一种基于纹理特征的图像压缩感知自适应重构方法及装置制造方法及图纸

本发明专利技术公开了一种基于纹理特征的图像压缩感知自适应重构方法及装置，方法包括：获取待重构原始图像；对原始图像中的图像块进行压缩感知采样，得到图像块的测量值；将图像块的测量值输入预训练好的重构网络模型，得到重构的图像块；对重构的图像块按照顺序进行拼接，获得最终的重构图像；其中所述重构网络模型包括初始重构子网、门子网和骨干重构子网；利用门子网挖掘初始重构的纹理特征，输出激活向量，以激活骨干重构子网的对应部分，实现对不同图像块的自适应重构，提高重构质量与效率。提高重构质量与效率。提高重构质量与效率。

【技术实现步骤摘要】
一种基于纹理特征的图像压缩感知自适应重构方法及装置


[0001]本专利技术属于图像处理
，涉及一种基于纹理特征的图像压缩感知自适应重构方法及装置。

技术介绍

[0002]近年来基于信号稀疏性(稀疏模型)的压缩感知理论提出一种全新的信号采样与重构方法：在编码端，通过测量矩阵对原始图像数据进行线性、非自适应的随机投影获得少量测量值(或称为采样值)；在编码端，通过迭代求解优化问题，从获得的少量测量值中重构图像。压缩感知这种无需存储、直接压缩的策略大大降低了对编码端内存资源的要求，并且能够以低于Nyquist的采样率对信号进行采样，大大提高了编码效率，被应用于多个领域，如：单像素成像，加速磁共振成像，无线远程监控、认知无线电通信等。
[0003]传统的压缩感知重构算法通过迭代求解优化问题来进行图像重构，重构效率低下，无法满足实时应用场景的需求。近年来，基于深度学习的压缩感知重构算法得到了研究者的广泛关注。该类方法通过构建参数化网络，通过训练网络参数，学习测量值到原始图片的映射，具备较高的重构效率，能够满足实时应用的需求。但是，现有基于深度学习的压缩感知重构方法，利用同一个网络对不同图像块进行重构，忽略了图像的纹理特征，重构质量和效率有待进一步提高。

技术实现思路

[0004]目的：为了克服现有技术中存在的不足，本专利技术提供一种基于纹理特征的图像压缩感知自适应重构方法及装置。
[0005]技术方案：为解决上述技术问题，本专利技术采用的技术方案为：
[0006]第一方面，提供一种帕金森语音识别方法，包括：
[0007]获取待重构原始图像；
[0008]对原始图像中的图像块进行压缩感知采样，得到图像块的测量值；
[0009]将图像块的测量值输入预训练好的重构网络模型，得到重构的图像块；
[0010]对重构的图像块按照顺序进行拼接，获得最终的重构图像；
[0011]其中所述重构网络模型包括初始重构子网、门子网和骨干重构子网；
[0012]初始重构子网由1个卷积层和1个变形层组成；测量值y输入初始重构子网，输出初始重构结果；门子网由多个卷积层、1个平均池化层、1个全连接层、1个Softmax层和1个过滤层组成；初始重构结果输入门子网，输出激活向量；骨干重构子网由多个加权残差子网组成；初始重构结果和激活向量输入骨干重构子网，进行自适应重构，输出最终重构结果。
[0013]在一些实施例中，所述对原始图像中的图像块进行压缩感知采样，得到图像块的测量值，包括：
[0014]在压缩感知中，对信号的采集如下式所示：
[0015]y＝Φx
[0016]其中，y为测量值，Φ为采样矩阵，x为原始图像；
[0017]在此网络中，压缩感知采样由一个卷积层来实现，用于图像块的采样；SR为采样率，使用b
·
b
·
SR个大小为b
×
b的卷积核进行卷积计算，步长为b，输入信道数为1，输出信道数为b
·
b
·
SR；
[0018]所述卷积层对图像中每一个b
×
b大小的图像块进行压缩感知采样，输出为一个h
×
w
×
(SR
·
b
·
b)的张量，其中，h和w代表输入图像的高和宽两个维度上的块的数量。
[0019]在一些实施例中，所述重构网络模型的构建方法包括：
[0020]重构网络模型由初始重构子网、门子网和骨干重构子网构成；
[0021]所述初始重构子网由1个卷积层(Conv层)和1个变形层(Reshape层)组成；首先，利用1个第一卷积层对测量值y进行卷积运算，其中所述第一卷积层的卷积核数量：b
·
b，卷积核大小：1
×
1，步长：1，填充：valid；然后，利用1个变形层将卷积层的输出张量进行变形，输出初始重构结果至骨干重构子网；
[0022]所述门子网由h个第四卷积层、1个平均池化层、1个全连接层、1个Softmax层和1个过滤层构成；其中所述第四卷积层的卷积核数量：32，卷积核大小：3
×
3，步长：1，填充：same；所述平均池化层的池化核大小：2
×
2；所述全连接层神经元数量：k；在过滤层，对Softmax层的输出向量进行过滤：如果数值大于等于设定阈值则保留数值；反之，将数值置0；最后，获得最终的激活向量，并输出至骨干重构子网；
[0023]所述骨干重构子网由k个加权残差子网组成；在加权残差子网中，首先，利用1个第二卷积层(Conv层)对输入进行特征提取，获得特征图，其中所述第二卷积层的卷积核数量：32，卷积核大小：3
×
3，步长：1，填充：same；然后，利用1个第三卷积层(Conv层)进行增强重构，获得增强重构结果，其中所述第三卷积层的卷积核数量：1，卷积核大小：3
×
3，步长：1，填充：same；其次，将增强重构结果的数值与激活向量中对应的数值进行点乘运算，再与这个加权残差子网的输入进行相加，获得这个加权残差子网的最终输出。
[0024]在一些实施例中，所述重构网络模型的训练方法包括：
[0025](2a)基于数据集，利用重构损失函数作为损失函数，采用梯度下降算法，对初始重构子网进行预训练；其中所述数据集由图像块与其测量值的数据对组成；
[0026](2b)基于数据集，利用重构损失函数和门函数构建自适应重构损失函数，采用梯度下降算法，对整体网络进行端到端的训练；其中所述数据集由图像块与其测量值的数据对组成。
[0027]在一些实施例中，重构损失函数L
recon
为：
[0028][0029]其中，f
pre
(y)为初始重构子网的输出结果，x为原始图像，y为测量值。在一些实施例中，自适应重构损失函数L
adap
为：
[0030]L
adap
＝L
recon
+λ1L
gate
[0031]其中，λ1为权重参数，L
recon
为重构损失函数，L
gate
为门函数：
[0032][0033]其中，p
i
(y)为Softmax层的输出向量中的数值，i表示输出向量p
i
(y)中第i个数值，k为加权残差子网个数。
[0034]在一些实施例中，所述数据集采用BSD200数据集。
[0035]在一些实施例中，所述的基于纹理特征的图像压缩感知自适应重构方法，参数设置：门子网中卷积层个数h设置为5，加权残差子网个数k设置为9，步长b设置为32，权重参数λ1设置为1。
[0036]第二方面，本专利技术提供了一种基于纹理特征的图像压缩感知自适应重构装置，包括处理器及存储介质；
[0037]所述存储介质用于存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于纹理特征的图像压缩感知自适应重构方法，其特征在于，包括：获取待重构原始图像；对原始图像中的图像块进行压缩感知采样，得到图像块的测量值；将图像块的测量值输入预训练好的重构网络模型，得到重构的图像块；对重构的图像块按照顺序进行拼接，获得最终的重构图像；其中所述重构网络模型包括初始重构子网、门子网和骨干重构子网；初始重构子网由1个卷积层和1个变形层组成；测量值y输入初始重构子网，输出初始重构结果；门子网由多个卷积层、1个平均池化层、1个全连接层、1个Softmax层和1个过滤层组成；初始重构结果输入门子网，输出激活向量；骨干重构子网由多个加权残差子网组成；初始重构结果和激活向量输入骨干重构子网，进行自适应重构，输出最终重构结果。2.根据权利要求1所述的基于纹理特征的图像压缩感知自适应重构方法，其特征在于，所述对原始图像中的图像块进行压缩感知采样，得到图像块的测量值，包括：在压缩感知中，对信号的采集如下式所示：y＝Φx其中，y为测量值，Φ为采样矩阵，x为原始图像；压缩感知采样由一个卷积层来实现，用于图像块的采样；SR为采样率，使用b
·
b
·
SR个大小为b
×
b的卷积核进行卷积计算，步长为b，输入信道数为1，输出信道数为b
·
b
·
SR；所述卷积层对图像中每一个b
×
b大小的图像块进行压缩感知采样，输出为一个h
×
w
×
(SR
·
b
·
b)的张量，其中，h和w代表输入图像的高和宽两个维度上的块的数量。3.根据权利要求2所述的基于纹理特征的图像压缩感知自适应重构方法，其特征在于，所述重构网络模型的构建方法包括：重构网络模型由初始重构子网、门子网和骨干重构子网构成；所述初始重构子网由1个卷积层和1个变形层组成；首先，利用1个第一卷积层对测量值y进行卷积运算，其中所述第一卷积层的卷积核数量：b
·
b，卷积核大小：1
×
1，步长：1，填充：valid；然后，利用1个变形层将卷积层的输出张量进行变形，输出初始重构结果至骨干重构子网；所述门子网由h个第四卷积层、1个平均池化层、1个全连接层、1个Softmax层和1个过滤层构成；其中所述第四卷积层的卷积核数量：32，卷积核大小：3
×
3，步长：1，填充：same；所述平均池化层的池化核大小：2
×
2；所述全连接层神经元数量：k；在过滤层，对Softmax层的输出向量进行过滤：如果数值大于等于设定阈值则保留数值；反之，将数值置0；最后，获得最终的激活...

【专利技术属性】
技术研发人员：陈灿，孙俊杰，陈家洛，周宇航，周超，张登银，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：