[发明专利]一种结合注意力机制的多尺度图像压缩重构方法

说明书

本发明提供一种结合注意力机制的多尺度图像压缩重构方法，包括以下步骤：S1：获取待重构的图像；S2：对待重构的图像进行卷积采样得到测量值，并进行测量值调整；S3：对调整后的测量值进行初始重构，得到初始重构值，并计算测量值残差；S4：对初始重构值进行多尺度重构，得到加强重构值，并根据测量值残差计算补偿重构值；S5：根据初始重构值、加强重构值和补偿重构值得到重构图像。本发明提供一种结合注意力机制的多尺度图像压缩重构方法，综合初始重构值、加强重构值和补偿重构值得到重构图像，解决了现有的压缩感知方法存在重构性能不佳的问题。

技术领域

本发明涉及图像压缩感知的技术领域，更具体的，涉及一种结合注意力机制的多尺度图像压缩重构方法。

背景技术

著名的奈奎斯特采样定律(Nyquist Sampling Theory,NST)指出，想让采样之后的数字信号完整保留原始信号中的信息，采样频率必须大于信号中最高频率的两倍。因为如果采样频率低于两倍的信号最高频率，信号在频域频谱搬移后就会发生混叠。但在一些实际信号、图像处理应用中，遵循奈奎斯特采样定律对信号进行采样会导致采样频率过高、采样数据太多不利于存储和传输，采样速率低等问题。并且采样频率过高导致的过采样常常会损坏设备。随着压缩感知(Compressed Sensing,CS)理论的诞生，解决了这一问题。

压缩感知作为一种新颖的采样理论，能有效地利用信号的稀疏特性来节省数据采集、传输和存储的成本，因而能被用于无线通信、信号采集等一些领域。压缩感知是一种突破了奈奎斯特采样定律对原信号采样压缩成低维的观测信号的理论，可以在只有非常少的采样点情况下，通过合适的重构方法准确的恢复原信号。目前压缩感知中常用的重构算法有基追踪(Basis Pursuit,BP)、正交匹配算法(Orthogonal Matching Pursuit,OMP)等。但它们都是基于迭代或者凸松弛的，在采样率较低的情况下，很难有一个好的重构性能。

因此，目前压缩感知虽然基本完善并被应用到部分领域当中，但由于现有的压缩感知方法以及基于深度学习的压缩感知重构方法还是存在重构性能不佳以及重构时间过长等缺点，导致它在实际场景下无法很好的应用。

发明内容

本发明为克服现有的压缩感知方法存在重构性能不佳的技术缺陷，提供一种结合注意力机制的多尺度图像压缩重构方法。

为解决上述技术问题，本发明的技术方案如下：

一种结合注意力机制的多尺度图像压缩重构方法，包括以下步骤：

S1：获取待重构的图像，构建多尺度重构模型；

所述多尺度重构模型包括采样模块，初始重构模块和加强重构模块；

S2：在采样模块中对待重构的图像进行卷积采样得到测量值，并进行测量值调整；

S3：在初始重构模块中对调整后的测量值进行初始重构，得到初始重构值，并计算测量值残差；

S4：在加强重构模块中对初始重构值进行多尺度重构，得到加强重构值，并根据测量值残差计算补偿重构值；

S5：根据初始重构值、加强重构值和补偿重构值得到重构图像。

上述方案中，先对测量值进行初始重构，再通过多尺度重构分别提取不同维特征后进行特征融合，更好地对图像进行了特征提取，减少了特征损失；并且在重构中进一步通过计算测量值残差，单独进行重构，更充分地利用了测量值信息，减少了测量值损失；最后综合初始重构值、加强重构值和补偿重构值得到重构图像，获得较好的重构效果。

优选的，在对待重构的图像进行卷积采样前，还包括对待重构的图像分块，切成若干像素为33×33的图像块；

所述卷积采样具体为：

y＝S(x)＝W_M*x＝Wx