一种基于神经网络的大尺寸图像压缩感知重建方法技术

本发明专利技术公开了一种基于神经网络的大尺寸图像压缩感知重建方法。其步骤如下：(1)通过测量矩阵对原始图像进行分块的压缩采样，制作训练数据集；(2)将压缩采样的数据通过神经网络的全连接层将数据从低维度恢复到高维度；(3)按每块在原始图像中的顺序拼接成图像；(4)将重新拼接的图像传递到由卷积层组成的密集型连接卷积网络中，进一步对图像重建恢复；(5)由损失函数计算重建图像与原始图像的误差，通过误差反向传递更新网络的参数；(6)重复步骤(2)～(5)，直至重建图像与原始图像误差较小时完成神经网络的训练。本发明专利技术的方法可以完成对较大图像的压缩与重建，且重建图像的准确度和对图像噪声的抑制均能取得比较好的效果。

【技术实现步骤摘要】
一种基于神经网络的大尺寸图像压缩感知重建方法
本专利技术涉及计算摄像学、信号处理领域，尤其涉及一种基于神经网络的大尺寸图像压缩感知重建方法。
技术介绍
压缩感知是一种寻找欠定线性系统的稀疏解的技术，被应用于电子工程尤其是信号处理中，用于获取和重构稀疏或可压缩的信号。近几年，为了适应即将普及的第五代移动通信系统，压缩感知技术也被大量应用在无线通信系统之中，获得了大量的关注以及研究。压缩感知问题是信号处理领域中一个具有挑战性的问题，由于神经网络能够充分学习到图像中的先验信息，近年来，通过神经网络重建压缩感知信号成为了一个热门的方法。通过含有全连接层的神经网络重建压缩感知信号时，由于维数较大的压缩信号输入到网络中时，全连接层需要大量的参数，大量的参数容易出现梯度爆炸或梯度消失的现象，无法完成重建。因此，传统的应用神经网络重建压缩感知信号时，其输入到网络中的信号维度较小，确保了参数的数量不会过多，从而顺利完成了信号的重建。这种方法下，由于其只能够处理维度较小的信号，当其应用于图像领域时，处理图像的大小为较小的图像，重建后较小的图像拼接为原始大图后会有明显的分块现象，降低了重建质量。基于神经网络重建压缩感知先分块、重建然后拼接的方法重建效果较差，在实际的应用中存在较大的局限性。针对以上问题，需要采用新型的重建手段，既要避免过多的网络参数给神经网络训练带来的影响，也要消除对尺寸小的图像重建后拼接成尺寸大的原始图像的而产生的分块现象，最终得到较好的重建效果。
技术实现思路
针对以上现有神经网络重建方法中存在的缺陷，本专利技术的目的在于提出一种基于神经网络的大尺寸图像压缩感知重建方法。为达上述目的，本专利技术采用的技术方案如下：一种基于神经网络的大尺寸图像压缩感知重建方法，包括如下步骤：步骤1，将原始图像x分割成一系列大小相同的方形图x1,x2,…,xi，使用标准正态分布的测量矩阵对分割后的图像分别进行压缩采样处理，得到压缩采样后的数据y1,y2,…,yi作为训练数据，制作训练数据y1,y2,…,yi与原始图像x一一对应的训练集；步骤2，将所述训练数据输入到神经网络中，训练数据y1,y2,…,yi分别通过神经网络的第一层：线性全连接层，使得训练数据y1,y2,…,yi由低维度恢复到采样前的高维度数据x′1,x′2,…,x′i；步骤3，将步骤2得到的高维度数据x′1,x′2,…,x′i按其对应的分块图像x1,x2,…,xi在原始图像x中的位置顺序拼接成原图，得到初步重建的图像x′；步骤4，将步骤3中初步重建的图像x′输入到由卷积层组成的密集型连接卷积网络中，对图像进行进一步的重建恢复，得到网络的输出，即最终的重建图像；步骤5，通过损失函数计算步骤4中得到的重建图像与原始真实图像之间的误差，对误差进行反向传递，更新神经网络的参数；步骤6，重复步骤2-5，直至损失函数计算的误差达到期望值，结束神经网络的训练。进一步地，所述步骤1中，原始图像分割后压缩采样的处理方式为：yi＝Φxi其中xi∈(n×1)是由尺寸为N×N的原始图像x割成尺寸较小的方图后元素重新排列的数据，i＝1,2,3,…；测量矩阵为Φ∈(m×n,m＜＜n)，其元素为标准正态分布的随机数，n为原始图像数据的维度，m为压缩采样后图像数据的维度。进一步地，所述步骤2中，线性全连接的基本网络形式为：输入层的结点数为压缩采样后图像数据维度m的值，输出层的结点数为原始图像数据维度n的值，无激活函数。进一步地，所述步骤3中，按分块图像在原始图像中的位置顺序拼接成原图的具体过程为：步骤31，首先将步骤2中得到的数据x′1,x′2,…,x′i的元素排列变换为步骤32，按照(x1,x′1),(x2,x′2),…,(xi,x′i)位置一一对应的关系将步骤2得到的结果重新排列。进一步地，所述步骤4中，密集型连接卷积网络由4个相同的密集型连接模块组成，每个模块均输出64个通道作为下一个密集型连接模块的输入；密集型连接卷积网络后端连接一个卷积核大小为3×3的卷积层，其输入为64个通道，输出为1个通道，即为重建图像。本专利技术在基于神经网络求解压缩感知问题的基础上，结合神经网络中全连接层参数过多会出现梯度爆炸或梯度弥散从而难以完成训练的问题，提出了一种新型的解决方案，既降低了全连接层参数的使用，也消除了因直接对尺寸较小的图像重建带来的分块现象。同时，本专利技术采用了密集型连接卷积网络进行训练，提升了网络间信息的传递，能够有效地抑制重建图像的噪声，得到更为清晰的图像。相比较于现有的技术，利用本专利技术方法在较大图像的压缩重建中能够取得较好的图像准确度和较低的图像噪声干扰，可以有效地应对实际应用中，普遍对较大尺寸的图像进行压缩重建带来的挑战。附图说明图1为本专利技术神经网络的结构示意图；图2为本专利技术方法的流程图。具体实施方式下面将结合附图及具体实施例对本专利技术进行详细描述，描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。参照图1和图2，本实施例的一种基于神经网络的大尺寸图像压缩感知重建方法，具体步骤如下：步骤1，将欲压缩采样的原始的大尺寸图像x∈(N×N)分割成一系列大小相同的尺寸相对小的方形图并将其元素重新排列为n×1，使用标准正态分布的测量矩阵Φ∈(m×n,m＜＜n)对分割后的小尺寸图像分别进行压缩采样处理。n为压缩采样前信号数据的维度，m为压缩采样后信号数据的维度。本实施例中，原始图像尺寸N取128，分割后的图像尺寸n取16，压缩采样后的信号数据维度m取4，即：yi＝Φxi,i＝1,2,…(Φ∈4×16；xi∈16×1)得到压缩采样后的数据y1,y2,…作为训练数据，制作训练数据y1,y2,…与原始图像x一一对应的训练集。步骤2，将训练数据输入到神经网络中，原始图像分块压缩采样的数据y1,y2,…分别通过神经网络的第一层：线性全连接层，线性全连接层的结构为输入层结点数为压缩采样后信号数据维度m，输出层的结点数为原始信号数据维度n，无激活函数。使得原始图像分块压缩采样后的数据y1,y2,…(4×1)由低维度恢复到采样前的高维度x′1,x′2,…(16×1)。通过大尺寸图像分成小块后压缩重建，即降低了全连接层参数的使用，避免了训练过程中的梯度爆炸或弥散，也实现了压缩图像的重建。步骤3，将步骤2得到的高维数据x′1,x′2,…按其对应的分块图像x1,x2,…在原始图像x中的位置顺序拼接成原图，得到初步重建的图像x′，具体过程如下：步骤31首先将步骤2中得到的x′1,x′2,…(16×1)的元素排列变换为4×4；步骤32按照(x1,x′1),(x2,x′2),…位置一一对应的关系将步骤2得到的结果重新排列，完成了大尺寸图像压缩感知的初步重建。步骤4，将步骤3中初步重建的图像x′输入到由卷积层组成的密集型连接卷积网络中，对图像进行进一步的重建恢复，得到网络的输出，即最终的重建图像xout本文档来自技高网...

【技术保护点】
1.一种基于神经网络的大尺寸图像压缩感知重建方法，其特征在于，包括如下步骤：/n步骤1，将原始图像x分割成一系列大小相同的方形图x

【技术特征摘要】
1.一种基于神经网络的大尺寸图像压缩感知重建方法，其特征在于，包括如下步骤：
步骤1，将原始图像x分割成一系列大小相同的方形图x1，x2，...，xi，使用标准正态分布的测量矩阵对分割后的图像分别进行压缩采样处理，得到压缩采样后的数据y1，y2，...，yi作为训练数据，制作训练数据y1，y2，...，yi与原始图像x一一对应的训练集；
步骤2，将所述训练数据输入到神经网络中，训练数据y1，y2，...，yi分别通过神经网络的第一层：线性全连接层，使得训练数据y1，y2，...，yi由低维度恢复到采样前的高维度数据x′1，x′2，...，x′i；
步骤3，将步骤2得到的高维度数据x′1，x′2，...，x′i按其对应的分块图像x1，x2，...，xi在原始图像x中的位置顺序拼接成原图，得到初步重建的图像x′；
步骤4，将步骤3中初步重建的图像x′输入到由卷积层组成的密集型连接卷积网络中，对图像进行进一步的重建恢复，得到网络的输出，即最终的重建图像；
步骤5，通过损失函数计算步骤4中得到的重建图像与原始真实图像之间的误差，对误差进行反向传递，更新神经网络的参数；
步骤6，重复步骤2-5，直至损失函数计算的误差达到期望值，结束神经网络的训练。


2.根据权利要求1所述的一种基于神经网络的大尺寸图像压缩感知重建方法，其特征在于，所述步骤1中，原始图像分割后压缩采样的处理...

【专利技术属性】
技术研发人员：胡雪梅，王鹏，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32