[发明专利]基于快速傅里叶卷积与卷积滤波流的图像压缩感知方法及系统

说明书

本发明提供了基于快速傅里叶卷积与卷积滤波流的图像压缩感知方法及系统。图像压缩感知方法包括：获取多个图像块测量值；对多个图像块测量值进行初始重建获得初始重建图像；基于快速傅里叶卷积对初始重建图像进行进一步重建获得傅里叶卷积重建图像；将傅里叶卷积重建图像输入基于卷积滤波流网络的像素级滤波器获得滤波处理结果，将滤波处理结果与傅里叶卷积重建图像进行卷积获得最终重建图像。快速傅里叶卷积对初始重建图像进一步重建，快速傅里叶卷积感受野能够覆盖整个图像，有效利用了全局上下文信息，再通过像素级滤波器获取像素局部邻域的局部信息，两者结合有效提升压缩感知图像重建效果和视觉效果。

技术领域

本发明属于图像压缩感知技术领域，尤其涉及一种基于快速傅里叶卷积与卷积滤波流的图像压缩感知方法及系统。

背景技术

在图像压缩感知重建算法的研究中，一些传统的算法如MH(如2020年由W.Shi、F.Jiang、S.Liu等在IEEE Transactions on Image Processing上公开的论文“Imagecompressed sensing using convolutional neural network[J]”中有公开MH算法)，大多从图像先验着手添加额外的优化方法或结合迭代阈值算法，其大多计算复杂度较高，图像重建质量不理想。基于深度学习的算法如ReconNet(如2016年K.Kulkarni、S.Lohit、P.Turaga等人在Proceedings ofthe IEEE Conference on ComputerVision and PatternRecognition(CVPR)上发表的论文“ReconNet:Non-iterative reconstruction of imagesfromcompressively sensedmeasurements[C]”,中有公开ReconNet算法)，具有较低的计算成本，但大多数采用小感受野，导致损失了图像本身的非局部信息，重构质量不高，同时深度学习方法的可解释性较差这一问题还未得以解决。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，提供一种基于快速傅里叶卷积与卷积滤波流的图像压缩感知方法及系统。

为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种基于快速傅里叶卷积与卷积滤波流的图像压缩感知方法，包括：获取多个图像块测量值；对多个图像块测量值进行初始重建获得初始重建图像；基于快速傅里叶卷积对初始重建图像进行进一步重建获得傅里叶卷积重建图像；将傅里叶卷积重建图像输入基于卷积滤波流网络的像素级滤波器获得滤波处理结果，将滤波处理结果与傅里叶卷积重建图像进行卷积获得最终重建图像。

为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种快速傅里叶卷积与卷积滤波流的图像压缩感知系统，包括：采样模块，用于对原始图像进行压缩采样获得多个图像块测量值；初始重建模块，用于对多个图像块测量值进行初始重建获得初始重建图像；傅里叶卷积重建模块，基于快速傅里叶卷积进一步对初始重建图像进行重建获得傅里叶卷积重建图像；像素级滤波器，对傅里叶卷积重建图像进行滤波处理，所述像素级滤波器采用卷积滤波流网络架构；融合模块，将像素级滤波器的滤波处理结果与傅里叶卷积重建图像进行卷积获得最终重建图像。

上述技术方案：本发明在对图像进行初始重建后，基于快速傅里叶卷积进一步对初始重建图像进行重建，快速傅里叶卷积具有非局部感受野，感受野能够覆盖整个图像，有效利用了全局上下文信息，有助于提升重建图像质量，再通过像素级滤波器获取像素局部邻域的局部信息，具有良好的可解释性，快速傅里叶卷积和卷积滤波流结合充分利用信号的稀疏性以及信号自身的机构信息，有效提升压缩感知图像重建效果和视觉效果。

附图说明

图1是本发明一种优选实施方式中图像压缩感知方法的流程示意图；

图2是本发明一种优选实施方式中图像压缩感知方法的详细流程示意图；

图3是本发明一种优选实施方式中图像压缩感知系统的结构框图；