[发明专利]一种深度学习的压缩感知同类图像快速重构系统与方法

摘要

本发明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。本发明克服已有压缩感知图像重构时间长的不足，针对同类图像，用训练后的生成器模型进行压缩感知重构，可以大大降低重构时间。

主权项

1.一种深度学习的压缩感知同类图像快速重构系统，其特征在于，包括用于从CS测量值生成重构图像的反卷积网络，即生成器；和用于判别重构图像真实度的卷积神经网络，即判别器；

所述生成器的结构包括1个全连接层、4个转置卷积层和1个输出层，其中第一转置卷积层包含有512个5*5大小的卷积核，上采样步长为2；第二转置卷积层包含有256个5*5大小的卷积核，上采样步长为2；第三转置卷积层包含有128个5*5大小的卷积核，上采样步长为2；第四转置卷积层包含有64个5*5大小的卷积核，上采样步长为2；

所述判别器的网络结构包括4个卷积层、1个全连接层和1个输出层，其中第一卷积层包含有64个5*5大小的卷积核，卷积步长为2；第二卷积层包含有128个5*5大小的卷积核，卷积步长为2；第三卷积层包含有256个5*5大小的卷积核，卷积步长为2；第四卷积层包含有512个5*5大小的卷积核，卷积步长为2。

2.一种深度学习的压缩感知同类图像快速重构方法，包括以下步骤：

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

2a)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；

2b)初始化生成器网络内部参数θ_g；

3)生成器的学习

3a)将特征数据输入到生成器中；

3b)特征数据经过生成器得到重构完成的图像

3c)生成器根据其损失函数在固定判别器网络的情况下，利用自适应矩估计优化梯度算法，即Adam优化算法，完成生成器内部网络参数的更新；

4)判别器的初始化

4a)确立判别器的损失函数、输出单元、隐藏单元以及梯度更新算法；

4b)初始化判别器网络内部参数θ_d；

5)判别器的学习

5a)将生成器重构所得到的图像和真实图像输入到判别器中；

5b)图像数据X经过判别器得其对于输入图像真实性的概率判定结果；

5c)判别器根据其损失函数在固定生成器网络的情况下，利用Adam优化算法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：

6a)设置总迭代次数；

6b)生成器和判别器的参数更新交替进行，即固定其中一个网络参数，完成另一个的参数更新，利用所述Adam优化算法分别根据生成器和判别器损失函数的梯度信息完成各自网络内部参数的迭代更新，生成器参数更新过程为(3a)～(3c),判别器的参数更新过程为(5a)～(5c)，交替重复生成器和判别器的学习，完成系统的训练；

6c)将训练完成的生成器和判别器分别保存下来，训练完成所得到的生成器就是快速压缩感知重构模型。

3.根据权利要求2所述的深度学习的压缩感知同类图像快速重构方法，其特征在于：步骤2a)中所述的生成器的损失函数、输出单元、隐藏单元以及梯度更新算法如下：

生成器的损失函数为：

上式中，η，λ分别为权重系数，表示生成器G在接受输入特征数据之后生成的图像，即重构图像，Φ表示CS观测矩阵，θ_g表示生成器网络内部参数；表示在固定判别器内部参数时，判别器D对于生成器输出的重构图像的真实性概率判定结果，θ_d表示判别器内部参数，E表示数学期望；综上所述，损失函数包含了对