[发明专利]一种基于注意力机制的图像压缩感知重建方法

权利要求书

1.一种基于注意力机制的图像压缩感知重建方法，其特征在于，应用至少两个注意力模块，利用基于注意力机制的图像压缩感知重建网络AM-CSNet，网络使用反卷积完成初始重建，在深度重建网络中通过注意力模块自适应分配特征权重；注意力模块之间通过残差的方式进行连接，每个注意力模块AM由通道注意力和空间注意力两部分组成，最后将AM提取的特征信息通过全局特征融合得到深度重建的图像，具体操作步骤如下：

步骤1：输入一张自然图像，经过卷积压缩感知测量后得到图像的压缩测量值；

步骤2：将得到的压缩测量值y通过反卷积实现初步重建，得到初始重建图像；

步骤3：将初始重建图像作为输入，在注意力模块AM内进行卷积、ReLU、卷积后得到特征图；将获得的特征图通过通道注意力CA和空间注意力SA自适应学习特征权重；

步骤4：将获得的特征图与通道注意力CA和空间注意力SA求得的特征权重相乘，得到重新分配权重后的特征图；

步骤5：将AM的输入特征图与输出特征图跳跃连接并求和，此操作称为残差学习；

步骤6：重复步骤3、4、5的操作，使用Concat融合层和卷积层将多个AM模块的输出特征结合起来，该过程称为全局特征融合；全局特征融合后得到最终的输出图像。

2.根据权利要求1所述基于注意力机制的图像压缩感知重建方法，其特征在于，在所述步骤1中，使用卷积层对原始图像进行卷积压缩测量，该过程表示为：

y＝φx＝Conv(x)

其中，测量矩阵φ用卷积层Conv来表示，x、y分别表示原信号和测量值。

3.根据权利要求1所述基于注意力机制的图像压缩感知重建方法，其特征在于，在所述步骤2中，对测量值重建的具体步骤是：

使用反卷积对得到的测量值进行线性变化得到初始重建的图像，该过程表示为：

其中，y表示测量值，表示经过反卷积初始重建的图像。

4.根据权利要求1所述基于注意力机制的图像压缩感知重建方法，其特征在于，在所述步骤4中，实现对特征自适应分配权重的注意力机制的具体方法是：

通过通道注意力描述符和空间注意力描述符为提取的特征自适应地分配权重，该过程表示为：

F_s，out＝F_s，in*M_C*M_S＝σ(MaxPool_Spatial(σ(MaxPool_Channel(F_{input_featre}))))

其中，F_s,out表示第s个注意力模块输出的特征图，F_s,in表示第s个注意力模块的输入特征图，M_C和M_S分别代表通道注意力描述符和空间注意力描述符；σ代表激活函数Sigmoid，MaxPool_Channel表示对特征图通道方向上的最大池化，MaxPool_Spatial表示对特征图空间方向上的最大池化，F_{input_featre}表示输入的特征图。

5.根据权利要求1中所描述的一种基于注意力机制的图像压缩感知重建方法，其特征在于，在所述步骤5中，残差学习的具体方法是：

F_s＝F_s，in+F_s，out

其中，F_s为第s个注意力模块的残差连接输出的特征图，F_s，out为第s个注意力模块的输出的特征图，F_s，in表示第s个注意力模块的输入特征图。

6.根据权利要求1中所述基于注意力机制的图像压缩感知重建方法，其特征在于，全局特征融合的过程可以表示为：

F_out＝Conv(Concat(F₁，…，F_s，…，F_S))

其中，F_out表示全局特征融合的输出，即重建的高质量图像；Conv表示卷积层，Concat表示特征融合层，F₁，…，F_s，…，F_S分别表示从第1个到第S个注意力模块残差连接输出的特征图。