[发明专利]基于多尺度小波变换与深度学习的图像压缩感知算法

摘要

本发明公开了一种基于多尺度小波变换与深度学习的图像压缩感知算法，包括图像采集阶段，利用卷积层采样，得到的采样向量；初始重建阶段，采用Reshape操作初始重建向量中每1×1×B2重排为B×B的图像块；深度重建阶段，采用4个残差块来深度重建图像，通过中的初始重建图像块向量作为输入，输出大小为的深度重建图像；在得到深度重建图像块后，将图像块重排，最终得到重建图像，本发明在采样阶段，用卷积神经网络进行采样，提高采样效率；在重建端，利用卷积神经网络进行初始重建，进而利用残差网进行深度重建，并且本发明使用多个网络进行重建，显著提高重建性能；使用残差网在增加网络深度的同时，依然能保持高效的训练效果，进而获得更优的重建效果。

主权项

1.一种基于多尺度小波变换与深度学习的图像压缩感知算法，应用于深度学习中的图像重建,其特征在于，所述基于多尺度小波变换与深度学习的图像压缩感知算法包括：S1：图像采集；1‑1)选取一张大小为n×n的图像，将图像转化为灰度图；1‑2)利用小波变换，提取图像多尺度信息，包括低频信号和3个方向上的高频信号，图像转换为1‑3)利用卷积神经网络进行采样，采用m个B×B×4的卷积核对多尺度信息进行同时采样，其中为测量率，B为设置的图像块大小，卷积核中的4通道对应与1‑2)的4个频率上的信息,需要指出的是，此步骤的卷积操作中，不使用激活函数与偏置操作，且无Pad补零，卷积步长为B；1‑4)经过卷积层采样后，得到的采样向量；S2：初始重建阶段；2‑1)利用卷积神经网络对采样信号进行初始重建。采用4×B²个1×1×m的卷积核，其中，该卷积层无激活函数与偏置操作，无Pad补零，卷积步长为1。2‑2)应用步骤2‑1)中的卷积操作后，得到的初始重建向量；2‑3)采用Reshape操作初始重建向量中每1×1×B²重排为B×B的图像块；S3：深度重建阶段，采用四个残差块来深度重建图像，2‑3)中的初始重建图像块作为输入，输出大小为B×B的深度重建图像；残差块第一层为64个大小为11×11的卷积核，此时Pad补零数为5，卷积步长为1，激活函数为ReLU；第二层为32个大小为1×1的卷积核，此时Pad补零数为0，卷积步长为1，激活函数为ReLU；第三层为1个大小为7×7的卷积核，此时Pad补零数为3，卷积步长为1，激活函数为ReLU；S4：在得到深度重建图像块后，将图像块重排，最终得到重建图像。