[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

说明书

本发明公开了提出了一种压缩感知图像重构方法、设备、存储介质及系统。该方法包括：获取待重构图像数据，将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；图像重构模型利用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；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，x子问题网络包括多层卷积神经网络；b子问题网络包括软阈值模块；q子问题网络包括非局部神经网络。将复杂图像重构问题分解为x子问题、b子问题和q子问题3个简单的子优化问题求解，提高了图像重构效率，且结合稀疏性和非局部先验来重构图像，具有更高的视觉质量，图像纹理更为清晰，重构图像更准确。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种压缩感知图像重构方法、 设备、存储介质及系统。

背景技术

压缩感知(Compressive Sensing，CS)理论打破了传统奈奎斯特采样定理的 约束，不再对采样频率提出两倍最高频率的要求，该理论指出，在信号具有稀 疏性的前提下，利用将高维信号映射到低维信号的方式直接实现信号的压缩和 采样，最后通过非线性优化问题的求解就可以实现原始信号的精确重构。压缩 感知理论将压缩和采样相结合，自提出后迅速在图像视频处理、雷达、医学核 磁共振等领域成为研究热点。

重构问题是压缩感知理论研究的一个重点，主要是通过求解一个NP-Hard 问题来实现信号的精确重构，但该问题不存在唯一解，因此，学者们针对重构 问题的求解展开了大量的研究。多年来，关于压缩感知重构算法的研究主要分 为两类：一个是传统的重构算法，另一个是基于深度学习的重构算法。

传统的重构算法除了较早的非凸优化算法、贪婪匹配追踪算法、凸优化算 法，基于模型的重构算法是最为普遍的一种重构方法。前三种重构算法都是在 信号稀疏性的基础上展开的，但是恢复效果通常不尽人意。基于模型的重构算 法则是围绕信号的先验信息进行研究，即利用不同的先验信息来建立不同的重 构模型，其重构效果优于其他三类算法。但是，传统的重构算法均需要耗时在 图像块搜索或矩阵反转操作上，明显增加了计算时间，降低了算法效率。

深度学习在各种高级图像处理任务中表现出的良好性能，广泛地受到了各 个领域研究学者的推崇和研究。近年来，有学者提出将深度学习框架应用到压 缩感知领域中来，该想法一经提出就得到了许多学者的认同，也研究出了很多 优秀的深度压缩感知重构算法，Ali Mousavi提出的堆叠去噪声自动编码器 (Stacked Denoising Autoencoder，SDA)，它采用无监督的方式实现了测量值和 真实值之间的端到端映射。非迭代重构网络(ReconNet)首次将卷积神经网络 使用到压缩感知中，通过全连接层和卷积层实现图像的有效重构。后来在 ReconNet的基础上提出的深度残差网络(Deep ResidualReconstruction Network， DR2-Net)结合了ReconNet的结构和残差的思想，进一步提高了重构图像的质 量。现有的基于深度学习的图像重构算法虽然在一定程度上有效克服了传统的 压缩感知算法的弊端，但仍存在块效应问题(基于块的变换编码在图像压缩编 码中得到广泛应用，随着码率的降低,量化变得粗糙,在块的边界会出现不连续, 形成重建图像的明显缺陷,称为块效应)，并且没有很好利用图像的先验信息。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种 压缩感知图像重构方法、设备、存储介质及系统。

为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一 种压缩感知图像重构方法，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。