[发明专利]图像压缩感知重建方法、系统、设备及介质

权利要求书

1.一种图像压缩感知重建方法，其特征在于，包括：

利用预设的第一去噪器模型，对待处理的原始图像进行退化处理，得到退化后的图像；

利用改进的基于深度学习的近似消息传递算法，对所述退化后的图像进行压缩重建处理，得到所述的图像压缩感知重建结果；

其中，所述改进的基于深度学习的近似消息传递算法，为将基于深度学习的近似消息传递算法中的去噪器替换为预设的第二去噪器模型的算法；所述预设的第一去噪器模型和预设的第二去噪器模型均为基于图像先验建模的灰度图像高斯噪声去噪器网络模型。

2.根据权利要求1所述的一种图像压缩感知重建方法，其特征在于，所述基于图像先验建模的灰度图像高斯噪声去噪网络模型包括若干级噪声模型；其中，每一级噪声模型包括第一卷积层、第一多尺度融合模块、第一监督注意力模块、第二多尺度融合模块、通道合并模块、第二监督注意力模块、第二卷积层、注意力模块、第一残差连接模块、第三卷积层及第二残差连接模块；其中，上一级噪声模型为下一级噪声模型的预处理模型，用于对下一级噪声模型进行微调训练；

第一卷积层，用于对含噪灰度图像进行卷积操作，得到初始特征图F_hea；

第一多尺度融合模块，用于对所述初始特征图F_hea进行特征提取，得到特征图F_m1；

第一监督注意力模块，用于对所述特征图F_m1进行特征校准，并改变通道数目，得到第一阶段去噪图像

第二多尺度融合模块，用于对所述特征图F_m1进行特征提取，得到特征图F_m2；

通道合并模块，用于对所述特征图F_m1及所述特征图F_m2进行通道合并处理，得到通道合并后的特征图F_m12；

第一监督注意力模块，用于对所述通道合并后的特征图F_m12进行特征校准，并改变通道数目，得到第二阶段去噪图像

第二卷积层，用于对所述通道合并后的特征图F_m12进行特征提取，得到特征图F_c2；

注意力模块，用于对所述特征图特征图F_c2，进行通道及空间注意力特征提取，得到特征图F_csa；

第一残差连接模块，用于对所述初始特征图F_head和所述特征图F_csa进行求和处理，得到特征图F_res；

第三卷积层，用于对所述特征图F_ews1进行特征提取，得到特征图F_c3；

第二残差连接模块，用于对所述含噪灰度图像与所述特征图F_c3进行求和处理，得到第三阶段去噪图像

3.根据权利要求2所述的一种图像压缩感知重建方法，其特征在于，对每一级噪声模型进行训练的过程，具体如下：

构建训练数据集；其中，所述训练数据集包括若干对训练数据；所述每一对训练数据包括真实数据和噪声数据，所述真实数据为从DIV2K数据集和SIDD数据集中选取的干净的灰度图像，所述噪声数据为用于在所述干净的灰度图像上添加的预设噪声等级的高斯噪声；

对每个训练数据进行归一化处理，得到归一化处理后的训练数据；

将所述归一化后的训练数据作为当前噪声模型的输入，基于目标损失函数，对当前噪声模型进行训练；其中，所述目标损失函数根据所述干净的灰度图像、所述第一阶段去噪图像所述第二阶段去噪图像及所述第三阶段去噪图像计算得到；

当前噪声模型训练完成后，将训练好的当前噪声模型作为下一级噪声模型的预处理模型，对下一级噪声模型进行微调训练；依此操作，完成所有噪声模型的训练。

4.根据权利要求3所述的一种图像压缩感知重建方法，其特征在于，所述目标损失函数为：

其中，MSE(*)为均方误差；x为干净的灰度图像；为第一阶段去噪图像；为第二阶段去噪图像；为第三阶段去噪图像。