一种基于深度残差网络的压缩感知重建方法和系统技术方案

本发明专利技术涉及一种基于深度残差网络的压缩感知重建方法和系统，包括：获取原始图像信号作为训练数据，并通过尺度变换和分割处理将训练数据分割为多个图像块；根据每个图像块的亮度分量和压缩感知理论模型，获得亮度分量对应的测量值；通过全连接网络对测量值进行线性映射处理，得到初步重建结果；将初步重建结果输入深度残差网络，训练得到估计残差值；将估计残差值与初步重建结果进行融合，生成重建信号。由此，本发明专利技术通过引入深度残差网络参与信号的重建，不仅实现对测量值到图像的还原重建还用到深度残差网络仅学习与目标之间的差异这一特点，提升了还原信号的质量。

A compression sensing reconstruction method and system based on deep residual network

The invention relates to a depth of residual network compressed sensing reconstruction method and system based on including obtaining the original image signal as training data, and through scaling and segmentation processing the training data is divided into a plurality of image blocks; according to the luminance component of each image block and compressed sensing theory model, obtain the measured value corresponding to the luminance component by fully connected network; linear mapping on the measured value, the initial reconstruction results; preliminary reconstruction results input depth residual network training estimated residual value estimated residual value; fusion and reconstruction of preliminary results, generated signal reconstruction. Therefore, the deep residual network is adopted to reconstruct the signal, which not only realizes the reconstruction and reconstruction of the measured value to the image, but also uses the deep residual network to learn the difference between the target and the target, which improves the quality of the restored signal.

【技术实现步骤摘要】
一种基于深度残差网络的压缩感知重建方法和系统
本专利技术涉及数字成像
，特别涉及一种基于深度残差网络的压缩感知重建方法和系统。
技术介绍
在传统的数字成像技术中，根据香农采样定理(若想从采集的数字信号中还原得到原始的模拟信号，信号的采样频率必须大于等于信号最高频率的两倍)，需要先对场景或信号进行完全采样，再进行压缩从而便于信号的传输和存储，如图1所示，这样先采样后压缩的信号处理方式带来了大量的采样和计算上的浪费。压缩感知理论作为一种全新的采样理论，于2006年由Candes等人提出，其思想核心在于利用测量矩阵对具有稀疏属性或是可压缩属性的信号进行少量非自适应的测量即可以较高的概率完美重建该稀疏信号。具体说来如图2所示，将原来的采样和压缩两步融为一体，通过压缩感知设备一次性完成，之后在“信号重构”步骤中的算法来实现重建。这样一来，原先传统方法中在采用过程需要的大量空间就被节省出来了，同时简化了信号采集步骤，提升信号的采集效率。压缩感知理论的数学模型表示为：y＝Φx式(1)其中x表示长度为N的一维信号，Φ具体代表Φ(M×N)的测量矩阵，y是采集所得的测量向量，维度为M(M＜＜N)。由于x的维度远大于y，所以式(1)是一个欠定方程，目前常用的求解算法主要有两类：基于贪婪算法和基于最优化的重建算法。(1)基于贪婪算法的重建算法，是在每次迭代中从事先构造的冗余字典里选择一个或几个和观测值有最大相关的原子，按照一定的准则选取之后，最后会找到一组和观测值最为匹配同时也是最稀疏的原子组合，接着完成信号的重建。较为经典的算法是匹配追踪算法(MatchingPursuit,MP)，其每一次迭代是在冗余字典里寻找和剩余分量最相近的那个原子做匹配，在其基础上的改进算法还有正交匹配追踪算法(OMP)、ROMP、分段追踪算法StOMP等。(2)基于最优化的重建算法，是将欠定的重建方程视为一个有约束的最优化问题，然后通过不同的优化算法来实现重构，多为基于l1凸优化问题来求解。比如基追踪算法BP(BasisPursuit)，在每次迭代过程中不断寻找最匹配的那个原子；还有迭代收缩IST算法(IterativeShrinkageThreshold)，仅需要确定阈值和步长；梯度追踪算法GPSR(GradientPursuitforSparseReconstruction)用于稀疏重建，将无约束的l1问题转为边界约束的二次问题，再用梯度投影迭代来求解。除了上述的两大类方法之外，目前较好的传统的压缩感知重建算法还有利用全变分(TotalVariation,TV)正则的算法，较有代表性的是TVAL3算法，另外还有引入非局部图像块的相似性约束的算法NLR-CS等。不同于传统算法，近来有研究者提出用深度学习的方法融入到压缩感知重建算法中，比如2016年Kulkauni的工作，其针对测量值直接用深度神经网络所学习得到的模型进行重建，得到的图像质量超过了传统算法的重建结果。其具体训练网络的结构如图3所示，由一层全连接网络及6层卷积网络构成。对于传统的压缩感知重建算法，主要存在重建效率低，耗时长，同时重建的图像质量在采样率较低的时候比较差；基于深度学习的ReconNet网络对图像质量的提升也有限，而且卷积神经网络随着网络层数的增加错误率也会上升，不适于用在压缩感知重建任务中。
技术实现思路
本专利技术针对压缩感知重建技术中目前存在的重建效率低以及重建质量差的问题，提出了一种基于深度残差网络的压缩感知重建方法，其中包括：步骤1、获取原始图像信号作为训练数据，并通过尺度变换和分割处理将该训练数据分割为多个图像块；步骤2、根据每个该图像块的亮度分量和压缩感知理论模型，获得该亮度分量对应的测量值；步骤3、通过全连接网络对该测量值进行线性映射处理，得到初步重建结果；步骤4、将该初步重建结果输入深度残差网络，训练得到估计残差值；步骤5、将该估计残差值与该初步重建结果进行融合，生成重建信号。该基于深度残差网络的压缩感知重建方法，其中步骤1中该尺度变换包括，对该训练数据进行0.75、1和1.5倍缩放，生成缩放数据；该分割处理包括，根据预设步长和预设图像尺寸对该缩放数据进行分割，生成多个该图像块。该基于深度残差网络的压缩感知重建方法，其中步骤4中该深度残差网络包括多个残差学习模块，每个该残差学习模块具有多个卷积层，每个该卷积层后设有修正线性单元。该基于深度残差网络的压缩感知重建方法，其中该步骤5还包括：根据该重建信号和该亮度分量，建立损失函数，并根据该损失函数对该深度残差网络中参数进行更新。该基于深度残差网络的压缩感知重建方法，其中该损失函数采用均方误差算法来衡量该重建信号和该亮度分量的平均误差。本专利技术还提出了一种基于深度残差网络的压缩感知重建系统，其中包括：分割模块，用于获取原始图像信号作为训练数据，并通过尺度变换和分割处理将该训练数据分割为多个图像块；线性映射模块，用于根据每个该图像块的亮度分量和压缩感知理论模型，获得该亮度分量对应的测量值，并通过全连接网络对该测量值进行线性映射处理，得到初步重建结果；深度残差网络训练模块，用于将该初步重建结果输入深度残差网络，训练得到估计残差值；融合模块，用于将该估计残差值与该初步重建结果进行融合，生成重建信号。该基于深度残差网络的压缩感知重建系统，其中该尺度变换包括，对该训练数据进行0.75、1和1.5倍缩放，生成缩放数据；该分割处理包括，根据预设步长和预设图像尺寸对该缩放数据进行分割，生成多个该图像块。该基于深度残差网络的压缩感知重建系统，其中该深度残差网络包括多个残差学习模块，每个该残差学习模块具有多个卷积层，每个该卷积层后设有修正线性单元。该基于深度残差网络的压缩感知重建系统，其中该融合模块还包括：根据该重建信号和该亮度分量，建立损失函数，并根据该损失函数对该深度残差网络中参数进行更新。该基于深度残差网络的压缩感知重建系统，其中该损失函数采用均方误差算法来衡量该重建信号和该亮度分量的平均误差。由此本专利技术具有以下技术进步：1、本专利技术的算法中采用深度残差网络，针对的是压缩感知测量值y的重建，通过一层全连接网络从测量值得到初步重建结果，可实现对测量值到图像的还原重建；2、在初步重建结果的基础上，使用深度残差网络实现了对结果质量的提升和优化，尤其用到深度残差网络仅学习与目标之间的差异这一特点，有效地改进了原先卷积网络的不足，通过大量的训练，显著提升图像的质量；附图说明图1为根据香农采样定理对信号进行采集与恢复的流程示意图；图2为根据压缩感知理论对信号进行采集与恢复的流程示意图；图3为ReconNet网络结构示意图；图4为本专利技术预训练结果对比表格图；图5为本专利技术与其它重建算法的耗时对比表格图；图6为本专利技术与其它重建算法的结果对比表格图；图7为本专利技术残差重建网络结构图；图8为本专利技术残差重建网络训练流程图；图9为本专利技术残差重建网络的融合示意图；图10A、图10B和图10C为本专利技术与现有技术的重建结果对比图。具体实施方式为让本专利技术的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。根据压缩感知理论模型y＝φx，其中x是信号，本专利技术中指的是图像，φ是测量矩阵，图像x经过φ的运算，也就是测量得到测量值y，本文档来自技高网...

【技术保护点】
一种基于深度残差网络的压缩感知重建方法，其特征在于，包括：步骤1、获取原始图像信号作为训练数据，并通过尺度变换和分割处理将该训练数据分割为多个图像块；步骤2、根据每个该图像块的亮度分量和压缩感知理论模型，获得该亮度分量对应的测量值；步骤3、通过全连接网络对该测量值进行线性映射处理，得到初步重建结果；步骤4、将该初步重建结果输入深度残差网络，训练得到估计残差值；步骤5、将该估计残差值与该初步重建结果进行融合，生成重建信号。

【技术特征摘要】
2017.09.20 CN 201710854406X1.一种基于深度残差网络的压缩感知重建方法，其特征在于，包括：步骤1、获取原始图像信号作为训练数据，并通过尺度变换和分割处理将该训练数据分割为多个图像块；步骤2、根据每个该图像块的亮度分量和压缩感知理论模型，获得该亮度分量对应的测量值；步骤3、通过全连接网络对该测量值进行线性映射处理，得到初步重建结果；步骤4、将该初步重建结果输入深度残差网络，训练得到估计残差值；步骤5、将该估计残差值与该初步重建结果进行融合，生成重建信号。2.如权利要求1所述的基于深度残差网络的压缩感知重建方法，其特征在于，步骤1中该尺度变换包括，对该训练数据进行0.75、1和1.5倍缩放，生成缩放数据；该分割处理包括，根据预设步长和预设图像尺寸对该缩放数据进行分割，生成多个该图像块。3.如权利要求1所述的基于深度残差网络的压缩感知重建方法，其特征在于，步骤4中该深度残差网络包括多个残差学习模块，每个该残差学习模块具有多个卷积层，每个该卷积层后设有修正线性单元。4.如权利要求1所述的基于深度残差网络的压缩感知重建方法，其特征在于，该步骤5还包括：根据该重建信号和该亮度分量，建立损失函数，并根据该损失函数对该深度残差网络中参数进行更新。5.如权利要求4所述的基于深度残差网络的压缩感知重建方法，其特征在于，该损失函数采用均方误差...

【专利技术属性】
技术研发人员：代锋，马宜科，张勇东，姚涵涛，李宏亮，田蔚，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京,11