【技术实现步骤摘要】
一种基于生成对抗网络的压缩感知图像重建方法及系统
本专利技术涉及图像信息处理
，具体涉及一种基于生成对抗网络的压缩感知图像重建方法及系统。
技术介绍
压缩感知(CompressedSensing,CS)是一种新颖的信号获取理论，融合了传统的采样与压缩过程，能够直接获取远低于Nyquist采样率的测量数据，可降低采样成本、减少存储资源，同时压缩感知模型的编码端只需进行线性的随机测量，而重建信号的复杂优化过程是在解码端完成。该些成像系统基于压缩感知理论，对观测的少量测量值使用迭代优化算法重构图像。然而这些重构算法都需要进行复杂的迭代运算，重构时间较长，并且在较低的采样率下，重构图像质量比较差，阻碍了压缩感知成像的深入发展与行业应用。
技术实现思路
专利技术目的：为了克服现有技术的不足，本专利技术提供一种基于生成对抗网络的压缩感知图像重建方法，该方法可以解决重构时间较长，重构图像质量比较差的问题，本专利技术还提供一种基于生成对抗网络的压缩感知图像重建系统。技术方案：本专利技术所述的基于生成对抗网络的压缩感知图像重建方法，包括：S1、根据图像采样得到的测量向量与重建图像...
【技术保护点】
1.一种基于生成对抗网络的压缩感知图像重建方法，其特征在于，包括：S1、根据原始图像采样得到的测量向量与重建图像大小构建基于神经网络的生成对抗网络模型，并设计用于优化所述生成对抗网络模型参数的目标函数；S2、预设训练所述生成对抗网络模型时的参数；S3、根据所述目标函数，采用反向传播算法交替训练生成器与鉴别器；S4、若所述生成对抗网络模型收敛，则训练好的网络可以直接实现压缩感知任务，模型输出为由所述测量向量重构出的对应原图像；否则返回执行步骤S2‑S4。
【技术特征摘要】
1.一种基于生成对抗网络的压缩感知图像重建方法，其特征在于，包括：S1、根据原始图像采样得到的测量向量与重建图像大小构建基于神经网络的生成对抗网络模型，并设计用于优化所述生成对抗网络模型参数的目标函数；S2、预设训练所述生成对抗网络模型时的参数；S3、根据所述目标函数，采用反向传播算法交替训练生成器与鉴别器；S4、若所述生成对抗网络模型收敛，则训练好的网络可以直接实现压缩感知任务，模型输出为由所述测量向量重构出的对应原图像；否则返回执行步骤S2-S4。2.根据权利要求1所述的基于生成对抗网络的压缩感知图像重建方法，其特征在于，所述S1中，测量向量表示为：y＝Φx+ξ，y∈RM，Φ∈RM×N，x∈RN其中，y表示测量向量，Φ为测量矩阵，x表示所述原始图像的数据矩阵变成向量化后变成的数据行向量，M表示测量向量大小，N为所述原始图像的像素数。3.根据权利要求1所述的基于生成对抗网络的压缩感知图像重建方法，其特征在于，所述S1中，生成对抗网络模型的公式为：J(D,G)＝minGmaxD[lrec(G(y))+lreg(G(y))+lGAN(G(y),D)]其中，G为生成器，D为鉴别器，y为测量向量，x表示所述原始图像的数据矩阵变成向量化后变成的数据行向量，lrec为重构损失，lreg为总变分正则，lGAN为鉴别器网络的对抗损失。4.根据权利要求3所述的基于生成对抗网络的压缩感知图像重建方法，其特征在于，将所述重构损失、总变分正则和鉴别器网络的对抗损失对应公式代入到所述生成对抗网络模型的公式中，分别得到优化生成器和鉴别器参数的目标函数；所述生成器的目标函数表示为：所述鉴别器的目标函数为：其中，为生成器重构图像，i和j为原始图像的像素位置，pdata和py是原始图像和随机测量向量的统计分布，γ为鉴别器的损失权重。5.根据权利要求1所述的基于生成对抗网络的压缩感知图像重建方法，其特征在于，所述S3中，训练所述生成器时采用的激活函数为Selu，训练所述鉴别器时采用的激活函数为Lrelu。6.一种根据权利要求1-5所述的基于生成对抗网络的压缩感知图像重建方法实现的系统，...
【专利技术属性】
技术研发人员：孙玉宝，陈基伟，刘青山，徐宏伟，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32
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。