[发明专利]一种基于深度学习的图像重建算法提升单像素相机成像质量的优化方法

摘要

本发明公开了一种基于深度学习的图像重建算法提升单像素相机成像质量的优化方法。随着深度卷积神经网络(DCNN)的发展，其在超分辨率成像领域的应用也取得了进展。本发明基于压缩感知和单像素相机成像基本原理，设计了一种针对图像超分辨率重建的深度学习网络结构模型，并把这种新型的深度学习图像重建算法嵌入到单像素成像系统中，将深度学习技术和单像素相机超分辨率成像技术相结合。与传统的压缩感知图像重建的匹配追踪类算法、最小L1范数算法以及迭代阈值算法相对比，新型深度学习算法有效地提高了图像重建的精度和单像素相机的成像质量和成像效果。这种通过深度学习的方式对单像素相机成像优化的有效性通过仿真和实际成像实验得到了验证。

主权项

1.一种基于深度学习的图像重建算法提升单像素相机成像质量的优化方法，其特征是：该方法包括如下步骤：步骤1、基于压缩感知基本原理和单像素相机的成像原理，选定一种便于硬件实现的二值确定性测量矩阵对原始信号进行采样和测量，并用这个固定的测量矩阵编列成单像素相机中特定的数字微镜(Digital Mirror Device，DMD)翻转序列对成像场景进行信号采集；步骤2、利用新的深度神经网络架构来模拟测量矩阵测量信号的方式以及测量信号和原始信号对应关系，这种深度神经网络针对图像超分辨率重建和单像素相机超分辨率成像的特点进行了相应的改进优化，新的深度神经网络使用了改进的残差网络模块作为神经网络的基本结构，尽可能消除网络的冗余性，同时在最后一个卷积层后面加入一个尺度因子来稳定网络训练过程，使得这种新型深度神经网络架构具有更加高效的结构和更加优异的性能；步骤3、通过大量数据集对上述的深度神经网络进行训练学习，通过对网络的训练和学习最大可能地去还原和逼近测量矩阵的采样过程和单像素相机DMD的信号采集过程，从而更好地恢复重建出原始信号和成像场景；步骤4、通过训练学习后的网络根据图像的测量值对图像进行仿真重建，以及根据单像素相机的采集得到的信号对原始场景进行恢复成像，并与传统的图像重建算法进行对比，验证新型深度学习算法提高图像重建质量以及单像素相机成像质量的有效性。