【技术实现步骤摘要】
本专利技术涉及计算机视觉的，尤其涉及一种基于多阶段信息传输增强的图像压缩感知方法，以及一种基于多阶段信息传输增强的图像压缩感知装置。
技术介绍
1、压缩感知是一种信号处理技术，它允许信号在远低于奈奎斯特采样率的条件下进行采样和重建。压缩感知的基本思想是利用信号的稀疏特性来获取和重构稀疏或可压缩信号。通过利用这种稀疏性，压缩感知即使在极低的采样率下也能利用非线性算法进行精确的信号重建。压缩感知使所需要传递的信息变少，大大减少了特殊环境下的带宽限制，被广泛应用于医疗成像、无线通信和遥感等领域。
2、尽管基于深度学习的图像压缩感知取得了很大进展，并且最新的深度展开模型集成了优化算法和深度网络的好处，能够同时保持准确性、可解释性和速度，但是深度展开的方法存在以下几个问题：(1)现有的深度展开模型往往只依赖于最终阶段的重建结果，而忽略了不同阶段之间的多阶段相关性，这可能会导致陷入一个局部最优解。(2)深度展开模型一般都会使用卷积运算，在进行多阶段间信息传输时会发生信息损失现象。这会导致早期阶段的信息很容易被遗忘，而长期依赖问题很少被实现。
技术实现思路
1、为克服现有技术的缺陷，本专利技术要解决的技术问题是提供了一种基于多阶段信息传输增强的图像压缩感知方法，其能够提高信息的传输和补偿能力，通过从以往各个阶段提取有价值的特征有效地提高当前恢复的质量，同时极大地提高网络的表示能力，并最小化不同阶段的信息损失。
2、本专利技术的技术方案是：这种基于多阶段信息传输增强的图像压
3、(1)图像采样：首先将图像分块，然后使用离散小波变换将图像块分解为低频子带和高频子带，并拉成向量；接下来根据不同子带的特性进行采样：
4、ys，l，i＝al*θs，l，i (1)
5、其中，s∈{ll，hl，lh，hh}，1≤l≤l，l是小波分解层数，y是压缩感知的观测值，a是采样矩阵，*表示矩阵乘法；
6、(2)基于多阶段信息的图像重建：通过近似消息传递算法解决线性逆问题，然后结合小波树结构的先验和多阶段信息的先验建立重建模型，并展开成神经网络；重建模型的迭代求解如下：
7、
8、
9、其中，g表示分组操作，||gθ||2+||θ||1是小波树结构先验，是多阶段信息先验。
10、本专利技术首先将图像分块，然后使用离散小波变换将图像块分解为低频子带和高频子带，并拉成向量；接下来根据不同子带的特性进行采样，通过近似消息传递算法解决线性逆问题，然后结合小波树结构的先验和多阶段信息的先验建立重建模型，并展开成神经网络；因此能够提高信息的传输和补偿能力，通过从以往各个阶段提取有价值的特征有效地提高当前恢复的质量，同时极大地提高网络的表示能力，并最小化不同阶段的信息损失。
11、还提供了一种基于多阶段信息传输增强的图像压缩感知装置，该装置包括：
12、图像采样模块，其首先将图像分块，然后使用离散小波变换将图像块分解为低频子带和高频子带，并拉成向量；接下来根据不同子带的特性进行采样：
13、ys，l，i＝al*θs，l，i (1)
14、其中，s∈{ll，hl，lh,hh}，1≤l≤l，l是小波分解层数，y是压缩感知的观测值，a是采样矩阵，*表示矩阵乘法；
15、图像重建模块，其基于多阶段信息的图像重建：通过近似消息传递算法解决线性逆问题，然后结合小波树结构的先验和多阶段信息的先验建立重建模型，并展开成神经网络；重建模型的迭代求解如下：
16、
17、
18、其中，g表示分组操作，||gθ||2+||θ||1是小波树结构先验，是多阶段信息先验。
本文档来自技高网...【技术保护点】
1.基于多阶段信息传输增强的图像压缩感知方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于多阶段信息传输增强的图像压缩感知方法，其特征在于：所述步骤(1)中，网络中大多数卷积层的通道数目设置为channel＝32，对于在不同采样率范围内训练的模型，采样矩阵A行数不同；对于初始重建模块，利用采样矩阵的转置AT和观测值y获得初始重建x0＝AT*y；在重建模块中，每次迭代过程由近似消息传递算法的一次迭代求解映射得到。
3.根据权利要求2所述的基于多阶段信息传输增强的图像压缩感知方法，其特征在于：所述步骤(2)中，利用LSTM进行长短期信息建模：
4.根据权利要求3所述的基于多阶段信息传输增强的图像压缩感知方法，其特征在于：所述步骤(2)中，为了解决跨间传输过程中的信息丢失，使用一个跨阶段长期记忆映射模块CLMM，CLMM由三部分组成：两个卷积单元ConvBlock和一个LSTM单元，前k个阶段的输出的集合[x0，x1，…，xk]作为第一个卷积单元的输入:
5.根据权利要求4所述的基于多阶段信息传输增强的图像压缩感知方法，
6.根据权利要求5所述的基于多阶段信息传输增强的图像压缩感知方法，其特征在于：该方法使用来自BSDS500图像集的400个平均481*321分辨率的自然图像作为的训练数据集；在训练过程中，从每张图像中随机裁剪128*128块并形成一批32个块的模型使用MSE作为质量指标监督进行了优化；当模型进行训练优化时，在PyTorch 1.7，Python 3.7环境下，在NVIDIA RTX 3090GPU上使用Adam优化训练200轮；学习率初始化为0.0001，通过损失函数L＝LMSE+0.001*Ltexture+0.01*Linit进行优化。
7.根据权利要求6所述的基于多阶段信息传输增强的图像压缩感知方法，其特征在于：在测试阶段采用和训练时相同的策略将图像分成128*128的图像块进行采样和重建。
8.根据权利要求7所述的基于多阶段信息传输增强的图像压缩感知方法，其特征在于：该方法在Set11和Urban100测试集上进行评估。
9.基于多阶段信息传输增强的图像压缩感知装置，其特征在于：该装置包括：
...【技术特征摘要】
1.基于多阶段信息传输增强的图像压缩感知方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于多阶段信息传输增强的图像压缩感知方法，其特征在于：所述步骤(1)中，网络中大多数卷积层的通道数目设置为channel＝32，对于在不同采样率范围内训练的模型，采样矩阵a行数不同；对于初始重建模块，利用采样矩阵的转置at和观测值y获得初始重建x0＝at*y；在重建模块中，每次迭代过程由近似消息传递算法的一次迭代求解映射得到。
3.根据权利要求2所述的基于多阶段信息传输增强的图像压缩感知方法，其特征在于：所述步骤(2)中，利用lstm进行长短期信息建模：
4.根据权利要求3所述的基于多阶段信息传输增强的图像压缩感知方法，其特征在于：所述步骤(2)中，为了解决跨间传输过程中的信息丢失，使用一个跨阶段长期记忆映射模块clmm，clmm由三部分组成：两个卷积单元convblock和一个lstm单元，前k个阶段的输出的集合[x0，x1，…，xk]作为第一个卷积单元的输入:
5.根据权利要求4所述的基于多阶段信息传输增强的图像压缩感知方法，其特征在于：所述步骤(2)中，在一个重建阶段结束时...
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。