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(MatchingPursui ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。