[發明專利]學習采樣與分組的圖像壓縮感知重構系統及其方法

有效

• 申請號: 202011275229.8
• 申請日: 2020-11-16
• 公開（公告）號: CN112381746B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 熊承義;劉川鄂;高志榮;秦鵬飛
• 申請（專利權）人: 中南民族大學
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06T3/40
• 代理公司: 武漢宇晨專利事務所(普通合伙) 42001
• 代理人: 黃瑞棠

1.一種學習采樣與分組的圖像壓縮感知重構系統，其特征在于：

包括輸入的圖像測量值Y，設置有非重疊分組模塊(10)、多路并行的塊圖像降維重構模塊(20)、塊圖像拼接模塊(30)、圖像上采樣重構模塊(40)和圖像深度重構模塊(50)；

輸入的圖像測量值Y、非重疊分組模塊(10)、多路并行的塊圖像降維重構模塊(20)、塊圖像拼接模塊(30)、圖像上采樣重構模塊(40)和圖像深度重構模塊(50)依次交互，系統輸出為重構的圖像X_R；

所述的非重疊分組模塊(10)接收輸入的圖像測量值Y，將對應所有塊圖像的測量值均等或近似均等地分成L等分，分別表示為Y₁、Y₂…Y_L；

所述的多路并行的塊圖像降維重構模塊(20)包括并行的彼此獨立的第1、2…L塊圖像降維重構單元21、22…2L，L設定為4；

所述的塊圖像拼接模塊(30)接收多路并行的塊圖像降維重構模塊(20)的輸出，通過塊圖像的拼接處理，生成原始圖像的維度縮小L倍的L幅估計圖像X_i,i＝1、2…L；

所述的圖像上采樣模塊(40)接收輸入的維度縮小L倍的原始圖像的L幅估計圖像，采樣單層的反卷積上采樣運算，生成原始圖像的初始估計；

所述的圖像深度重構模塊(50)接收圖像上采樣模塊(40)的輸出，通過多層卷積運算，生成原始圖像的高質量重建輸出。

2.基于權利要求1所述系統的學習采樣與分組的圖像壓縮感知重構方法，其特征在于：

①非重疊分組

非重疊分組模塊(10)接收輸入的圖像測量值Y，將對應所有塊圖像的測量值均等或近似均等地分成L等分，分別表示為Y₁、Y₂…Y_L；

②多路并行的塊圖像降維重構

多路并行的塊圖像降維重構模塊(20)內并行的L個塊圖像降維重構單元21、22…2L，對應第i塊圖像降維重構單元接收輸入Y_i，生成原始塊圖像X的維度減少L倍的塊圖像Z_ik,i＝1、2…L，k＝1、2…N，N為輸入的塊圖像的數量，Z_ik表示第i通道生成的第k個塊圖像；

③塊圖像的拼接

塊圖像拼接模塊(30)內并行的L個塊圖像拼接單元31、32…3L，對應第i塊圖像拼接單元接收輸入Z_ik，k＝1、2…N，進行拼接運算，生成原始圖像X的維度減少L倍的估計圖像X_i，i＝1、2…L；

④圖像上采樣重構

圖像上采樣重構模塊(40)和接收塊圖像拼接模塊(30)的輸出，采用單層反卷積網絡，生成維度與原始圖像相同的原始圖像的初始估計X₀；

⑤圖像深度重構

圖像深度重構模塊(50)接收原始圖像的初始估計，采用深度卷積網絡，對原始圖像的初始估計X₀進行濾波處理，生成原始圖像X的最后重構X_R；

⑥圖像的分塊壓縮采樣

非重疊分組模塊(10)輸入的圖像測量值Y，是采用經典分塊壓縮感知方法得到的測量結果，具體是將原始圖像X首先分解成N個非重疊的大小為B×B的塊圖像，一般設置B＝32，N的大小決定于原始圖像X的維度和B，然后將所有塊圖像矢量化并按列向拼接成數據矩陣D，最后與測量矩陣Φ進行相乘運算得到測量值Y，即Y＝ΦD；

⑦測量矩陣與重構系統的聯合優化

為了保證本系統生成高質量的最后重構，采用深度學習的網絡訓練方法，對測量矩陣Φ和本系統的參數進行聯合訓練優化，所用的損失函數為原始圖像X分別與初始估計X₀和最后重構X_R的均方誤差的加權和，即Loss＝MSE(X,X_R)+α×MSE(X,X₀)，MSE()表示求均方誤差運算，α為加權因子，設定α＝0.01～1.0。