本发明专利技术涉及一种基于误差估计的自适应压缩感知成像方法。该方法具体步骤为：第一级：(1)将图像I分块，用测量矩阵φ1对图像块进行压缩测量，得到y1；(2)对y1进行初始重建，得到(3)对进行优化重建，得到第二级：(4)将上一级的重建结果、φ1和y1输入到自适应模块ASM，输出自适应掩码A1；(5)根据A1，用φ2对部分图像块进行压缩测量，得到y2；(6)对y2进行初始重建，并与上一级的初始重建结果相加，得到本级的初始重建结果；(7)对本级的初始重建结果做优化重建，得到本级的优化重建结果；(8)重复步骤(4)～(7)，直到达到目标采样率。直到达到目标采样率。直到达到目标采样率。
【技术实现步骤摘要】
基于误差估计的自适应压缩感知成像方法
[0001]本专利技术属于图像处理领域，尤其涉及图像的自适应压缩感知成像领域。
技术介绍
[0002]压缩感知(Compressive sensing)理论是21世纪提出的新采样理论，其能够在原始信号满足稀疏性的条件下，以远低于奈奎斯特采样率对原始信号进行采样，并精确地恢复原始信号，有效地降低了采集端的数据量，将计算负荷转移到了后端。其数学模型为：y＝φx，其中x∈R
N
，为N维原始信号，φ∈R
M
×
N
为M
×
N维测量矩阵，y∈R
M
为M维测量结果，其中M＜＜N。
[0003]通常独立同分布的高斯随机测量矩阵可以成为普适的压缩感知测量矩阵，但是如果原始信号x的维度比较高，会导致测量矩阵过大，带来存储压力。因此，在实践中通常会对输入图像进行分块处理，来减少存储压力，但是会带来明显的块状效应。由于卷积可以展开表示为传统乘法的形式，因此近些年随着深度学习的发展，有科研人员尝试用线性全卷积神经网络来代替传统的测量矩阵，使用全卷积网络作为测量矩阵的好处是可以针对任意尺度的输入进行处理，且不会在重建结果中造成块状效应。
[0004]自适应压缩感知成像是提高采样效率的一个途径，其难点在于如何在没有原图的情况下设计自适应采样策略。现有的自适应压缩感知成像方法将采样和重建的过程分为多次，每一次的采样都根据现有的重建结果做自适应调整，例如计算当前低分辨率重建结果的小波变换，下一次仅对小波变化系数更大的区域做采样。然而，在低分辨率重建结果的小波变换系数无法准确反映真实的高分辨率图像相应区域的纹理分布，容易造成自适应采样策略的失效。因此，如何根据已经采集的信息来高效地分配采样数据是一个非常重要的问题，且能够有效地提升采样效率和重建质量。
技术实现思路
[0005]针对以上现有的自适应压缩感知成像方法存在的问题，本专利技术的目的在于提出一种基于误差估计的自适应压缩感知成像方法。
[0006]为达到上述目的，本专利技术采用的技术方案如下：
[0007]基于误差估计的自适应压缩感知成像方法，包括以下步骤：
[0008]第一级：
[0009]步骤1，对原始图像I进行分块处理，并使用第一级的测量矩阵φ1对每一个图像块进行压缩测量，得到第一级的测量结果y1；
[0010]步骤2，使用一个1
×
1的卷积层对第一级的测量结果y1进行维度变换，并通过数据重排操作输出第一级的初始重建结果
[0011]步骤3，使用全卷积神经网络N1对第一级的初始重建结果进行进一步优化重建，得到第一级的最终重建结果
[0012]第二级：
[0013]步骤4，将上一级的最终重建结果、第一级的测量矩阵φ1和第一级的测量结果y1输入到自适应模块ASM，得到自适应掩码A1；
[0014]步骤5，将自适应掩码A1与原始图像I进行点乘，得到调制后的输入图像I1；
[0015]步骤6，对输入图像I1进行分块处理，并依据步骤4中得到的自适应掩码A1，使用本级的测量矩阵φ2对部分图像块进行压缩测量，得到本级的测量结果y2；
[0016]步骤7，使用一个1
×
1的卷积层对本级的测量结果y2进行维度变换，并进行数据重排操作，将得到的结果与步骤2的初始重建结果相加，得到本级的初始重建结果
[0017]步骤8，使用全卷积神经网络N2对本级的初始重建结果进行进一步优化重建，得到本级的最终重建结果
[0018]第三级～第k级：
[0019]步骤9，重复步骤4～8，直到得到目标压缩率下的最终重建结果
[0020]进一步地，使用的测量矩阵φ1、φ2、
…
、φ
k
的维度为M
k
×
N，其中N为每个图像块的数据量，M
k
为每个图像块的采样数，M
k
＜N，每个测量矩阵实现的采样率为
[0021]进一步地，所述维度变换是将输入为的测量结果，经过1
×
1的卷积层后输出维度为的数据；所述数据重排操作分为维度转换和数据拼接两个步骤，维度转换操作是将维度为的数据中每一个1
×1×
N的向量转换为p
×
p
×
C
in
的图像块，数据拼接操作是将个图像块按照顺序拼接成H
×
W
×
C
in
的图像，即初始重建结果其中H、W和C
in
分别为原始图像I的高、宽和通道数，p为分块时的图像块大小。
[0022]进一步地，所述自适应模块ASM包括以下计算步骤：
[0023](1)计算测量误差
[0024](2)计算每一个图像块测量误差的L2范数
[0025][0026](3)计算第二级采样时不进行采样的图像块个数其中α为采样比例因子，
[0027](4)对范数V进行从小到大的排序，V
sorted
＝sort
↑
(V)，
[0028](5)计算二值化的阈值T＝V
sorted
(N
a
)，
[0029](6)根据阈值T对范数V进行二值化，大于T的值量化为1，小于等于T的值量化为0，得到二值的掩码B
a
，
[0030](7)对二值的掩码B
a
进行扩充，每一个数值扩充至与相应的图像块大小相同，得到自适应掩码A
i
‑1，其中2≤i≤k表示级数。
[0031]进一步地，步骤6中依据自适应模块ASM输出的掩码，仅对部分图像块进行压缩测量，未采样的图像块的压缩测量值用0填充。
[0032]本专利技术通过引入基于误差估计的自适应采样模块ASM，可以实现随目标场景变化而变化的自适应压缩感知成像。本专利技术方法的有益效果在于：(1)由于整个模型为全卷积神
经网络，因此可以针对任意尺度的输入进行压缩重建，不会造成块状效应；(2)通过多级的结构设计，可以实现用一个网络完成不同采样率下的压缩感知成像；(3)采用基于误差估计的自适应采样模块ASM，能够实现自适应的压缩采样，进而提高采样效率和重建质量。
附图说明
[0033]图1为本专利技术的方法流程图；
[0034]图2为本专利技术实施例中自适应采样模块的具体结构示意图；
[0035]图3为本专利技术实施例中重建网络的具体结构示意图。
具体实施方式
[0036]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。
[0037]参照图1，本实施例的一种基于误差估计的自适应压缩感知成像方法，是一种分级的采样、重建的结构，在第二级和后面每级采样时能够根据当前重建结果的误差估计，自适应地调整采样策略。采用灰度图像作为输入，采样时将原始图像分为空间大小为8
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于误差估计的自适应压缩感知成像方法，其特征在于，该方法包括以下步骤：第一级：步骤1，对原始图像I进行分块处理，并使用第一级的测量矩阵φ1对每一个图像块进行压缩测量，得到第一级的测量结果y1；步骤2，使用一个1
×
1的卷积层对第一级的测量结果y1进行维度变换，并通过数据重排操作输出第一级的初始重建结果步骤3，使用全卷积神经网络N1对第一级的初始重建结果进行进一步优化重建，得到第一级的最终重建结果第二级：步骤4，将上一级的最终重建结果、第一级的测量矩阵φ1和第一级的测量结果y1输入到自适应模块ASM，得到自适应掩码A1；步骤5，将自适应掩码A1与原始图像I进行点乘，得到调制后的输入图像I1；步骤6，对输入图像I1进行分块处理，并依据步骤4中得到的自适应掩码A1，使用本级的测量矩阵φ2对部分图像块进行压缩测量，得到本级的测量结果y2；步骤7，使用一个1
×
1的卷积层对本级的测量结果y2进行维度变换，并进行数据重排操作，将得到的结果与步骤2的初始重建结果相加，得到本级的初始重建结果步骤8，使用全卷积神经网络N2对本级的初始重建结果进行进一步优化重建，得到本级的最终重建结果第三级～第k级：步骤9，重复步骤4～8，直到得到目标压缩率下的最终重建结果2.根据权利要求1所述的基于误差估计的自适应压缩感知成像方法，其特征在于，使用的测量矩阵φ1、φ2、
…
、φ
k
的维度为M
k
×
N，其中N为每个图像块的数据量，M
k
为每个图像块的采样数，M
k
＜N，每个测量矩阵实现的采样率为3.根据权利要求1所述的基于误差估计的自适应压缩感知成像方法，其特征在于，所述维度变换...
【专利技术属性】
技术研发人员：胡雪梅，邱晨曦，岳涛，
申请(专利权)人：南京大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。