[發明專利]基于分塊觀測的壓縮感知網絡及全圖重構方法

有效

• 申請號: 201810086381.8
• 申請日: 2018-01-30
• 公開（公告）號: CN108510464B
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 謝雪梅;王陳業;杜江;石光明;汪芳羽
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06T9/00
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華

1.基于分塊觀測的壓縮感知網絡進行圖像重構的方法，所述分塊觀測的壓縮感知網絡，包括觀測子網絡和重構子網絡；

所述觀測子網絡，由第一卷積層組成；

所述重構子網絡，包括反卷積層、第二卷積層、12個大小相同的殘差塊、第五卷積層和第六卷積層；每個殘差塊由兩個相同的第三卷積層和第四卷積層組成；

該第一卷積層的輸出端連接到反卷積層的輸入端，反卷積的輸出端與第二卷積層的輸入端連接，第二卷積的輸出端再與12個殘差塊依次連接，第12個殘差塊的輸出端連接到第五卷積層的輸入端，第二卷積的輸出端和第五卷積的輸出端共同連接到第六卷積的輸入端；

第一卷積層中的卷積大小h₁與圖像的分塊大小相同，卷積的步長s₁等于卷積的大小h₁，卷積層的厚度k₁與設定的環境觀測率r呈正相關；

第二卷積層中的卷積大小h₃為9×9，k₃與網絡輸入的圖像一致，步長s₃與第一卷積層相同，即s₂等于s₁；

反卷積層中的反卷積大小h₂與步長s₂與第一卷積層相同，即h₂等于h₁，s₂等于s₁，厚度k₂與網絡輸入的圖像一致；

所述方法包括：

1)下載DIV2K數據集，共包含800張訓練圖片，對數據集里的每張圖片進行隨機裁剪處理，形成256×256大小的訓練數據集；

2)訓練網絡：

2a)將訓練數據集輸入到分塊觀測的壓縮感知網絡中，得到輸出圖像f；

2b)計算輸入圖像I與輸出圖像f的歐式距離作為損失函數L，將損失函數L反向傳播，得到該網絡的每一級損失總數δ；

2c)利用每一層的損失總數δ，采用隨機梯度下降算法更新網絡權值參數W；

2d)重復2a)-2c)共1000次，得到訓練好的圖像重構網絡；

3)將任意測試圖像輸入訓練好的圖像重構網絡，得到重構圖像。

2.根據權利要求1所述的方法，其特征在于：步驟2b)中計算輸入圖像與輸出圖像的歐式距離，通過如下公式計算：

其中{W}代表分塊觀測的壓縮感知網絡的一組權值參數，每個參數初始分別為其設置對應參數值；I_i代表輸入圖像的第i個像素點值，f(I_i,{W})代表經過網絡正向傳播后輸出圖像對應像素點值,T為輸入圖像的總像素點個數，L為輸入圖像與輸出圖像的歐式距離。

3.根據權利要求1所述的方法，其特征在于：步驟2b)中將損失函數反向傳播，得到網絡的每一層損失總數，通過如下公式進行：

δ^l＝[(W^l+1)^Tδ^l+1]⊙σ(z^l) l＝1,2,…,28.

其中⊙表示Hadamard乘積，用于矩陣或向量點對點的乘法運算；l表示網絡的第l層，W^l+1表示網絡的l+1層權值參數，z^l表示網絡第l層的輸入，σ(z^l)表示網絡第l層對應的輸出，δ^l表示網絡第l層的損失總數，損失總數δ的最后一級即為損失函數L。

4.根據權利要求1所述的方法，其特征在于：步驟2c)中采用隨機梯度下降算法更新網絡權值參數，通過如下公式進行：

其中等式左邊的W′^l為更新后網絡的第l層權值參數，等式右邊的W^l為當前計算時未更新的網絡第l層的權值參數，δ^l表示網絡第l層的損失總數，α表示網絡的學習率。