[发明专利]一种用于压缩感知图像信号重构的卷积神经网络

摘要

本发明公开了一种用于压缩感知图像信号重构的卷积神经网络，它是一个全卷积神经网络，包括一个全连接层和九个卷积层；首先将图片分成32×32大小的块，其次进行CS测量。所述全连接层采用CS测量作为输入，并输出尺寸为32×32的特征图；本发明具有较低的复杂度及较好的恢复性能，还具有较强的鲁棒性和较高的时间效率，峰值信噪比（PSNR）较传统CS算法TVAL3的PSNR提高了7.2%‑13.95%,较D‑AMP的提高了7.72%‑174.84%。重构图像所需的时间比TVAL3快4‑5倍，比D‑AMP快244‑283倍，具有较高的时间效率，实现了实时重构，和传统重构算法相比，在相同的测量速率下，能更有效地提取场景信息，获得更好的重构效果，并且在降低测量速率时，本发明的信噪比较传统算法的信噪比降低的更缓慢，具有较好的鲁棒性。

主权项

1.一种用于压缩感知图像信号重构的卷积神经网络，其特征在于，它是一个全卷积网络，包括一个全连接层和九个卷积层；所述全连接层采用CS测量作为输入，并输出尺寸为32×32的特征图；卷积层的第一层至第九层依次位于全连接层之后，卷积层用于提高图像的重构精度，获得一个高分辨率的输出；其中卷积层的第一层和第二层均使用1×1大小的卷积核，分别生成128个和64个特征图；卷积层的第三层使用9×9大小的卷积核，生成64个特征图；卷积层的第四层使用7×7大小的卷积核，生成32个特征图；卷积层的第五层和第六层分别使用3×3和1×1大小的卷积核，且其均生成了16个特征图；卷积层的第七层、第八层以及第九层分别使用3×3、3×3、5×5大小的卷积核，且其均生成了1个特征图；九个卷积层最终通过3×3大小的卷积核输出中间重建图像；除了最后一个卷积层外，所有的其它层都使用激励函数ReLu；所有卷积层生成的特征图大小都是32×32；中间重建图像通过BM3D滤波器去噪，以去除中间重建图像因分块量化后的量化误差而产生的块效应。