[发明专利]基于展开迭代优化算法的深度压缩感知网络的构建方法

权利要求书

1.基于展开迭代优化算法的深度压缩感知网络的构建方法，其特征在于，

所述深度压缩感知网络包含采样矩阵、映射网络和非线性深度重建网络三个模块，后两个模块包含多个重复的子单元；采样矩阵的参数表示为Θ₁，映射模块的参数表示为Θ₂，非线性深度重建网络的参数表示为Θ₃；网络总体的学习参数表示为Θ，那么有Θ＝{Θ₁∪Θ₂∪Θ₃}；所有这些参数都将作为神经网络参数进行学习；

所述展开迭代优化算法包含以下步骤：

步骤1，将原始图像x分成一系列大小相同的非重叠子图像块x_i{i＝1,2,3...}，将子图像块x_i{i＝1,2,3...}作为训练数据；

步骤2，将所述训练数据输入到深度神经网络中，采用深度神经网络中包含的采样矩阵对输入数据分别进行压缩采样处理，得到压缩采样后的数据y_i{i＝1,2,3...}；

步骤3，将步骤2得到的压缩数据y_i{i＝1,2,3...}进行初始重建，使其长和宽恢复到压缩采样前子图像块的长和宽，初始重建结果记为

步骤4，将步骤3中多个初始重建结果子图像块输入到多个相同网络结构组成的深度神经网络中实现子图像块的中间转换过程，其中依次包含稀疏化模块、soft(·)软阈值函数和反稀疏化模块，从而得到每个阶段的最优值进一步得到最后一阶段最优值

步骤5，将步骤4得到的最后一阶段的最优值按其对应的子图像块x_i{i＝1,2,3...}在原始图像x中的对应位置进行拼接，得到中间重建图像

步骤6，将步骤5得到的中间重建图像输入到由级联残差模块组成的深度重建网络，对子图像块间信息进行恢复，输出最终重建图像x′；

步骤7，通过损失函数计算步骤5得到的中间重建图像与原始图像之间的误差以及步骤6得到的最终重建图像与原始图像之间的误差，对误差进行反向传播，更新神经网络参数；

步骤8，重复步骤2-7，直至损失函数计算的误差达到期望值，结束神经网络的训练。

2.根据权利要求1所述的方法，其特征在于，用于深度重建网络训练的网络输入和输出标签都是原始图像x本身，训练数据集可以表示为其中K为训练图像的总数。

3.根据权利要求1所述的方法，其特征在于：所述步骤1中将图像分割成大小为w×w×l的非重叠块x_i{i＝1,2,3...}，其中i表示块索引，l表示信道数量，w×w为采样块的大小。

4.根据权利要求1所述的方法，其特征在于：所述步骤2中，原始图像分块后的压缩采样处理方式为：

y_i＝Φx_i

其中，是由原始图像x分成尺寸较小的块按列堆叠形成的向量数据；测量矩阵是一种具有学习特性的自适应矩阵，n为原始子图像块数据大小，m为压缩后子图像块数据大小；

通过y_i＝Φx_i得到CS的测量值y_i{i＝1,2,3...}，其中Φ为大小为m×w²l的采样矩阵，采样矩阵的列大小为w²l，l表示信道数量，w×w为采样块的大小；对于采样比T＝m/w²l，采样矩阵中的行用于获取CS测量值。

5.根据权利要求1所述的方法，其特征在于，所述步骤3中，利用深度神经网络的学习特性，建立重建矩阵R_init初始值为全零矩阵，通过公式x⁰＝R_inity生成初始重建值x⁰，y是由x得到的压缩感知测量值，并以数据驱动的方式更新随机矩阵R_init。