一种基于深度神经网络的压缩编码孔径成像方法及系统技术方案

本发明专利技术公开了一种基于深度神经网络的压缩编码孔径成像方法及系统，属于压缩成像领域，包括：训练时，将原训练集中每个原始图片裁剪成多个尺寸相同的子图像块；分别将每个子图像块与编码孔径进行卷积和下采样操作，得到与每个子图像块对应的测量值；增加预处理步骤，得到优化后的测量值和测量矩阵；将每个子图像块及其对应的测量值作为训练数据对，对该深度神经网络进行训练；测试时，将待重建图像的测量值作为所述训练好的深度神经网络的输入，进行图像重建。本发明专利技术通过将深度学习引入压缩编码孔径的重建过程，改善了压缩编码孔径成像重建的时间限制，并且预处理步骤的引入，提高了重建结果的质量。

A method and system of compressed coded aperture imaging based on depth neural network

【技术实现步骤摘要】
一种基于深度神经网络的压缩编码孔径成像方法及系统
本专利技术涉及压缩成像
，特别涉及一种基于深度神经网络的压缩编码孔径成像方法及系统。
技术介绍
压缩成像(CompressedImaging，CI)作为压缩感知(CompressedSensing,CS)在成像领域的重要应用，利用自然界中大部分图像在某些稀疏基上具有稀疏性或者可压缩性，通过较少的线性测量值重建出原始图像。2006年，Rice大学研制出的单像素相机(Single-PixelCamera，SPC)，作为第一个成功的CI实例。但是SPC架构的最大的问题在于一次曝光只能得到一个测量值，因此SPC无法在高分辨率应用领域中广泛使用。2009年，Marcia等人首先提出压缩编码孔径成像(CompressedCodedApertureImaging,CCAI)，它可以在单次曝光条件下获取低分辨率压缩测量。其基本思想是首先生成一种随机编码孔径，其实质上是引入比针孔更复杂的点扩散函数，透过编码孔径之后在探测器上形成投影图像，这些图像叠加得到退化后的编码测量，然后利用探测器上记录的低分辨率测量值进行非线性重建。与SPC相比，编码孔径易本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的压缩编码孔径成像方法，其特征在于，包括：训练时，将训练集中每张图片裁剪成尺寸相同的子图像块，总共可得到d个尺寸相同的子图像块；分别将每个子图像块与编码孔径进行卷积后，进行下采样操作，得到与每个子图像块对应的测量值和测量矩阵；将每个子图像块及其对应的测量值作为训练数据对，并将训练数据对作为深度神经网络的输入，对该深度神经网络进行训练，得到训练好的深度神经网络；将待重建图像的测量值作为所述训练好的深度神经网络的输入，进行图像重建。

【技术特征摘要】
1.一种基于深度神经网络的压缩编码孔径成像方法，其特征在于，包括：训练时，将训练集中每张图片裁剪成尺寸相同的子图像块，总共可得到d个尺寸相同的子图像块；分别将每个子图像块与编码孔径进行卷积后，进行下采样操作，得到与每个子图像块对应的测量值和测量矩阵；将每个子图像块及其对应的测量值作为训练数据对，并将训练数据对作为深度神经网络的输入，对该深度神经网络进行训练，得到训练好的深度神经网络；将待重建图像的测量值作为所述训练好的深度神经网络的输入，进行图像重建。2.如权利要求1所述的基于深度神经网络的压缩编码孔径成像方法，其特征在于，所述分别将每个子图像块与编码孔径进行卷积后，进行下采样操作，得到与每个子图像块对应的测量值和测量矩阵，包括：根据压缩编码孔径的观测矩阵成像模型计算每个子图像块的对应的测量值，其压缩编码孔径的观测矩阵成像模型为：y＝vec(Y)＝vec(D↓(Xtrue*h(CCA))+E)，其中，vec(·)为向量化算子，表示原始二维信号，D↓表示下采样操作，表示二维测量值，向量化后的一维测量值，*表示卷积操作，E表示系统噪声，h(CCA)表示编码孔径；设表示N2×N2维傅里叶变换矩阵，其元素并且令其中表示克罗内克积，F表示大小为N×N傅里叶变换矩阵，将所述压缩编码孔径的观测矩阵成像模型转换为：其中，CH是大小为N2×N2的对角矩阵，其对角元素为CH＝diag(H(CCA))，e表示噪声；将转换后的压缩编码孔径的观测矩阵成像模型表示为：其中，编码孔径的合理设计应使得测量矩阵R满足RIP。3.如权利要求2所述的基于深度神经网络的压缩编码孔径成像方法，其特征在于，在所述分别将每个子图像块与编码孔径进行卷积后，进行下采样操作，得到与每个子图像块对应的测量值和测量矩阵之后，还包括：对所述测量矩阵R进行奇异值分解：R＝U(∑0)VT，其中，∑表示维数为m2×n2的半正定对角矩阵，0表示m2×(n2-m2)维元素全为0的矩阵，是正交矩阵；将所述压缩编码孔径的观测矩阵成像模型转换为：y＝Rx＝U(∑0)VTx＝U(∑0)(V1V2)Tx＝U∑V1Tx，其中，和为列正交矩阵，x表示一维信号；令ySVD＝∑-1UTy，RSVD＝V1T，获得新的测量系统：ySVD＝RSVDx，ySVD表示优化后的测量值，RSVD表示优化后的测量矩阵。4.如权利要求3所述的基于深度神经网络的压缩编码孔径成像方法，其特征在于，所述深度神经网络为ISTA-Net-Plus。5.如权利要求3所述的基于深度神经网络的压缩编码孔径成像方法，其特征在于，在所述将待重建图像的测量值作为所述训练好的深度神经网络的输入，进行图像重建之前，还包括对所述训练好的深度神经网络模型进行测试，具体为：将基准数据集中的测试集图片裁剪成p个尺寸相同的测试子图像块，该测试子图像块的尺寸与所述子图像块的尺寸相同；分别将每个测试子图像块与所述编...

【专利技术属性】
技术研发人员：张成，陈倩文，王美琴，汤俊，朱园园，韦穗，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽,34