图像重建模型的训练方法、主控设备及图像重建方法技术

本发明专利技术公开一种图像重建模型的训练方法，包括：构建训练集，训练集包括欠采样图像和与欠采样图像相对应的图像频谱；将欠采样图像输入初始网络模型以得到目标图像；根据目标图像和与目标图像相对应的图像频谱计算损失值；根据损失值优化初始网络模型；以及当初始网络模型的优化次数达到目标值时，输出优化后的初始网络模型作为图像重建模型。本发明专利技术公开的图像重建模型的训练方法，旨在解决极低采样率条件下离散余弦单像素成像方法的图像质量较差的问题。此外，本发明专利技术还公开一种主控设备及图像重建方法。重建方法。重建方法。

【技术实现步骤摘要】
图像重建模型的训练方法、主控设备及图像重建方法


[0001]本专利技术涉及计算机成像
，特别涉及一种图像重建模型的训练方法、主控设备及图像重建方法。

技术介绍

[0002]离散余弦单像素成像是一种正交变换单像素成像方法，基于二维离散余弦变换，采集成像物体图像的离散余弦变换频谱系数，并通过二维离散余弦反变换实现图像重建。在离散余弦单像素成像中，需要将一组不同频率的余弦条纹结构图案加载到空间光调制器中，对成像物体的光空间信息进行调制，并使用单像素探测器探测条纹图案对应的信号值，根据信号值构造物体图像的离散余弦变换系数，并组成离散余弦变换谱，再对采集所得的离散余弦变换谱执行反变换，完成图像重建。一般而言，图像的离散余弦变换谱的能量，即数值绝对值较大的系数值，更多集中在低频部分。因此，离散余弦单像素成像通常只采集一部分绝对值较大的系数值，减少采集次数，以此缩短采集图像所需的时间，实现图像的欠采样方案。
[0003]然而，通过欠采样方案实现离散余弦单像素成像时，成像的图像频谱是残缺的。且由于大量频谱系数的缺失，会造成图像出现图像模糊和振铃效应等问题，导致图像质量较差。

技术实现思路

[0004]本专利技术的主要目的是提出一种图像重建模型的训练方法、主控设备及图像重建方法，旨在解决极低采样率条件下离散余弦单像素成像方法的图像质量较差的问题。
[0005]为实现上述目的，本专利技术提出一种图像重建模型的训练方法，所述图像重建模型的训练方法包括：构建训练集，所述训练集包括欠采样图像和与所述欠采样图像相对应的图像频谱；将所述欠采样图像输入初始网络模型以得到目标图像；根据所述目标图像和与所述目标图像相对应的图像频谱计算损失值；根据所述损失值优化所述初始网络模型；以及当所述初始网络模型的优化次数达到目标值时，输出优化后的初始网络模型作为所述图像重建模型。
[0006]优选地，根据所述目标图像和与所述目标图像相对应的图像频谱计算损失值包括：根据所述目标图像的离散余弦变换频谱和相对应的图像频谱计算所述损失值。
[0007]优选地，将所述欠采样图像输入初始网络模型以得到目标图像之前，所述图像重建模型的训练方法还包括：构建所述初始网络模型，所述初始网络模型包括特征提取模块、残差模块和重建
模块，所述残差模块包括若干依次连接的残差块。
[0008]优选地，将所述欠采样图像输入初始网络模型以得到目标图像包括：将所述欠采样图像输入所述特征提取模块以得到低层特征；将所述低层特征输入所述残差模块以得到残差特征；将所述残差特征输入所述重建模块以得到所述目标图像。
[0009]优选地，将所述低层特征输入所述残差模块以得到残差特征包括：将所述低层特征输入第一个所述残差块以得到输出特征；将所述低层特征和所述输出特征作为输入特征共同输入第二个所述残差块，并从第二个所述残差块开始，将前一所述残差块的输出特征和输入特征共同输入后一所述残差块，直至最后一个所述残差块根据所述输入特征输出高层特征；根据所述低层特征和所述高层特征计算所述残差特征。
[0010]优选地，构建训练集包括：对彩色图像进行预处理以得到目标灰度图像；对所述目标灰度图像进行离散余弦变换处理以得到所述图像频谱；将所述图像频谱中的部分频谱系数设置为预设值以得到欠采样频谱；对所述欠采样频谱进行离散余弦反变换处理以得到所述欠采样图像。
[0011]优选地，对彩色图像进行预处理以得到目标灰度图像包括：将所述彩色图像转换为初始灰度图像；将所述初始灰度图像进行归一化处理以得到归一化灰度图像；以及对所述归一化灰度图像进行裁切以得到所述目标灰度图像。
[0012]优选地，对所述欠采样频谱进行离散余弦反变换处理以得到所述欠采样图像之后，所述图像重建模型的训练方法还包括：将所述欠采样图像的灰度值进行归一化。
[0013]本专利技术进一步提出一种主控设备，所述主控设备包括：存储器，用于存储程序指令；以及处理器，用于执行所述程序指令以实现如上所述的图像重建模型的训练方法。
[0014]本专利技术进一步还提出一种图像重建方法，所述图像重建方法包括：接收单像素成像装置发送的离散余弦变换谱；对所述离散余弦变换谱进行离散余弦反变换处理以得到待重建图像；将所述待重建图像输入图像重建模型以得到目标重建图像，所述图像重建模型由如上所述的图像重建模型的训练方法训练得到。
[0015]本专利技术技术方案的有益效果在于：将初始网络模型构建为卷积神经网络，并构建具有欠采样图像的训练集，通过训练集对初始网络模型进行迭代训练，以恢复欠采样图像的完整变换频谱为目标，基于深度学习方法，将训练完成的图像重建模型作为后处理器，使得图像重建模型具有恢复图像频谱的能力，能够尽可能地恢复离散余弦单像素成像的欠采样图像的频谱，明显去除欠采样图像的质量问题，显著提高离散余弦单像素成像的成像质量。
附图说明
[0016]图1为本专利技术实施例提供的图像重建模型的训练方法的第一流程图；图2为本专利技术实施例提供的图像重建模型的训练方法的第二流程图；图3为本专利技术实施例提供的图像重建模型的训练方法的第一子流程图；图4为本专利技术实施例提供的图像重建模型的训练方法的第二子流程图；图5为本专利技术实施例提供的图像重建模型的训练方法的第三子流程图；图6为本专利技术实施例提供的图像重建模型的训练方法的第四子流程图；图7为图2所示的初始网络模型的结构示意图；图8为图7所示的初始网络模型的残差块的结构示意图；图9为图3所示的构建训练集的流程示意图；图10为本专利技术实施例提供的主控设备的内部结构示意图；图11为本专利技术实施例提供的图像重建方法的流程图；图12为本专利技术实施例提供的图像重建方法的流程示意图；图13为图11所示的单像素成像装置的第一示意图；图14为图11所示的单像素成像装置的第二示意图。
[0017]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的方案进行清楚完整的描述，显然，所描述的实施例仅是本专利技术中的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0019]需要说明，本专利技术实施例中所有方向性指示（诸如上、下、左、右、前、后
……
）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0020]还需要说明的是，当元件被称为“固定于”或“设置于”另一个元件上时，它可以直接在另一个元件上或者可能同时存在居中元件。当一个元件被称为是“连接”另一个元件，它可以是直接连接另一个元件或者可能同时存在居中元件。
[0021]另外，在本专利技术中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像重建模型的训练方法，其特征在于，所述图像重建模型的训练方法包括：构建训练集，所述训练集包括欠采样图像和与所述欠采样图像相对应的图像频谱；将所述欠采样图像输入初始网络模型以得到目标图像；根据所述目标图像和与所述目标图像相对应的图像频谱计算损失值；根据所述损失值优化所述初始网络模型；以及当所述初始网络模型的优化次数达到目标值时，输出优化后的初始网络模型作为所述图像重建模型；其中，根据所述目标图像和与所述目标图像相对应的图像频谱计算损失值包括：根据所述目标图像的离散余弦变换频谱和相对应的图像频谱计算所述损失值。2.根据权利要求1所述的图像重建模型的训练方法，其特征在于，将所述欠采样图像输入初始网络模型以得到目标图像之前，所述图像重建模型的训练方法还包括：构建所述初始网络模型，所述初始网络模型包括特征提取模块、残差模块和重建模块，所述残差模块包括若干依次连接的残差块。3.根据权利要求2所述的图像重建模型的训练方法，其特征在于，将所述欠采样图像输入初始网络模型以得到目标图像包括：将所述欠采样图像输入所述特征提取模块以得到低层特征；将所述低层特征输入所述残差模块以得到残差特征；将所述残差特征输入所述重建模块以得到所述目标图像。4.根据权利要求3所述的图像重建模型的训练方法，其特征在于，将所述低层特征输入所述残差模块以得到残差特征包括：将所述低层特征输入第一个所述残差块以得到输出特征；将所述低层特征和所述输出特征作为输入特征共同输入第二个所述残差块，并从第二个所述残差块开始，将前一所述残差块的输出特征和输入特征共同输...

【专利技术属性】
技术研发人员：陈冠南，请求不公布姓名，请求不公布姓名，
申请(专利权)人：阿尔玻科技有限公司，
类型：发明
国别省市：