一种基于超梯度去噪网络的图像压缩感知重建方法技术

本发明专利技术涉及图像处理领域，主要涉及一种基于超梯度去噪网络的图像压缩感知重建方法。本发明专利技术在传统的图像逐块采样和初始重建的基础上，通过深度展开思想将压缩感知迭代去噪重建模型映射为端到端的去噪网络。在去噪网络中引入残差密集块作为去噪算子，提升图像去噪重建的质量。同时进一步使用超梯度策略优化迭代去噪模型，加速网络收敛。本发明专利技术通过在迭代去噪过程中利用去噪算子学习噪声信息，灵活地表征图像的先验信息，克服了人工设置正则项的局限性，准确高效地进行了原始图像的重建。准确高效地进行了原始图像的重建。准确高效地进行了原始图像的重建。

【技术实现步骤摘要】
一种基于超梯度去噪网络的图像压缩感知重建方法


[0001]本专利技术涉及图像处理领域，主要涉及一种基于超梯度去噪网络的图像压缩感知重建方法。

技术介绍

[0002]新兴的压缩感知理论利用信号的稀疏表达特性，使用非线性重建算法从远少于奈奎斯特采样定理建议的测量值中精确地重建原始信号。压缩感知理论将采样与压缩同步进行，极大地降低了信号在采样、传输和存储的硬件开销。压缩感知理论通过将计算压力转移至重建过程，为大数据时代数字图像的采集和传输提供解决方案。在压缩感知理论的研究中，如何从嘈杂的低维线性观测值中重建出原始高维信号是一个被广泛关注的课题。
[0003]当前图像压缩感知重建方法主要可以分为两个种类。第一种是基于模型的迭代重建算法。该类算法通常利用图像在离散余弦变换域、小波域等特定域下的稀疏性建立约束优化模型，发展迭代优化算法来进行图像重建。基于模型的迭代重建算法，虽然已有大量研究工作，但是这类方法的时间复杂度高，难以实现实时图像重建。另外一种方法是纯数据驱动的深度学习重建算法。得益于硬件和大数据的发展，深度学习方法在图像压缩感知重建领域也得到应用。纯数据驱动的深度学习算法利用深度网络优异的表征能力，以数据驱动的方式直接学习观测值与原始图像之间的映射，提升了重建质量。同时深度网络将重建复杂度转移至离线训练阶段，在运算硬件的支持下可实现实时重建，然而这类算法忽视了迭代算法背后的数学模型，可解释性差。

技术实现思路

[0004]为了克服当前两类压缩感知重建算法中分别存在的重建速度慢和可解释性差的不足，本专利技术基于深度展开的思想，将迭代去噪模型映射为一个深度学习神经网络，利用残差密集块充当去噪算子，提供了一种基于超梯度去噪网络的图像压缩感知重建方法。
[0005]本专利技术的技术方案如下：
[0006]一种基于超梯度去噪网络的图像压缩感知重建方法，包含以下步骤：
[0007]步骤1：针对原始的灰度图，选择行正交化的随机高斯矩阵作为采样矩阵，对整幅图像进行逐图像块采样。
[0008]步骤2：利用初始化矩阵对低维的采样测量值进行图像初始化重建，作为后续迭代去噪重建模块的输入。
[0009]步骤3；将初始化重建图像作为输入，通过利用一系列残差密集块算子级联来构造去噪网络，从而对初始化重建图像进行迭代去噪，同时引入超梯度策略加快迭代收敛速率，获得最终的重建图像。
[0010]本专利技术的有益效果如下：
[0011]本专利技术将迭代去噪模型映射为一个深层网络，利用残差密集块充当去噪算子进行图像迭代去噪重建，同时引入超梯度策略加速网络收敛，在压缩感知图像重建问题上表现
出了更快的重建速度以及更好的网络可解释性。
附图说明
[0012]图1为本专利技术所述的超梯度去噪重建网络的结构示意图；图2为本专利技术所述的超梯度去噪重建网络对自然图像的去噪重建结果。
具体实施方式
[0013]为了使本专利技术的目的、技术方案及优点更加清晰，以下结合附图及具体实例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅是说明性的，并不用于限定本专利技术。
[0014]本专利技术应用于图像压缩感知重建的前提是该超梯度去噪网络已经预先训练完毕，在描述本专利技术在图像压缩感知重建方面的具体实施方式之前，简要描述一下网络的训练过程:在T91图像数据集中随机提取88912个大小的图像块作为训练集。设定图像采样压缩比为30%，生成一个大小为的行正交化随机高斯采样矩阵。将的图像块进行向量化生成的向量，利用采样矩阵进一步得到观测向量，最终生成训练数据对。构造误差函数，利用Adam优化器对网络参数进行优化，最终生成预先训练好的超梯度去噪重建网络。
[0015]如图1所示，一种基于超梯度去噪网络的图像压缩感知重建方法，包含以下步骤：
[0016]步骤1：针对原始的灰度图，选择行正交化的随机高斯矩阵作为采样矩阵，对整幅图像进行逐图像块采样。
[0017]输入1张的灰度图片，不重叠的将其裁切为64个的图像块。将各个图像块进行向量化得到原始图像块向量，利用行正交化随机高斯采样矩阵对其进行逐块采样，生成低维的采样测量值。
[0018]步骤2：利用初始化矩阵对低维的采样测量值进行图像初始化重建，作为后续迭代去噪重建模块的输入。
[0019]设训练数据对，为原始图像块，其对应的测量向量为，为训练集的图像数。对于所有的训练数据，可通过求解如下最小二乘问题获得初始化矩阵：其中表示范数，，。对于任意的测量值y，生成初始重建图像的过程可以表示为：
[0020]步骤3：将初始化重建图像作为输入，通过利用一系列残差密集块算子级联来构造去噪网络，从而对初始化重建图像进行迭代去噪，同时引入超梯度策略加快迭代收敛速率，获得最终的重建图像。
[0021]残差密集块去噪算子去噪的过程为：设残差密集块去噪算子的输入和输出分别为和，6个卷积核为的卷积层作用是特征提取，第m个卷积层的输出可表示为:其中，表示第m层的非线性操作，包括Conv和ReLU激活函数。表示将输入和第层输出特征图做通道的拼接操作。残差密集块去噪算子在最后采用卷积核为的卷积层对提取的特征图进行压缩与融合，实现了密集特征的融合。此外，残差密集块去噪算子的输入和输出通过一个跳跃连接相连，进一步提高网络的表示能力。最终的输出结果可表示为：其中，表示卷积操作。
[0022]将第1个残差密集块迭代去噪算子表示为。首先对初始化重建图像向量进行第一次梯度更新，梯度更新的结果为，将梯度更新的结果进行矩阵重组整形，将其输入到残差密集块去噪算子中进行去噪操作。将去噪处理的输出结果进行向量化得到中间去噪结果，。利用中间去噪结果再次进行梯度更新，第二次梯度更新的结果为。将梯度更新的结果进行矩阵重组整形，再次输入到残差密集块去噪算子中进行去噪操作。将此次去噪输出进行向量化从而得到第一次迭代去噪的结果，。按照同样的方法总共进行9次去噪迭代，最终生成图像压缩感知重建的最终结果。图2展现了利用超梯度去噪重建网络对自然图像进行去噪迭代的重建结果。
[0023]上面对本专利技术实施例结合附图进行了说明，但本专利技术不限于上述实施例，凡依据本专利技术技术方案的精神实质和原理下做的改变、 修饰、替代、组合或简化，均应为等效的置换方式，只要符合本专利技术的专利技术目的，只要不背离本专利技术的技术原理，都属于本专利技术的保护范围。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超梯度去噪网络的图像压缩感知重建方法，其特征在于，包含以下步骤：步骤1：针对原始的灰度图，选择行正交化的随机高斯矩阵作为采样矩阵，对整幅图像进行逐图像块采样；步骤2：利用初始化矩阵对低维的采样测量值进行图像初始化重建，作为后续迭代去噪重建模块的输入；步骤3：将初始化重建图像作为输入，利用一系列残差密集块算子级联构造去噪网络对初始化重建图像进行迭代去噪，同时引入超梯度策略加快迭代收敛速率，获得最终的重建图像。2.根据权利要求1所述的基于超梯度去噪网络的图像压缩感知重建方法，其特征在于：在所述步骤2中，图像初始化重建的过程可以表示为：设训练数据对，为原始图像块，其对应的测量向量为，为训练集的图像数。对于所有的训练数据，可通过求解如下最小二乘问题获得初始化矩阵：，其中表示范数，，。对于任意的压缩感知测量值，生成初始重建图像的过程可以表示为：3.根据权利要求1所述的基于超梯度去噪网络的图像压缩感知重建方法，其特征在于：在所述步骤3中，利用残差密集块进行迭代去噪的具体过程可以表示为：将第t个残差密集块去噪算子的输入和...

【专利技术属性】
技术研发人员：赵迎新，王长峰，吴虹，欧子葳，薛宇琼，
申请(专利权)人：南开大学，
类型：发明
国别省市：