一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法及系统技术方案

本发明专利技术公开一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法及系统，该方法包括：获取训练图像，并通过分割处理将训练图像分割为多个图像块；构建线性采样网络对图像块进行测量，获得各图像块对应的测量值；在生成对抗残差网络中，先通过全连接层对各图像块的测量值进行线性映射处理，获得初始重建结果；将初始重建结果输入残差网络中，训练获得残差信息；将初始重建结果与残差信息进行信号融合，从而得到生成器的生成结果；将生成器的生成结果与原始图像块共同输入鉴别器中进行判断；计算损失函数，对线性采样网络及生成对抗残差网络进行迭代训练，从而得到最终图像重建结果。本发明专利技术可有效提高低采样率下重建效果。

【技术实现步骤摘要】
一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法及系统
本专利技术属于数字信号处理
，尤其涉及一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法及系统。
技术介绍
压缩感知(Compressedsensing，CS)是一种新兴的获取和重建数字数据的技术，目前在图像和视频领域大量使用。它是以压缩感知测量的形式捕获数据，然后再从这些CS测量值中构建原始数据。由于其所需的测量次数远小于奈奎斯特理论的限制，所以在许多应用领域中，压缩感知是非常理想的采样方式，例如单像素照相机、医用扫描仪等。传统的压缩感知重建方法采用结构化稀疏假设对图像信号进行建模，并运用迭代优化策略求解重建优化问题，然而这种迭代优化的计算方式已经成为图像压缩感知应用的瓶颈，并且在低采样率情况下重建效果较差。深层神经网络在计算机视觉任务方面取得了一系列的突破，如图像分类、超分辨率和图像恢复等。近来，人们提出了几种用于压缩感知图像重建的深度神经网络。由于其强大的学习能力，现有的基于深度学习的方法有效地避免了在传统方法中计算量大的缺点，并在低采样率下取得了良好的重建性能。2016年Kulkarni[K.Kulkarni,S.Lohit,P.Turaga,R.Kerviche,andA.Ashok,Reconnet:Non-iterativereconstructionofimagesfromcompressivelysensedmeasurements,inIEEEConf.Comp.VisionandPatternRecog,June2016.]等人第一次将卷积神经网络用于图像重建当中，其通过全连接层与卷积层的叠加使用，搭建ReconNet网络，使得图像重建速度相比于传统的压缩感知重建速度要快很多，并在低采样率下相较于传统的压缩感知方法取得了更高的重建质量，但其在较高采样率下相较于传统迭代方法重建效果较差。2019年Dai[H.Yao,F.DaiandS.Zhangetal.,DR2-Net:DeepResidualReconstructionNetworkforimagecompressivesensing,Neurocomputing,https://doi.org/10.1016/j.neucom.2019.05.006]等人将残差网络引入ReconNet网络中，提出使用残差层替代卷积层进行重建，提出了DR2-Net网络模型，在一定程度上提高了图像在高采样率情况下的图像质量，但其重建质量相较于迭代方法仍有一定的差距。2018年Kulkarni[S.Lohit,K.Kulkarni,R.Kerviche,P.Turaga,andA.Ashok,ConvolutionalNeuralNetworksforNon-iterativeReconstructionofCompressivelySensedImages,IEEETransactionsonComputationalImaging,DOI:10.1109/TCI.2018.2846413]等人在ReconNet的基础上增加生成对抗网络进行训练，构成ReconNet+网络，使得网络在生成器与鉴别器的对抗迭代中，不断优化重建图像，使得重建效果进一步的提高，但其在高采样率下生成效果较差的情况依然存在。对于传统的压缩感知重建方法，其存在重建时间长，低采样率的情况下图像重建质量较差的缺点；而基于深度学习的ReconNet、DR2-Net和ReconNet+网络模型在较高采样率的情况下图像重建质量仍有待提高。
技术实现思路
本专利技术针对目前传统方法在低采样率下重建效果较差以及深度学习方法在高采样率下重建效果不太理想的问题，提出一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法及系统。为了实现上述目的，本专利技术采用以下技术方案：一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法，包括：步骤1：获取训练图像，并通过分割处理将训练图像分割为多个图像块；步骤2：构建线性采样网络对图像块进行测量，获得各图像块对应的测量值；步骤3：在生成对抗残差网络中，先通过全连接层对各图像块的测量值进行线性映射处理，获得初始重建结果；步骤4：将初始重建结果输入残差网络中，训练获得残差信息；步骤5：将初始重建结果与残差信息进行信号融合，从而得到生成器的生成结果；步骤6：将生成器的生成结果与原始图像块共同输入鉴别器中进行判断；步骤7：计算损失函数，对线性采样网络及生成对抗残差网络进行迭代训练，从而得到最终图像重建结果。进一步地，所述步骤1包括：根据预设步长及分块大小对原始图像进行分割，生成多个图像块，并打乱图像块顺序。进一步地，所述步骤2中线性采样网络的测量过程包括：yi＝S(xi)＝Ws×xi其中xi表示第i个图像块；yi表示第i个图像块对应的测量向量；S()表示线性采样网络的映射过程；Ws为该线性采样网络的权值参数矩阵，训练后可用作测量矩阵。进一步地，所述步骤3包括：采用一个带偏差的全连接层网络对测量值进行重构操作，通过初始重建可得到初始重建图像块：其中为第i个图像块对应的初始重建结果，yi表示第i个图像块对应的测量向量，Wf为全连接层的权值参数矩阵，bi为全连接层偏差向量。进一步地，所述步骤4中的残差网络由特征提取层、两个残差块及特征映射层组成。进一步地，所述步骤5包括：按照如下方式将初始重建结果与获得的残差信息进行特征融合：其中为第i个图像块对应的生成器生成结果，G()为生成器网络的映射过程，Θg为生成器网络参数，为第i个图像块对应的初始重建结果，表示对应的残差信息。进一步地，所述步骤7包括：对生成器的重建部分设置相应的损失函数：其中G()为生成器网络的映射过程，Θg为生成器网络参数，N表示图像块数目；通过重建损失结合生成器本身的损失，最终生成器网络损失为：其中D()为鉴别器网络的映射过程，||.||2表示凸优化的l2范数，λrec、λadv为设定的权重参数，Θd为鉴别器网络参数；对鉴别器网络设置相应的损失函数，鉴别器网络损失函数为：其中zi为第i个图像块对应的生成器生成结果与第i个图像块xi之间的差值，α为一个与xi维度相同的随机矩阵，λz为设定的权重参数，表示梯度。一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建系统，包括：图像处理模块，用于获取训练图像，并通过分割处理将训练图像分割为多个图像块；线性采样网络构建模块，用于构建线性采样网络对图像块进行测量，获得各图像块对应的测量值；初始重建模块，用于在生成对抗残差网络中，先通过全连接层对各图像块的测量值进行线性映射处理，获得初始重建结果；残差模块，用于将初始重建结果输入残差网络中，训练获得残差信本文档来自技高网...

【技术保护点】
1.一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法，其特征在于，包括：/n步骤1：获取训练图像，并通过分割处理将训练图像分割为多个图像块；/n步骤2：构建线性采样网络对图像块进行测量，获得各图像块对应的测量值；/n步骤3：在生成对抗残差网络中，先通过全连接层对各图像块的测量值进行线性映射处理，获得初始重建结果；/n步骤4：将初始重建结果输入残差网络中，训练获得残差信息；/n步骤5：将初始重建结果与残差信息进行信号融合，从而得到生成器的生成结果；/n步骤6：将生成器的生成结果与原始图像块共同输入鉴别器中进行判断；/n步骤7：计算损失函数，对线性采样网络及生成对抗残差网络进行迭代训练，从而得到最终图像重建结果。/n

【技术特征摘要】
1.一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法，其特征在于，包括：
步骤1：获取训练图像，并通过分割处理将训练图像分割为多个图像块；
步骤2：构建线性采样网络对图像块进行测量，获得各图像块对应的测量值；
步骤3：在生成对抗残差网络中，先通过全连接层对各图像块的测量值进行线性映射处理，获得初始重建结果；
步骤4：将初始重建结果输入残差网络中，训练获得残差信息；
步骤5：将初始重建结果与残差信息进行信号融合，从而得到生成器的生成结果；
步骤6：将生成器的生成结果与原始图像块共同输入鉴别器中进行判断；
步骤7：计算损失函数，对线性采样网络及生成对抗残差网络进行迭代训练，从而得到最终图像重建结果。


2.根据权利要求1所述的一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法，其特征在于，所述步骤1包括：
根据预设步长及分块大小对原始图像进行分割，生成多个图像块，并打乱图像块顺序。


3.根据权利要求1所述的一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法，其特征在于，所述步骤2中线性采样网络的测量过程包括：
yi＝S(xi)＝Ws×xi
其中xi表示第i个图像块；yi表示第i个图像块对应的测量向量；S()表示线性采样网络的映射过程；Ws为该线性采样网络的权值参数矩阵，训练后可用作测量矩阵。


4.根据权利要求1所述的一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法，其特征在于，所述步骤3包括：
采用一个带偏差的全连接层网络对测量值进行重构操作，通过初始重建可得到初始重建图像块：



其中为第i个图像块对应的初始重建结果，yi表示第i个图像块对应的测量向量，Wf为全连接层的权值参数矩阵，bi为全连接层偏差向量。


5.根据权利要求1所述的一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法，其特征在于，所述步骤4中的残差网络由特征提取层、两个残差块及特征映射层组成。


6.根据...

【专利技术属性】
技术研发人员：柴秀丽，田野，王音景，付江豫，甘志华，路杨，
申请(专利权)人：河南大学，
类型：发明
国别省市：河南;41