[发明专利]图像重构方法和装置

说明书

本发明公开了一种图像重构方法和装置。该方法包括：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，压缩感知图像的每个像素观测值指示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；将压缩感知图像输入训练好的深度卷积神经网络，利用训练好的深度卷积神经网络对压缩感知图像进行图像重构，获得图片的重构图像。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像重构方法，以及一种图像重构装置。

背景技术

压缩感知(Compressed Sensing,CS)理论是近年来针对稀疏信号提出的一种新兴采样理论，以远低于奈奎斯特频率的速度成功实现了对信号的同时采样与压缩。将压缩感知技术运用到图像重构系统，仅需采样少量数据即可解决系统收发两端的压缩、传输和重构等问题,从而降低在传输、存储过程中的带宽资源浪费和硬件设备代价。因此，图像压缩感知的研究具有重要意义。

该理论已经在信源编码、传感器网络、信号检测、医学图像处理、雷达遥感、生物传感、模式识别、盲源分离、频谱分析等领域获得了越来越多的应用。

在压缩感知图像领域出现了大量优秀的重构算法，但传统的重构算法实时性比较差，深度学习通过线下训练，利用训练好的参数对压缩感知图像进行重构，达到了很好的实时性。现有技术提出了很多基于深度学习压缩感知图像重构方法，例如重构网络ReconNet方法，该方法利用观测矩阵对图像进行一维压缩，并没有利用图像的空间结构信息，影响图像的重构质量。

发明内容

本发明的目的在于提供一种用于图像重构的新的技术方案。

根据本发明的第一方面，提供了一种图像重构方法，其包括：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，压缩感知图像的每个像素观测值指示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；将压缩感知图像输入训练好的深度卷积神经网络，利用训练好的深度卷积神经网络对压缩感知图像进行图像重构，获得图片的重构图像。

可选地，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，观测矩阵为稀疏矩阵，其矩阵元素只包括0与1；计算观测矩阵的转置矩阵；利用观测矩阵和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。

可选地，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，预设规律包括：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为观测矩阵的行数。

可选地，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：把原始图像分割成均匀大小的多个图像块；利用观测矩阵对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；将多个压缩后的图像块数据分别重排为多个列向量，多个列向量为所述压缩感知图像数据。

可选地，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，在每个卷积层后连接相应的具有非线性特征的激活函数。