[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

说明书

基于内容自适应的可伸缩网络的图像压缩感知方法，包括：S1.构造训练数据集用于训练内容自适应的可伸缩网络，训练数据集由多个自然图像数据构成；S2.分别构造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.基于步骤S1中的训练数据集，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。该方法设计了一个内容自适应的可伸缩网络来进行训练和重建，能够在达到很高的成像精度的同时，表现出了强大的灵活性和对图像内容的自适应性。

技术领域

本发明属于数字成像技术领域，具体涉及一种基于内容自适应的可伸缩深度展开网络的图像压缩感知方法。

背景技术

基于奈奎斯特-香农定理的传统图像采集与处理系统需要以不低于信号两倍的带宽对图像实施稠密采样，并且其捕获和压缩过程是分离进行的，这些要求使图像系统变得复杂、庞大，造成了巨大的计算开销和缓慢的处理速度，故在当下许多应用中受到限制。新兴的压缩感知理论能够以远低于奈氏定理采样极限的频率，以线性投影的方式对具备一定稀疏性的图像信号同时进行快速的采样和压缩。由于能够极大降低系统采样端的硬件负担、提升处理速度，压缩感知自十多年前被提出以来就受到了广泛关注，其数学模型为：

y＝Φx，

其中x表示长度为N的原始图像信号，Φ为给定的尺寸为M×N的采样矩阵，而y为原始信号经线性投影所获得的长度为M的观测值，其中M＜＜N。

下面将简要介绍现有的压缩感知重建算法。

传统的压缩感知图像重建算法往往通过求解如下优化问题进行图像重建：

其中，是预测的重建图像，y是对原始图像采样得到的测量值向量，Φ是采样过程中的观测矩阵，是与图像先验相关的正则项约束。目前已有基于全变分正则化、方向变换的稀疏化方法^[1][2]和基于离散余弦变换域或小波变换域系数先验^[3][4]的方法通过不同的迭代优化算法(如迭代阈值收缩算法^[5]、交替方向乘子法^[6]、近似消息传递法^[7]等)进行重建。虽然这类工作在通过设计更复杂的先验来试图获得更好的重建质量和更高的复原效率(如获取更快的收敛速度)并取得了一定成果，但他们所对应的重建方法一般需要通过许多次的迭代计算来还原图像，这一过程实际上是非常耗时的，且复原质量依赖于大量的人工实验微调及经验性参数，这些缺点使得这类方法的设计难度高、重建效率仍然偏低，很难满足当下大部分应用对精度和实时性的严苛要求。

随着深度学习技术的发展，基于端到端神经网络的压缩感知图像重建方法的优势逐渐凸显。该方法通过全采样图像数据来获得大量观测值与真值的数据对，由此创建深度神经网络训练所需要的数据集。目前已有人提出了借助深度神经网络的强大学习能力来进一步提升重建图像的质量^[8][9]。这类方法极大地缩短重建时间，而且不需要通过人的经验来设计目标函数的先验项，因此更加方便。但其网络结构设计缺乏指导，可解释性不足，仍有性能提升空间。数个基于深度展开技术的方法^[10][11]通过将传统迭代优化算法映射为网络结构，很好地实现了模型在重建质量、复原速度与可解释性上的平衡。后来，有人提出基于自适应能力更强的可学习采样矩阵的方法^[12][13]，更灵活的基于层次化的可伸缩网络^[14]，以及基于显著性的动态分配采样率的压缩感知方法^[15][16]。

虽然大多数当前较先进的方法都展现出了它们强大的重建性能或复原精度，但相关工作所关注和解决的问题往往是单方面的(如仅关注复原精度，灵活性等)，而很少具备综合解决若干极具挑战性问题的能力，这使得它们的性能提升存在瓶颈，同时在许多实际应用中将依然存在局限。

发明内容