一种基于深度学习的压缩感知重构方法和系统技术方案

本发明专利技术涉及图像压缩感知重构技术领域，公开了一种基于深度学习的压缩感知重构方法及系统，其把压缩采样和重构结合起来，利用卷积层进行采样，构建了由测量矩阵到网络层的映射关系，在系统进行训练的同时更新采样卷积层中的参数，根据数据集中的特征训练得到更合适的测量矩阵，使测量矩阵拥有自适应性，能有更好的图像重构效果，还对训练集进行了预处理，减少了计算复杂度，提高了采样效率。在进行信号重构中结合了卷积生成对抗网络模型，去掉了网络中的全连接层，使训练速度更快，还可防止全连接层参数多而导致的训练过拟合问题。并且，在生成器训练中加入了测量值优化步骤，提高了信号重构的速度和性能。信号重构的速度和性能。信号重构的速度和性能。

【技术实现步骤摘要】
一种基于深度学习的压缩感知重构方法和系统


[0001]本专利技术涉及图像压缩感知重构
，特别是涉及一种基于深度学习的压缩感知重构方法和系统。

技术介绍

[0002]图像压缩感知是近几年图像处理领域的重大突破，对稀疏信号或可压缩信号，压缩感知理论通过少量的线性投影直接编码图像信号中包含绝大部分信息的重要分量，实现对原始图像的采样、压缩以及重构。传统压缩感知在信号通过采样矩阵进行采样时，由于采样矩阵与信号本身并不相关，采样矩阵需满足RIP原则才能保证在采样过程中大概率不丢失信号中的关键信息，这给设计良好的采样矩阵带来巨大的困难。且大部分的采样矩阵作用在不同的信号下时，它并不能保证每个信号都能重构成功，没有一个很强的普适性。
[0003]现有的技术采用随机高斯矩阵对原图像进行先采样，再输入到生成对抗网络模型中进行训练，是一种采样和重构分离的模式，采样效果会直接影响后续的重构训练效果，是一个非端到端训练模型。且因为使用的采样矩阵为随机高斯矩阵，并没有考虑原信号(图像)的特性，在对一个数据集进行训练时，很难保证有一个稳定的采样效果。
...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的压缩感知重构方法，其特征在于，包括：S1、获取进行重构训练的训练集，包括：S1.1、获取数据集，并从中选取K张图像构成训练集；S1.2、分别对K张图像进行降维处理得到一个N2×
K的二维矩阵X＝{x1,x2,x3…
x
k
}，其中x
k
表示矩阵X的第k列，即为第k张图像的一维向量表示；S2、构建卷积生成对抗网络重构模型，且分别设计生成器G和判别器D的损失函数和网络层结构；S3、设置训练参数，包括一轮训练中的图像数量batch、训练总轮数epoch、Adam优化器的学习率α、参数β、收敛误差e、以及采样率m；S4、进行重构训练，根据步骤S2设置的损失函数和步骤S3设置的训练参数，生成器G和判别器D分别都用反向传播算法进行交替迭代训练，包括：S4.1、每次从矩阵X中选取batch列{x1,x2,x3…
x
batch
}作为卷积生成对抗网络模型的输入信号，输入到卷积生成对抗网络中，{x1,x2,x3…
x
batch
}为原信号；S4.2、进行压缩采样，原信号{x1,x2,x3…
x
batch
}根据采样率m通过采样卷积层进行采样得到测量值{y1,y2,y3…
y
batch
}并输入到生成器G中，生成器G经过卷积层重构得到重构信号采样过程为：y＝S(x)＝W
n
*x＝Wx其中，S()表示采样卷积层的映射过程，W
n
表示卷积核组，n＝m
×
N2表示卷积核的个数，x表示原图像，W表示由卷积核组构成的网络参数矩阵，W表示为：S4.3、固定生成器G，将原信号与重构信号均输入到判别器D中，计算判别器D的损失并通过反向传播算法更新判别器D的参数；S4.4、固定判别器D,计算生成器G的损失并通过反向传播算法更新生成器G的参数；S5、收敛判断，根据步骤S3设置的收敛误差e，判断卷积生成对抗网络是否收敛，若收敛，训练完成，得到压缩感知重构模型；若不收敛，重复步骤S4，直至进行epoch轮训练。2.根据权利要求1所述的基于深度学习的压缩感知重构方法，其特征在于，在步骤S1中，还包括S1.3、对得到的矩阵矩阵X进行预处理，步骤S1.3包括：S1.3.1、稀疏矩阵Ψ的初始化。使用随机高斯函数对稀疏矩阵Ψ进行初始化，得到一个随机高斯矩阵并设定一个误差值和预置常数δ；S1.3.2、求初始的预处理信号S，将步骤S1.2求得的矩阵X和步骤S1.3.1求得的稀疏矩阵Ψ通过OMP(正交匹配追踪)算法求解X＝ΨS得到预处理信号S；S1.3.3、逐列更新Ψ
(k)
，其中，k表示当前更新的列数，1≤k≤N2，包括：S1.3.3.1、更新第k列，根据
计算得到E
k
＝X
‑
∑Ψ
i
s
i
；S1.3.3.2、取出S中第k个行向量s
k
不为0的索引集合，并从E
k
取出对应索引不为0的列，得到E'
k
；S1.3.3.3、对E'
k
进行奇异值分解，根据E'
k
＝U∑V
T
求得U，U的第一列对应...

【专利技术属性】
技术研发人员：方毅，刁梓键，陈康健，韩国军，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：