[发明专利]一种基于注意力机制的图像压缩感知重建方法

说明书

本发明公开了一种基于注意力机制的图像压缩感知重建方法。本方法应用多个注意力模块，提出一个基于压缩感知算法的卷积注意力网络(AM‑CSNet)；每个注意力模块(AM)包含通道注意力以及空间注意力机制；多个注意力模块之间通过残差连接和全局特征融合输出重建图像。本发明具有如下优点：在每一个AM中，通道注意力和空间注意力机制自适应分配特征权重，显著提高了图像重建质量；全局特征融合和残差连接保留了不同层次的特征信息，使不同模块提取的特征信息得到充分利用，而且减少了重建高质量图像所需的网络层数。

技术领域

本发明属于图像处理领域，特别涉及一种基于注意力机制的图像压缩感知重建方法。

背景技术

压缩感知重建技术是当信号在某个变换域中是稀疏的，通过一个测量矩阵Φ∈R^m×n对信 号x∈R^n×1进行压缩测量，将信号x投影到m维的低维空间，并可以根据测量值y∈R^m×1精确地 重建出原始信号。由于它可以从极少的采样信号中恢复原始信号，使得压缩感知重建技术在 无线通信和医学成像等领域得到了广泛的应用。当前的压缩感知重建模型可以分为两类：基 于稀疏先验知识的传统重建模型和基于数据驱动的深度学习类模型。

传统算法基于稀疏先验知识迭代地求解优化问题，但自然图像等真实信号在人工设计的 变换域中并不一定精确满足稀疏性，并且这类算法采用多次迭代求解原信号，算法的时间复 杂度较高，难以满足实时性要求较高的应用场景，限制了压缩感知的应用深度和广度。

基于神经网络构建的图像压缩感知重建算法则无需依赖任何信号的先验知识，而是由大 量自然图像数据驱动网络学习数据的结构。在提高重建质量的同时，加速了图像重建的过程。 然而目前的重建网络在使用卷积层实现图像重建时，卷积所提取的特征图并没有得到很好的 利用，常常需要堆叠更多的网络层数才能实现图像的高质量重建。现有技术所存在的无法有 效利用每一个卷积层所提取的特征信息的问题，这急需解决。

发明内容

本发明的目的是解决现有技术所存在的无法有效利用每一个卷积层所提取的特征信息的 问题，也即不同层次、不同区域的特征图使用相同的权重，导致部分有效特征被削弱，无效 特征被放大的技术问题，提供一种基于注意力机制的图像压缩感知重建方法，从而提出了一 种基于注意力机制的图像压缩重建网络模型(Attention MechanismCompressed Sensing Network，AM-CSNet)。在以往的残差神经网络中，通常只是简单的卷积层的堆叠，卷积所提 取的特征并没有得到合理的利用，本发明所提出的AM-CSNet网络中，使用多个卷积注意力 模块(Attention Module，AM)，AM可以对卷积特征图自适应的分配特征权重，达到强化重 要特征，弱化低效特征的效果，从而精确的重建出原始图像。在AM-CSNet网络中，每个AM 的输出通过残差连接作为下一个注意力模块的输入，充分保留了不同层次的信息，最终将所 有AM的输出通过全局特征融合得到重建的高质量图像。

为达到上述目的，本发明采用下述技术方案：

一种基于注意力机制的图像压缩感知重建方法，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，达到强化重要特征，弱化无效特征的效果。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，最后将多个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压缩测量值；

步骤2：将得到的测量值y通过反卷积实现初步重建，得到初始重建图像；