导致的训练过拟合问题。并且，在生成器训练中加入了测量值优化步骤，提高了信号重构的速度和性能。

技术领域

本发明涉及图像压缩感知重构技术领域，特别是涉及一种基于深度学习的压缩感知重构方法和系统。

背景技术

图像压缩感知是近几年图像处理领域的重大突破，对稀疏信号或可压缩信号，压缩感知理论通过少量的线性投影直接编码图像信号中包含绝大部分信息的重要分量，实现对原始图像的采样、压缩以及重构。传统压缩感知在信号通过采样矩阵进行采样时，由于采样矩阵与信号本身并不相关，采样矩阵需满足RIP原则才能保证在采样过程中大概率不丢失信号中的关键信息，这给设计良好的采样矩阵带来巨大的困难。且大部分的采样矩阵作用在不同的信号下时，它并不能保证每个信号都能重构成功，没有一个很强的普适性。

现有的技术采用随机高斯矩阵对原图像进行先采样，再输入到生成对抗网络模型中进行训练，是一种采样和重构分离的模式，采样效果会直接影响后续的重构训练效果，是一个非端到端训练模型。且因为使用的采样矩阵为随机高斯矩阵，并没有考虑原信号(图像)的特性，在对一个数据集进行训练时，很难保证有一个稳定的采样效果。

中国发明专利申请CN108171762A(公开日为2018年06月15日)公开了一种深度学习的压缩感知同类图像快速重构系统与方法，其方法特征是：1)将图像X的CS 测量值y和测量矩阵Φ的伪逆的乘积进行重构得到生成器的输入数据2)生成器的初始化，包括确立生成器的损失函数、输出单元、隐藏单元以及梯度更新算法和初始化生成器网络内部参数；3)生成器的学习：根据生成器损失函数，完成生成器内部网络参数的更新；4)判别器的初始化，同生成器的初始化；5)判别器的学习：根据判别器损失函数，完成判别器内部参数的更新；6)系统总体训练和网络模型的保存。该专利通过将测量值和测量矩阵的伪逆的乘积作为生成器的输入信号，即通过测量矩阵进行采样，测量矩阵是预设的，无法自适应考虑原信号(图像) 的特性，在对一个数据集进行训练时，很难保证有一个稳定的采样效果。

发明内容

本发明的目的是提供一种图像重构效果更好的基于深度学习的压缩感知重构方法和系统。

为了实现上述目的，本发明提供了一种基于深度学习的压缩感知重构方法，包括：

S1、获取进行重构训练的训练集，包括：

S1.1、获取数据集，并从中选取K张图像构成训练集；

S1.2、分别对K张图像进行降维处理得到一个N²×K的二维矩阵 X＝{x₁,x₂,x₃…x_k}，其中x_k表示矩阵X的第k列，即为第k张图像的一维向量表示；

S2、构建卷积生成对抗网络重构模型，且分别设计生成器G和判别器D的损失函数和网络层结构；

S3、设置训练参数，包括一轮训练中的图像数量batch、训练总轮数epoch、 Adam优化器的学习率α、参数β、收敛误差e、以及采样率m；

S4、进行重构训练，根据步骤S2设置的损失函数和步骤S3设置的训练参数，生成器G和判别器D分别都用反向传播算法进行交替迭代训练，包括：