[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

本發明公開了一種基于分塊觀測的壓縮感知網絡及全圖重構方法，主要解決現有網絡恢復圖像質量差的問題。其網絡包括觀測子網絡和重構子網絡，該觀測子網絡由第一卷積層組成；該重構子網絡，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；每個殘差塊包括第三卷積層和第四卷積層；第一卷積層的輸出端與反卷積層的輸入端連接，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個殘差塊的輸出端與第五卷積層的輸入端連接，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。用本發明網絡避免了重構圖像的塊效應，提高了圖像恢復質量，可用于圖像處理。

技術領域

本發明屬于壓縮感知技術領域，主要涉及一種分塊觀測的壓縮感知網絡及全圖重構方法，可用于圖像處理。

背景技術

在大量的實際問題中，人們傾向于盡量少地采集數據，或者由于客觀條件所限不得不采集不完整的數據。傳統的圖像壓縮是基于奈奎斯特定理采樣進行數據采集，并從數據本身特性出發，尋找并剔除數據中隱含的冗余度。這樣造成的結果是，數據壓縮必須在數據完整采集之后，壓縮過程要求復雜的算法，這和大量采集并處理信號的設備性能是矛盾的。壓縮感知的概念就是為了解決這一問題提出的，它能以遠低于奈奎斯特頻率直接采集壓縮后的信號，并通過數值最優問題準確重構出原始信號。

目前，針對壓縮感知理論的圖像恢復方法的研究，主要集中在利用傳統的貪婪算法，迭代閾值法或者引入深度學習的方法進行圖像重構。其中迭代閾值法和貪婪算法都需要大量的迭代運算，耗時長。所以最近的研究逐漸轉向利用深度學習方法來進行圖像重構。已有的深度學習的方法一般是將大圖分成小塊，利用高斯矩陣作為觀測矩陣，再構建學習網絡作為恢復網絡依次恢復塊圖像。這種將大圖分割成小圖的方法會造成重構出的圖像具有明顯的塊效應，在較低的觀測率下恢復出來的圖像模糊，語義信息不明顯，而且需要保證有大量的訓練數據集，訓練過程時間長，不適用于在較低觀測率下的圖像重構。

發明內容

本發明的目的在于針對上述已有的技術的不足，提出一種基于分塊觀測的壓縮感知網絡，以在任意觀測率下都能徹底解決塊效應的弊端，尤其是在低觀測率下能大幅度提高圖像恢復質量。

本發明的技術思路是：在以往實現方法的基礎上，圖像觀測仍舊采用分塊觀測，而在圖像重構上創新性的提出全圖重構的方式。分塊觀測采用卷積操作對整個圖像進行一次性的不交疊的統一采樣，圖像所有的觀測是在網絡的一次正向傳播中完成，其實現方案如下：

一.基于分塊觀測的壓縮感知網絡，包括觀測子網絡和重構子網絡，其特征在于：

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。

進一步，所述第二卷積層的輸出端與12個殘差塊依次連接，是將第二卷積的輸出端首先進行Relu激活處理，再連接到第一個殘差塊里的第三卷積層輸入端，將第三層卷積層的輸出端同樣進行Relu激活處理，再連接到第四卷積層的輸入端，第四層卷積層的輸出端作為第一個殘差塊的輸出端，并將第一個殘差塊的輸入端和輸出端連接起來；第一個殘差塊的輸出端連接到第二個殘差塊的輸入端，第二個殘差塊的內部連接與第一個殘差塊相同，以此類推，完成12個殘差塊的連接。

二.基于分塊觀測的壓縮感知網絡進行圖像重構的方法，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大小的灰度圖訓練數據集；

2)訓練網絡：