[发明专利]一种压缩感知图像重构方法、设备、存储介质及系统

权利要求书

1.一种压缩感知图像重构方法，其特征在于，包括：

获取待重构图像数据，将所述待重构图像数据输入预先训练的图像重构模型获得重构图像；

所述图像重构模型包括半二次分裂深度重构网络，所述图像重构模型利用所述半二次分裂深度重构网络对待重构图像数据进行多次迭代处理获得重构图像；

所述半二次分裂深度重构网络包括依次连接的x子问题网络、b子问题网络和q子问题网络，所述x子问题网络包括多层卷积神经网络；所述b子问题网络包括软阈值模块；所述q子问题网络包括非局部神经网络。

2.如权利要求1所述的压缩感知图像重构方法，其特征在于，所述x子问题网络包括依次连接的5层卷积神经网络；

第一层卷积神经网络包括第一x子问题卷积层和第一x子问题激活函数层，第一x子问题卷积层的卷积核大小为3×3×1；

第二层卷积神经网络、第三卷积神经网络、第四卷积神经网络均包括第二x子问题卷积层和第二x子问题激活函数层，第二x子问题卷积层的卷积核大小为3×3×32；

第五卷积神经网络的包括第五x子问题卷积层和第五x子问题激活函数层，第五x子问题卷积层的卷积核大小为3×3×32。

3.如权利要求1所述的压缩感知图像重构方法，其特征在于，所述b子问题网络包括依次连接的第一b子问题卷积层、第二b子问题卷积层、第一b子问题激活函数层、第三b子问题卷积层、软阈值模块、第四b子问题卷积层、第二b子问题激活函数层、第五b子问题卷积层和第六b子问题卷积层。

4.如权利要求1所述的压缩感知图像重构方法，其特征在于，所述q子问题网络包括依次连接的第一q子问题卷积层、非局部神经网络和第二q子问题卷积层。

5.如权利要求1-4之一所述的压缩感知图像重构方法，其特征在于，所述图像重构模型利用所述半二次分裂深度重构网络对待重构图像数据进行预设次数的迭代处理获得重构图像，所述预设次数为6到12。

6.如权利要求5所述的压缩感知图像重构方法，其特征在于，所述图像重构模型还包括设于所述半二次分裂深度重构网络之前的初始重构网络，所述初始重构网络将采样矩阵的转置矩阵重构为多个滤波器并将滤波器输出的张量重塑获得初始重构图像。

7.如权利要求5所述的压缩感知图像重构方法，其特征在于，所述图像重构模型训练过程包括：

构建采样网络、初始重构网络、半二次分裂深度重构网络，所述采样网络用于对原始图像进行采样；

获取多个原始图像构建训练集；

基于训练集对采样矩阵、初始重构网络、半二次分裂深度重构网络进行联合训练直到达到预设条件，所述预设条件为训练次数达到预设的目标次数或者损失函数的数值小于等于预设损失阈值。

8.一种图像恢复设备，其特征在于，包括：

获取模块，获取待重构图像数据；

图像重构模型模块，所述图像重构模型模块包括半二次分裂深度重构网络，所述图像重构模型模块利用所述半二次分裂深度重构网络对待重构图像数据进行多次迭代处理获得重构图像；所述半二次分裂深度重构网络包括依次连接的x子问题网络、b子问题网络和q子问题网络，所述x子问题网络包括多层卷积神经网络；所述b子问题网络包括软阈值模块；所述q子问题网络包括非局部神经网络。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-7之一所述的方法。

10.一种图像压缩感知系统，其特征在于，包括图像采样设备和如权利要求8所述的图像恢复设备，所述图像采样设备包括采样网络模块，所述采样网络模块与图像恢复设备中的半二次分裂深度重构网络联合训练。