压缩图像的重构方法技术

本申请公开了压缩图像的重构方法

【技术实现步骤摘要】
压缩图像的重构方法、装置、系统及存储介质


[0001]本申请涉及图像重构
，特别是涉及压缩图像的重构方法
、
装置
、
系统及存储介质
。

技术介绍

[0002]时间压缩全息显微成像是一种利用低速相机实现高速相位成像的技术，为了从时间压缩全息显微成像中恢复连续图像，目前，相关的做法是利用两步迭代阈值收缩算法，从时间压缩全息显微成像中重构出全息图
。
[0003]但是，利用两步迭代阈值收缩算法恢复出的图像保留有较多的噪声，使得重构全息图的图像分辨率比较低
。

技术实现思路

[0004]本申请提供了压缩图像的重构方法
、
装置
、
系统及存储介质，能够提高重构图像的图像分辨率
。
[0005]第一方面，本申请提供一种压缩图像的重构方法，压缩重构系统包括成像装置和重构装置，重构装置包括处理器，处理器配置有
PnP
‑
GAP
框架，
PnP
‑
GAP
框架集成有已训练的网络模型，网络模型包括多个神经网络，方法应用于处理器，方法包括：从成像装置获取待处理压缩图像的测量值和编码数据；利用
PnP
‑
GAP
框架对测量值和编码数据进行处理，得到初始信号图像；利用多个神经网络分别对初始信号图像进行去噪处理，得到初始信号图像的目标去噪图像；基于初始信号图像和目标去噪图像，得到待处理压缩图像的目标重构图像
。
[0006]其进一步的技术方案为，利用
PnP
‑
GAP
框架对测量值和编码数据进行处理，得到初始信号图像，包括：将
PnP
‑
GAP
框架的参数进行初始化，得到中间变量；将中间变量
、
测量值和编码数据进行逆向求解，得到初始信号图像
。
[0007]其进一步的技术方案为，多个神经网络包括深度去噪网络和全变分去噪网络；利用多个神经网络分别对初始信号图像进行去噪处理，得到初始信号图像的目标去噪图像，包括：利用深度去噪网络对初始信号图像进行去噪处理，得到第一去噪图像；利用全变分去噪网络对初始信号图像进行去噪处理，得到第二去噪图像；基于第一去噪图像和第二去噪图像，得到初始信号图像的目标去噪图像
。
[0008]其进一步的技术方案为，深度去噪网络包括
FFDNet
和
FastDVDNet
；利用深度去噪网络对初始信号图像进行去噪处理，得到第一去噪图像，包括：利用
FFDNet
对初始信号图像进行去噪处理，得到子去噪图像；利用
FastDVDNet
对子去噪图像进行去噪处理，得到第一去噪图像
。
[0009]其进一步的技术方案为，基于第一去噪图像和第二去噪图像，得到目标去噪图像，包括：将第一去噪图像和第二去噪图像按照对应的权重比重进行加和，得到目标去噪图像，其中，第一去噪图像和第二去噪图像的权重比重之和为
1。
[0010]其进一步的技术方案为，基于初始信号图像和目标去噪图像，得到待处理压缩图像的目标重构图像，包括：基于测量值
、
编码数据以及初始信号图像，得到第一估算解；基于目标去噪图像以及网络模型的调谐参数，得到第二估算解；基于第一估算解和第二估算解，确定目标重构图像的最终估算解；基于目标重构图像的最终估算解，得到待处理压缩图像的目标重构图像
。
[0011]其进一步的技术方案为，成像装置包括数字微镜模块和成像传感器；从成像装置获取待处理压缩图像的测量值和编码数据，包括：从数字微镜模块获取待处理压缩图像的编码数据；从成像传感器获取待处理压缩图像的测量值
。
[0012]第二方面，本申请提供了一种压缩图像的重构装置，包括用于执行如本申请上述任一项方法的单元
。
[0013]第三方面，本申请提供了一种压缩重构系统，该压缩重构系统包括成像装置和重构装置，重构装置包括处理器，处理器用于执行如本申请上述任一项方法的步骤
。
[0014]第四方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，计算机程序在被处理器执行时，用于实现上述的压缩图像的重构方法
。
[0015]本申请的有益效果是：区别于现有技术的情况，本申请通过在
PnP
‑
GAP
框架中集成包含多个神经网络的已训练网络模型，在利用
PnP
‑
GAP
框架得到初始信号图像的基础上，利用已训练网络模型中的多个神经网络分别对初始信号图像进行去噪处理，得到初始信号图像的去噪图像，再进一步根据初始信号图像和去噪图像得到目标重构图像，即相比于相关的采用单一去噪的方法，本申请通过多个神经网络分别对初始信号图像进行去噪处理，可以减少噪声的干扰，使得重构图像更接近原始信号的真实性，进而提高重构图像的图像分辨率
。
附图说明
[0016]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
其中：图1是本申请提供的压缩重构系统一实施例的结构示意图；图2是本申请提供的压缩图像的重构方法第一实施例的流程示意图；图3是本申请提供的压缩图像的重构方法第二实施例的流程示意图；图4是本申请提供的压缩图像的重构方法第三实施例的流程示意图；图5是本申请提供的压缩图像的重构方法第四实施例的流程示意图；图6是本申请提供的压缩图像的重构方法第五实施例的流程示意图；
图7是本申请提供的计算机可读存储介质一实施例的结构示意图
。
具体实施方式
[0017]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚
、
完整地描述
。
可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定
。
另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构
。
基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围
。
[0018]在本文中提及“实施例”意味着，结合实施例描述的特定特征
、
结构或特性可以包含在本申请的至少一个实施例中
。
在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例
。
本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合
。
...

【技术保护点】

【技术特征摘要】
1.
一种压缩图像的重构方法，其特征在于，压缩重构系统包括成像装置和重构装置，所述重构装置包括处理器，所述处理器配置有
PnP
‑
GAP
框架，所述
PnP
‑
GAP
框架集成有已训练的网络模型，所述网络模型包括多个神经网络，方法应用于处理器，所述方法包括：从所述成像装置获取待处理压缩图像的测量值和编码数据；利用所述
PnP
‑
GAP
框架对所述测量值和所述编码数据进行处理，得到初始信号图像；利用多个所述神经网络分别对所述初始信号图像进行去噪处理，得到所述初始信号图像的目标去噪图像；基于所述初始信号图像和所述目标去噪图像，得到所述待处理压缩图像的目标重构图像
。2.
根据权利要求1所述的压缩图像的重构方法，其特征在于，所述利用所述
PnP
‑
GAP
框架对所述测量值和所述编码数据进行处理，得到初始信号图像，包括：将所述
PnP
‑
GAP
框架的参数进行初始化，得到中间变量；将所述中间变量
、
所述测量值和所述编码数据进行逆向求解，得到所述初始信号图像
。3.
根据权利要求1所述的压缩图像的重构方法，其特征在于，所述多个神经网络包括深度去噪网络和全变分去噪网络；所述利用多个所述神经网络分别对所述初始信号图像进行去噪处理，得到所述初始信号图像的目标去噪图像，包括：利用所述深度去噪网络对所述初始信号图像进行去噪处理，得到第一去噪图像；利用所述全变分去噪网络对所述初始信号图像进行去噪处理，得到第二去噪图像；基于所述第一去噪图像和所述第二去噪图像，得到所述初始信号图像的目标去噪图像
。4.
根据权利要求3所述的压缩图像的重构方法，其特征在于，所述深度去噪网络包括
FFDNet
和
FastDVDNet
；所述利用所述深度去...

【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：