[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

本發明公開了一種學習采樣與分組的圖像壓縮感知重構系統及其方法，涉及圖像成像與重建技術領域。本系統是：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）。本方法是：①非重疊分組；②多路并行的塊圖像降維重構；③塊圖像的拼接；④圖像上采樣重構；⑤圖像深度重構；⑥圖像的分塊壓縮采樣；⑦測量矩陣與重構系統的聯合優化。本發明在有效降低重構系統復雜度的同時，可得到系統重構性能的進一步提升；適用于壓縮成像等應用。

技術領域

本發明涉及圖像成像與重建技術領域，尤其涉及一種學習采樣與分組的圖像壓縮感知重構系統及其方法；詳細地說，本發明是一種基于學習采樣與深度卷積網絡，利用分組重構技術的復雜度減少的高性能圖像壓縮感知重構系統及其方法。

背景技術

壓縮感知是一種新的信號采樣理論。比較傳統的香農采樣，壓縮感知證明了可實現對稀疏信號降維采樣的準確重構，因此可大大減少采樣的數據量，從而有效減少數據存儲空間和數據傳輸帶寬。壓縮感知在圖像成像中已得到廣泛應用。圖像壓縮感知重構是壓縮感知成像涉及的核心問題，自壓縮感知理論提出至今一直是該領域關注的研究熱點。近年來，隨著深度學習在圖像識別領域取得的成功應用，基于深度網絡的壓縮感知重構實現也得到了極大關注和飛速發展。【參見文獻：[1]E.J.Candes and T.Tao，“Near-optimalsignal recovery from random projections:Universal encoding strategies？”IEEETransactions on Information Theory,vol.52,no.12,pp.5406–5425,2006；[2]W.Dong,G.Shi,X.Li,Y.Ma,and F.Huang,“Compressive sensing via nonlocal low-rankregularization,”IEEE Transactions on Image Processing,vol.23,no.8,pp.3618–3632,2014；[3]A.Mousavi,A.B.Patel,and R.G.Baraniuk,“A deep learning approachto structured signal recovery,”in Proceedings of IEEE Annual AllertonConference on Communication,Control,and Computing,2015,pp.1336–1343；[4]W.Shi,F.Jiang,S.Liu and D.Zhao,Image Compressed Sensing Using Convolutional NeuralNetwork,IEEE Transactions on Image Processing,vol.29,pp.375-388,2020】。

深度學習方法與傳統方法比較，能夠極大地提升壓縮感知圖像的重構質量，并且因為采用端對端映射，因此可以得到重構速度的極大提升。深度學習方法還可以實現壓縮感知編碼端的測量矩陣與重構網絡的聯合優化，因而可以更加有效地提升測量效率和重構性能。然而，圖像的壓縮感知因為圖像的維度較高，面臨的一個很重要的問題是如何減少采樣及重構系統的復雜度。基于分塊壓縮感知的方案可以很好地平衡重構性能和系統的復雜度。【參見文獻：[6]L.Gan,“Block compressed sensing of natural images,”inProc.IEEE15th Int.Conf.Digit.Signal Process.,Jul.2007,pp.403–406】。但是傳統分塊壓縮感知方案的重構端，采用了與編碼端相同規模的測量矩陣來進行圖像重構，仍然存在需要的參數規模較多和計算復雜度高的不足。

發明內容