【技术实现步骤摘要】
一种多级交叉感知和频率分割的图像压缩传感方法
[0001]本专利技术涉及图像压缩感知
(Compressive Sensing
，
CS)
，尤其是基于深度神经网络的压缩感知
(Deep Compressed Sensing
，
DCS)
技术
。
本专利技术关注的是在压缩感知领域中数据采样和图像重建的问题，旨在实现更高质量的图像压缩感知
。
技术介绍
[0002]压缩感知
(Compressed Sensing
，
CS)
是一种通过采用亚奈奎斯特香农采样率，以较低的采样率获取图像并能够精确重建的技术
。
相比传统的奈奎斯特香农采样定理，
CS
方法可以在采集信号的同时保留重建所需的信息，从而实现高效的信号采样和重建
。CS
方法在遥感传输
、
磁共振成像
(Magnetic Resonance Imaging MRI)、
【技术保护点】
【技术特征摘要】
1.
一种多级交叉感知和频率分割的图像压缩传感方法，其特征在于大大提升了降采样和深度重建恢复图像的精度性能，包括以下步骤：步骤1，首先需要首先利用传感网络采样原始信号值，依此获取测量值，然后初始重建网络映射测量值生成初始重建图像；步骤2，为了弥补初始重建图像的质量缺陷，方法还需要通过级联的非线性深度重建网络模块
FDRM
进一步细化重建图像；步骤3，为了更有效地利用采样的低
、
中
、
高级特征以此更好的共同指导重建，提出了新颖的动态多级交叉传感模块
DMCS
；步骤4，为了使传感
DMCS
采样结果能够被区分细粒度进行重建，需要通过卷积和像素重排等基本操作生成重构模块所需的输入维度；步骤5，为了强化图像质量的细粒度重建，摒弃了传统的单层重建方法，提出了图像频率分割重建模块
FDRM
，该模块设计方法不再需要为不同采样率定制特殊的重建模块，节省了计算开销；步骤6，在频率分割重建模块
FDRM
中，核心部分是在细粒度重建阶段进一步使用离散小波变换
DWT(
×
)
将重建图像的频率分量进行四次分割，进行双分支重建与特征融合机制，在特征域按照优化启发算法迭代更新重构结果，生成高质量图像
。2.
根据权利要求1所述的一种多级交叉感知和频率分割的图像压缩传感方法，其特征在于，步骤1中，传感网络即
S
DMCS
(
×
)
，包含金字塔交叉卷积和多级池化的双分支采样，以便在逆映射重建时创新性地参考原信号的高级特征，依此指导更有效的重建，并在感知块间引入注意力机制，增加采样网络的适应性学习效应，采样可以表示为：
y
＝
F(x)
＝
S
DMCS
(x)(1.1)
其中
F
即为广义采样矩阵，
S
DMCS
为传感网络，
y
为降采样信号，
x
为原信号
。
当采样率为
25
％时，初始重构
Rec
init
对
y
进行卷积操作，拓展通道维度为并通过像素洗牌
(PS)
操作成为1×
H
×
W
，其中
H、W
均为图像宽高，此结果用于指导深度重建，并减轻块效应；其中即为初始重建值，
PS(
×
)
为像素重排操作，
Conv(
×
)
为卷积操作，
x
为原始信号
。3.
根据权利要求1所述的一种多级交叉感知和频率分割的图像压缩传感方法，其特征在于，步骤2的具体过程为：深度重构网络
D(
×
)
由8层堆叠的
FDRM
块构成，首先通过卷积层将初始重建网络
I(y)
图像转换为高维特征，经过
FDRM
内特有的频率分割和卷积自相似补偿，并多次参考测量值
y
与采样网络
S
DMCS
，优化不同级别的特征图，重建质量在级联的
FDRM
块中逐渐提高，最终的重建结果可以表示初始重建和深度重建的共同结果：其中
F
为广义采样矩阵，
I(
·
)
作为初始重建网络，
D(
·
)
为初始重建网络，
y
为采样值，
x
为初始信号
。
4.
根据权利要求1所述的一种多级交叉感知和频率分割的图像压缩传感方法，其特征在于，步骤3中，使用金字塔卷积提取特征，并和双分支金字塔池化层进行残差连接，以解决特征信息流在池化中的丢失问题，其核心结构是
DMCS
‑
Block
，感知块间应用不同层次级别之间，自适应的注意力机制，增强重点特征通道，
DMCS
‑
Block
算法流程可以定义为：其中
PConv、PPool
max
和
PPool
avg
分别对应金字塔卷积和池化层，
mA
和
aA
分别计算分支的高维通道注意力，为张量相加操作，
y
c
,y
t
,y
t+1
均为承接迭代变量，作为临时的采样特征
。5.
根据权利要求1所述的一种多级交叉感知和频率分割的图像压缩传感方法，其特征在于，步骤4的具体过程为：在
25
％采样率下，首先通过3×3大小卷积核，步长1的卷积层对图像进行1→
N
通道的拓展，然后在
DMCS
‑
Block
中首先对输入特征进行金字塔卷积操作，在特征图上进行多尺度...
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。