面向压缩感知重建的小波引导深度学习展开网络设计方法技术

本发明专利技术面向压缩感知重建的小波引导深度学习展开网络设计方法属于图像质量增强领域，解决了压缩感知图像重建问题。首先，设计了一种基于离散小波变换的压缩感知重建模型，并且将该模型分解为两个子问题：小波域重建问题和图像域重建问题，这两个域的解相互引导并且迭代更新；其次，将迭代优化过程展开为面向压缩感知重建的小波引导深度学习展开网络，最后，为了在图像重建过程中有效地去除特征噪声，设计两个连续的去噪模块，即双域引导滤波模块和自引导滤波增强模块，这两个模块通过引入引导滤波来实现图像特征去噪，并通过改进的长短期记忆机制来减少阶段间的信息丢失，本发明专利技术的重建性能优于现有的多个图像压缩感知重建方法。建性能优于现有的多个图像压缩感知重建方法。建性能优于现有的多个图像压缩感知重建方法。

【技术实现步骤摘要】
面向压缩感知重建的小波引导深度学习展开网络设计方法


[0001]本专利技术属于图像质量增强领域，具体涉及的是一种面向压缩感知重建的小波引导深度学习展开网络设计方法。

技术介绍

[0002]压缩感知(CS)是一种寻找欠定线性系统稀疏解的技术，它可以在采样的过程中完成对数据的压缩。CS是图像处理领域的研究热点。在CS框架中，首先对图像进行采样，并同时进行数据压缩，然后使用远低于奈奎斯特采样率的测量值来重建原始图像。由于CS方法可以从极少的测量中恢复几乎完美的原始图像，从而大大降低了压缩、存储和传输成本。目前，CS已经成功应用于各个领域，如图像压缩、单像素相机、医学成像、快照压缩成像、遥感、雷达图像采集和无线远程监测等。
[0003]通过利用极低的采样率获取并重建信号，CS近年来在学术界引起了研究的热潮。根据数学理论，已知原始信号x∈R
N
和采样矩阵Φ∈R
M
×
N
，CS测量值可以由y＝Φx来求解，其中测量值y∈R
M
。CS的目标就是根据求得的随机测量值y来推断原始信号x。由于在通常情况下M＜＜N，上述问题是一个不适定的逆问题，经常通过来求解CS重建问题。这里，F(x)是用于稀疏表示自然图像的正则化函数，λ是用来权衡数据保真度项和正则化项的超参数，该模型通常使用近端梯度下降算法来进行求解。
[0004]传统的CS图像重建方法主要是基于模型的方法。该方法是通过求解一个优化问题，迭代地重建原始信号。由于大部分传统的CS图像重建方法是基于稀疏先验知识，且最常使用的先验知识是假设原始信号在某种变换域下是稀疏的，因此，求解此类稀疏模型下的CS图像重建方法主要有凸松弛方法、贪婪匹配追踪方法和贝叶斯类方法。这些方法是基于可解释的先验知识，因此具有强收敛性和理论保证的优点。但是，传统的CS图像重建方法通常计算复杂度很高，适应性较差，并且重建精度有限。
[0005]近年来，深度学习(DL)技术在工业界和学术界得到了迅猛的发展。它在很多传统的信号处理和识别任务上取得了优越的性能，显示了其处理各种复杂任务的能力。因此，大批学者开始尝试利用DL处理相关领域的一些问题。传统CS图像重建方法存在的问题也可以通过DL来解决。由于实际应用中的模型并不满足传统算法的稀疏性假设，因此DL可以采用数据驱动的方式来解决这个问题。DL技术放宽了对信号稀疏性的条件，它可以通过网络自适应地调整权重，例如卷积神经网络、残差网络和去噪自编码器等网络可以通过训练大量的样本来学习真实信号的结构特征，从而提高信号的重建精度。另外，DL技术可以大大缩短网络的运算时间，降低模型的复杂度。但是这些网络的架构都是黑盒设计，缺乏理论分析和可解释性。考虑到传统算法的可解释性和深度学习技术良好的重建性能，研究者开始将传统算法与DL技术相结合，提出了一系列深度展开网络。这些网络由传统的CS算法展开，以迭代的方式进行优化，并在每一个迭代步骤中引入卷积神经网络，使得这些方法在获得可解释性的同时逐步提升模型的重建性能。虽然这些深度展开网络的重建性能有了很大的提
升，但是大部分网络局限于在图像域传输信息，从而极大地限制了网络性能的进一步提升。
[0006]最近，有研究发现频率信息有助于网络性能的进一步提升。例如，Zhuang等人通过优化图像的傅里叶系数来对低亮度图像进行增强。Zhou等人提出同时在空间和频率双域中自适应地学习低频信息集成。Zhang等人和Zou等人使用离散小波变换将网络从图像域转换到频率域来完成图像超分辨率任务。由于频率信息可以反映不同波段图像的语义信息，因此频率信息对于重建图像的高频细节具有至关重要的作用。受这一观察的启发，本专利技术将离散小波变换引入到图像的CS优化模型中，使用频率信息来引导图像压缩感知重建。

技术实现思路

[0007]本专利技术提出了一种面向压缩感知重建的小波引导深度学习展开网络设计方法，通过将离散小波变换引入到压缩感知的重建模型中，并将其优化算法展开为面向压缩感知重建的小波引导深度学习展开网络。该网络由三个部分组成：采样网络、初步重建网络和深度双域混合重建网络。深度双域混合重建网络包括两个基础单元，分别为：频率信息增强单元(FIEU)和小波引导的图像去噪单元(WIDU)。其中，在WIDU中还定义了两个去噪模块，分别为：双域引导滤波模块(DGFM)和自引导滤波增强模块(SFEM)，这两个模块通过利用引导滤波来去除特征中的噪声。此外，该网络能够很好地解决现有压缩感知重建模型不可解释的问题和重建图像存在噪声干扰的问题。
[0008]为了实现上述目的，本专利技术通过以下技术方案予以实现。
[0009]面向压缩感知重建的小波引导深度学习展开网络设计方法，包括以下步骤：
[0010]步骤1)构建面向压缩感知重建的小波引导深度学习展开网络的训练数据
[0011]采用T91数据集作为该网络的训练数据集。
[0012]步骤2)构建基于离散小波变换的压缩感知重建模型并对其进行优化
[0013]首先，将离散小波变换DWT加入到原有的压缩感知重建模型中，并将小波系数的一致性约束同时加入到该模型中，以此来构建一个基于离散小波变换的压缩感知重建模型。然后，将该模型分解为两个子问题，用近端梯度下降算法迭代地求解这两个子问题。最后，将迭代求解算法展开为面向压缩感知重建的小波引导深度学习展开网络。
[0014]步骤3)构建采样网络和初步重建网络
[0015]首先输入图像x，将其分解为不重叠的图像块使用得到每个图像块的观测值这里使用大步长的卷积操作来实现压缩感知观测，这个卷积操作可以简记为采样网络，接着由得到初始化图像块这里通过一个采样卷积操作来实现图像初始化，再使用像素混洗Pixel
‑
Shuffle操作将初始化图像块进行重组得到初步重建的图像x
(0)
，这里的卷积操作和像素混洗Pixel
‑
Shuffle操作可以简记为初步重建网络。
[0016]步骤4)构建深度双域混合重建网络
[0017]将步骤2)得到的迭代求解算法展开为深度双域混合重建网络，该网络一共包含两个基本单元：频率信息增强单元和小波引导的图像去噪单元。其中，频率信息增强单元用来优化和增强经过离散小波变换得到的频率信息，小波引导的图像去噪单元用来去除重建特征噪声。
[0018]步骤5)构建双域引导滤波模块和自引导滤波增强模块
[0019]使用引导滤波理论来构建两个模块：在步骤4)小波引导的图像去噪单元中，双域引导滤波模块DGFM和自引导滤波增强模块SFEM都是用于去除特征噪声。
[0020]步骤6)损失函数
[0021]总的损失函数由图像的重建损失，小波系数的一致性损失和采样矩阵的正交损失三部分组成，采用L1范数对误差损失项进行约束。
[0022]进一步的，所述步骤1)中首先使用T91数据集作为网络的训练数据集，并在一组CS比率为{10％、25％、30％、40％、50％}上训练五个网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向压缩感知重建的小波引导深度学习展开网络设计方法，其特征在于，包括以下步骤：步骤1)构建面向压缩感知重建的小波引导深度学习展开网络的训练数据步骤2)构建基于离散小波变换的压缩感知重建模型并对其进行优化首先，将离散小波变换DWT加入到原有的压缩感知重建模型中，并将小波系数的一致性约束同时加入到该模型中，以此来构建一个基于离散小波变换的压缩感知重建模型；然后，将该模型分解为两个子问题，用近端梯度下降算法迭代地求解这两个子问题；最后，将迭代求解算法展开为面向压缩感知重建的小波引导深度学习展开网络；步骤3)构建采样网络和初步重建网络首先输入图像x，将其分解为不重叠的图像块使用得到每个图像块的观测值这里使用大步长的卷积操作来实现压缩感知观测，这个卷积操作可以简记为采样网络，接着由得到初始化图像块这里通过一个采样卷积操作来实现图像初始化，再使用像素混洗Pixel
‑
Shuffle操作将初始化图像块进行重组得到初步重建的图像x
(0)
，这里的卷积操作和像素混洗Pixel
‑
Shuffle操作可以简记为初步重建网络；步骤4)构建深度双域混合重建网络将步骤2)得到的迭代求解算法展开为深度双域混合重建网络，该网络一共包含两个基本单元：频率信息增强单元和小波引导的图像去噪单元，其中，频率信息增强单元用来优化和增强经过离散小波变换得到的频率信息，小波引导的图像去噪单元用来去除重建特征噪声；步骤5)构建双域引导滤波模块和自引导滤波增强模块使用引导滤波理论来构建两个模块：在步骤4)小波引导的图像去噪单元中，双域引导滤波模块DGFM和自引导滤波增强模块SFEM都是用于去除特征噪声；步骤6)损失函数总的损失函数由图像的重建损失，小波系数的一致性损失和采样矩阵的正交损失三部分组成，采用L1范数对误差损失项进行约束。2.根据权利要求1所述的面向压缩感知重建的小波引导深度学习展开网络设计方法，其特征在于：步骤1)中构建面向压缩感知重建的小波引导深度学习展开网络的训练数据的具体方法为：使用T91数据集作为网络的训练数据集，并在一组CS比率为{10％、25％、30％、40％、50％}上训练五个网络，在训练过程中，使用批量大小为64的32
×
32大小的图像块进行训练，一共训练100个Epochs，并使用Adam优化器来优化网络参数，将初始学习率设置为5e
‑
4，使用余弦退火策略来更新学习率，并将其降低至5e
‑
5，网络一共训练9个阶段，除了输入层和输出层，其他所有卷积层的输出通道数默认为32，使用三个公共可用的数据集作为测试数据集，包括Set11、CBSD68和Urban100，将RGB彩色图变换为YCbCr彩色图，并且只对Y通道进行压缩感知观测和重建；最后使用Y通道上的峰值信噪比PSNR和结构相似性SSIM评估CS重建结果。3.根据权利要求1所述的面向压缩感知重建的小波引导深度学习展开网络设计方法，其特征在于：所述步骤2)的具体步骤如下：
通过x
w
＝DWT(x)得到小波系数，其中x为输入图像，DWT(
·
)表示离散小波变换，由于该过程可逆，可以通过x＝IDWT(x
w
)还原出原始信号，其中IDWT(
·
)表示逆离散小波变换，将DWT引入到压缩感知的优化模型中，所提压缩感知重建的优化模型可以表示为：其中，公式(1)的前三项为数据保真度项，后两项为正则化项，F(
·
)和Ω(
·
)是正则化函数，α，β，λ和μ是四个可学习的步长参数，x
w
是将输入图像x经过DWT得到的小波系数，x
′
w
是重建的小波系数，且IDWT(x
′
w
)是在x
′
w
已知的情况下求得的，很明显，由于无法同时求解两个变量，因此将公式(1)分解为以下两个优化问题：个变量，因此将公式(1)分解为以下两个优化问题：接下来，使用近端梯度下降PGD算法来求解上述优化问题；更新x
′
w
：将近端梯度下降PGD算法应用于公式(2)，迭代优化过程可以描述为以下两个更新步骤：其中，表示梯度算子，δ1是可学习的步长参数，k表示迭代的索引值，prox
μ,Ω
(
·
)是关于隐式先验μ||Ω(x
′
w
)||1的近端算子；更新x：将PGD算法应用于公式(3)，迭代优化过程可以描述为以下两个更新步骤：其中，表示梯度算子，δ2是可学习的步长参数，prox
λ,F
(
·
)是对应于隐式先验λ||F(x)||1的近端算子，等式(4)和等式(5)为所提优化模型的交替迭代求解表达式，根据这两个等式，将该迭代求解过程展开为一种面向压缩感知重建的小波引导深度学习展开网络。4.根据权利要求1所述的面向压缩感知重建的小波引导深度学习展开网络设计方法，其特征在于：所述步骤3)中采样网络首先由训练网络学习得到采样矩阵Φ∈R
M
×
N
，接着将采样矩阵Φ中的所有元素...

【专利技术属性】
技术研发人员：赵利军，王鑫璐，张晋京，张玉凤，赵杰，陈彬涛，王安红，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：