[發明專利]一種基于多字典改進型壓縮感知框架的內窺鏡圖像感知重構方法

有效

• 申請號: 201811515947.0
• 申請日: 2018-12-12
• 公開（公告）號: CN109658467B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 李勝;陳強;何熊熊;孫明軒
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06V10/772;G06V10/774
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于多字典改進型壓縮感知框架的內窺鏡圖像感知重構方法，針對內窺鏡圖像處理中存在單字典訓練速度慢和重構效果差的問題，設計一種適用于大批量圖片的云并行多字典訓練算法，再結合多字典平均梯度下降改善了感知矩陣的優化效果，最后利用多字典平均策略重構圖像。本發明多字典改進型壓縮感知框架的應用提高了字典訓練的速度，平均梯度下降和多字典重構也改善了圖像的恢復效果，本發明在只使用一個感知矩陣的前提下，證明了多字典平均梯度下降對感知矩陣的優化。

技術領域

本發明涉及一種基于多字典改進型壓縮感知框架的內窺鏡感知重構方法，利用了多字典優化感知矩陣。

背景技術

壓縮感知是一種在感知的過程中就完成了壓縮的技術，能夠用很小的感知模塊完成信號的采樣壓縮，然后利用訓練好的字典重構出近似的原信號，突破了香農采樣定理的限制。隨著云計算和分布式計算的快速發展，通過分布式并行計算來提高運算速度變得越來越重要。在內窺鏡圖像應用領域，樣本圖片往往非常多，經典的單字典訓練算法十分耗時，而圖片尺寸也非常大使得投影誤差被放大，造成重構效果差的問題。

發明內容

為了克服現有的應用于多樣本大尺寸圖像集效果差的問題，本發明提供一種基于多字典改進型壓縮感知框架的重構方法，在還是使用一個感知矩陣的前提下，大大加快了字典訓練速度也改善了感知矩陣設計的優化效果，最終提高了圖像重構效果。為了解決上述技術問題提出的技術方案如下：

一種基于多字典改進型壓縮感知框架的內窺鏡圖像感知重構方法，包括以下步驟：

步驟1，利用大量的醫療內窺鏡圖像訓練出多個獨立同分布的字典，過程如下：

1.1令Ψ代表字典矩陣，將大量的內窺鏡圖像均勻的分成P個子集，從每個子集當中隨機抽取等量的內窺鏡圖像，然后將圖像轉為灰度值尺度為0～255的灰度圖像，對這些圖像按大小為8*8的像素塊進行切割，切割下來的像素塊分別拉成列原子大小為64*1的像素條，按一個子集為一組分別，將一個組的像素條拼成組成P個行尺度為64的原始信號矩陣，列尺度由抽取的圖像數量和圖像的大小決定，基于這些原始信號矩陣引入K次奇異值分解算法，使用云并行計算的能力，P條線路同時訓練，由于數據是均勻隨機抽取得到的，所以可以得到P個獨立同分布字典；

1.2K次奇異值分解多字典訓練優化方程為：

其中Ψ_(t)∈R^64×100，t＝1,2,...,P是訓練得到的P個字典，Y_(t)是原始信號矩陣，Φ∈R^20×64是感知矩陣，S是稀疏系數，且S是一個正整數；

步驟2，針對大尺寸內窺鏡圖像設計基于多字典的感知矩陣優化算法，目標函數使用多字典進行迭代梯度下降，過程如下：

2.1考慮圖像應用場景，設計感知矩陣優化目標函數的格拉姆矩陣逼近單位矩陣的同時，引入基于弗羅貝尼烏斯范數的正則化懲罰項項來減小感知矩陣的能量；

2.2目標函數為：

其中G∈R^100×100代表目標格拉姆矩陣，是弗羅貝尼烏斯范數，λ代表正則化項的權衡因子，用來權衡最優化問題中逼近單位陣和感知矩陣能量的相互影響，該目標函數的優化目標是得到一個較好的適用于大尺寸圖像的感知矩陣；

2.3考慮到秩約束，上述目標函數其實是一個非凸函數，將字典矩陣視為一個變量，采用隨機梯度下降的平均梯度策略優化，分別計算基于P個字典的目標函數關于感知矩陣的梯度：

再求P個目標函數關于感知矩陣梯度的平均值：