[发明专利]一种基于内容自适应的可伸缩网络的图像压缩感知方法

权利要求书

1.一种基于内容自适应的可伸缩网络的图像压缩感知方法，其特征在于，包括以下步骤：

S1.构造训练数据集：构造所述训练数据集用于训练内容自适应的可伸缩网络，所述训练数据集由多个自然图像数据构成；

S2.构造内容自适应的可伸缩网络：分别构造所述内容自适应的可伸缩网络的三个子网络：采样子网络、初始化子网络与复原子网络；

S3.内容自适应的可伸缩网络训练过程：基于步骤S1中的所述训练数据集，给定损失函数，使用反向传播和梯度下降算法不断对内容自适应的可伸缩网络的三个子网络的参数进行联合优化，直至损失函数值稳定；

S4.应用训练好的内容自适应的可伸缩网络进行图像的压缩感知采样和重建过程：将采样子网络部署于编码端，将初始化子网络与复原子网络部署于重建端。

2.据权利要求1所述的基于内容自适应的可伸缩网络的图像压缩感知方法，其特征在于，在步骤S1中，在构造所述训练数据集时，首先搜集内容、尺寸合适的图像数据，构成一个训练数据x，多个训练数据x构成网络训练数据集集合Γ。

3.据权利要求1所述的基于内容自适应的可伸缩网络的图像压缩感知方法，其特征在于，在步骤S2中，所述采样子网络包含一个轻量级显著性检测网络，所述复原子网络通过对一优化压缩感知能量模型的迭代算法进行深度展开得到，由梯度下降模块和近端映射模块交替堆叠而成，并将图像显著性特征提取器运用到近端映射模块中，且三个子网络共享一个可学习母矩阵，其被用于产生对应于任意采样率的采样矩阵。

4.据权利要求1所述的基于内容自适应的可伸缩网络的图像压缩感知方法，其特征在于，在步骤S2中，首先在所述采样子网络使用一个轻量级的卷积神经网络对待压缩图像进行扫描并评价其各区域的重要性，获得显著性分布图S，再对显著性分布图以块为单位进行聚合，并实现精准的采样率分配，最终获得分配好的块采样率映射表R。

5.据权利要求1所述的基于内容自适应的可伸缩网络的图像压缩感知方法，其特征在于，在步骤S4中，首先将训练好的所述采样子网络部署于系统的编码端，将训练好的所述初始化子网络与所述复原子网络部署于系统的重建端；然后向采样端的所述采样子网络输入待采样图像，其网络输出为原图像各个子图像块所对应的压缩感知测量值以及采样率映射表；将所述采样子网络的输出由编码端发送至重建端后，经所述初始化子网络和所述复原子网络的处理，获得重建后的图像。