[发明专利]基于LSTM网络与图像组质量盲评估的视频压缩感知重构方法

权利要求书

1.一种基于LSTM网络与图像组质量盲评估的视频压缩感知重构方法，其特征在于，包括以下步骤：

(1)重建端接收帧观测矢量码流，组合形成连续的图像组观测矢量；

(2)利用第1个图像组观测矢量GMV₁的重建图像组训练LSTM网络的参数集合；

(3)对于第n个图像组观测矢量GMV_n，执行基于LSTM网络的多帧联合迭代重构，其中，n≥2，停止条件是当迭代次数达到最大值K或残差l₂范数||R_n,j||₂小于阈值resMin或图像组盲质量Q^b_n高于阈值qMax，从而完成第n个重建图像组的恢复，将其中的重建帧F_n作为最终的第n个重建帧；当完成连续α个图像组的恢复后，若每个图像组的最终恢复均是迭代次数达到最大值K才停止的情况，则进入步骤(4)；否则，后续的多帧联合迭代重构仍采用LSTM网络的当前参数集合§^*，并跳转到步骤(5)；其中，基于LSTM网络的多帧联合迭代重构是通过帧观测矢量GMV_n(:,i)逐一初始化第i帧残差矢量R_n,j(:,i)，并将初始化的残差矢量R_n,j(:,i)用作LSTM网络的输入；使用转换矩阵U将第j次迭代中第i帧图像的LSTM网络输出转换为基矢量ncell是LSTM网络神经元的个数；将基矢量z_n,j(:,i)进一步输入到softmax层，由此得出第i帧稀疏矢量中各个元素的非零概率，选择具有最大概率的元素并将其添加到帧稀疏矢量的支撑集；最后，通过最小二乘估计法逐一找到第j次迭代中各个帧稀疏矢量{S_n,j(:,i)}_{i＝1,2,…,L}；

(4)重建端利用第n个图像组观测矢量GMV_n的重建图像组G_n训练LSTM网络；

(5)如果仍然存在待重构的图像组观测矢量，则返回步骤(3)，继续逐个恢复图像组；否则，输出剩余的重建帧F_n+1、…、F_n+L-1，作为最终的第n+1、…、n+L-1个重建帧，完成视频重构。

2.根据权利要求1所述的基于LSTM网络与图像组质量盲评估的视频压缩感知重构方法，其特征在于，所述步骤(1)中每个图像组观测矢量包含L个帧观测矢量，其中，L≥2，每个帧观测矢量均含有M个测量值。

3.根据权利要求1所述的基于LSTM网络与图像组质量盲评估的视频压缩感知重构方法，其特征在于，所述步骤(2)中对于第1个图像组观测矢量GMV₁，重建端逐帧采用图像重构算法恢复第1个重建图像组G₁＝{F₁,F₂,...,F_L}，然后将(G₁,GMV₁)作为基准数据对，用于训练LSTM网络的参数集合§₁，从而获得LSTM网络的当前参数集合§^*＝§₁。

4.根据权利要求1所述的基于LSTM网络与图像组质量盲评估的视频压缩感知重构方法，其特征在于，所述步骤(3)中重建端计算多次迭代后的残差矢量根据残差系数为零的概率对残差系数进行加权，得到一个加权的残差最小化问题，采用Split Bregman迭代算法解决该问题。

5.根据权利要求1所述的基于LSTM网络与图像组质量盲评估的视频压缩感知重构方法，所述步骤(3)中图像组盲质量通过Video-BLIINDS或VIIDEO准则进行评估。