[发明专利]图像重构方法和装置

权利要求书

1.一种图像重构方法，其中，包括：

利用观测矩阵对原始图像进行水平像素方向和竖直像素方向的二维压缩，获得压缩感知图像，所述压缩感知图像的每个像素观测值指示所述原始图像相邻元素之间的空间相关性；

构建深度卷积神经网络，并利用训练图像集对所述深度卷积神经网络进行训练，获得训练好的深度卷积神经网络；

将所述压缩感知图像输入所述训练好的深度卷积神经网络，利用所述训练好的深度卷积神经网络对所述压缩感知图像进行图像重构，获得所述图片的重构图像。

2.根据权利要求1所述的方法，其中，所述利用观测矩阵对原始图像进行水平像素方向和竖直像素方向的二维压缩，包括：

构建观测矩阵，所述观测矩阵为稀疏矩阵，其矩阵元素只包括0与1；

计算所述观测矩阵的转置矩阵；

利用所述观测矩阵和所述转置矩阵对原始图像进行水平像素方向和竖直像素方向的二维压缩。

3.根据权利要求2所述的方法，其中，所述观测矩阵为矩阵元素中的数值1分布符合预设规律的行阶梯矩阵，所述预设规律包括：所述观测矩阵中的元素a_0,0＝a_0,1＝1，a_1,2＝a_1,3＝1，a_i,2i＝a_2,2i+1＝1，参数a为所述观测矩阵的元素，参数的下角标i为大于1小于N-1的自然数，N为所述观测矩阵的行数。

4.根据权利要求1所述的方法，其中，所述利用观测矩阵对原始图像水平像素方向和竖直像素方向的进行二维压缩，获得压缩感知图像，包括：

把所述原始图像分割成均匀大小的多个图像块；

利用所述观测矩阵对所述多个图像块进行水平像素方向和竖直像素方向的二维压缩，获得多个压缩后的图像块数据；

将所述多个压缩后的图像块数据分别重排为多个列向量，所述多个列向量为所述压缩感知图像数据。

5.根据权利要求1所述的方法，其中，所述构建深度卷积神经网络，包括：

构建包括输入层、全连接层、神经元重组层和串行的预定数量卷积层的深度卷积神经网络；

设置与每个卷积层对应的激活函数，在每个所述卷积层后连接相应的具有非线性特征的激活函数。

6.根据权利要求5所述的方法，其中，所述构建深度卷积神经网络，具体包括：

构建所述输入层的输入数据与输出数据为维度相同的列向量数据，所述全连接层的输出数据为维度高于与其输入数据维度的列向量，所述输入层输出数据的列向量维度与所述全连接层输入数据的列向量维度相同；

构建所述神经元重组层的输入数据为与所述全连接层输出数据维度相同的列向量，所述神经元重组层的输出数据为一维矩阵；

构建串行的三层卷积层，其中，

第一层卷积层的输入数据为与所述神经元重组层输出数据在矩阵大小上相同的一维矩阵，所述第一层卷积层的输出数据为与其输入数据在矩阵大小上相同的多维矩阵；与所述第一层卷积层连接的激活函数的输入数据与输出数据均为与所述第一层卷积层输出数据在矩阵大小与矩阵维度上均相同的多维矩阵；

第二层卷积层的输入数据为与所述第一层卷积层输出数据在矩阵大小与矩阵维度上均相同的多维矩阵，所述第二层卷积层的输出数据为与其输入数据在矩阵大小上相同而矩阵维度小于输入数据的多维矩阵；与所述第二层卷积层连接的激活函数的输入数据与输出数据均为与所述第二层卷积层输出数据在矩阵大小与矩阵维度上均相同的多维矩阵；

第三层卷积层的输入数据为与所述第二层卷积层输出数据在矩阵大小与矩阵维度上均相同的多维矩阵，所述第三层卷积层的输出数据为与其输入数据在矩阵大小上相同的一维矩阵；与所述第三层卷积层连接的激活函数的输入数据与输出数据均为与所述第三层卷积层输出数据在矩阵大小相同的一维矩阵。

7.根据权利要求6所述的方法，其中，所述构建深度卷积神经网络，进一步包括：

将线性修正单元作为与每个所述卷积层相连接的所述激活函数，并设置与所述第三层卷积层相连接的所述激活函数的输出数据的最大值不大于1。