买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：太原科技大学

摘要：本发明一种联合图像和特征重构的可伸缩压缩感知图像重建方法，属于图像质量增强领域，解决了可伸缩压缩感知图像重建问题，不同于之前全分辨率的压缩感知观测，首先在基础层对输入图像进行紧凑表示，然后对这个紧凑表示图像进行压缩感知观测，在增强层对残差进行压缩感知观测而不是对原始输入进行观测，其次，针对紧凑表示图像压缩感知重建问题，构建一种联合压缩感知重建和图像超分的优化模型并将其展开为一种基础层可解释的压缩感知重建网络，按照相同的方式得到一种增强层可解释的压缩感知重建网络，这两种网络都采用一种并行交叉的单通道和多通道模型展开策略来展开网络，最后，这两种压缩感知重建网络都是通过双域融合模块将最后一次迭代更新的单通道图像和多通道特征进行融合得到最终重建图像，实验结果表明本发明方法在PSNR和SSIM上均优于现有的ISTA‑Net、ISTA‑Net+、OPINE‑Net+、CSNet和SCSNet方法。

主权项：1.一种联合图像和特征重构的可伸缩压缩感知图像重建方法，其特征在于：包括以下步骤：步骤1构建可伸缩压缩感知模型的训练数据集；步骤2构建可伸缩压缩感知优化模型，可伸缩压缩感知优化模型包括基础层联合压缩感知重建和图像超分的优化模型与增强层压缩感知残差重建优化模型；步骤3求解步骤2中构建的可伸缩压缩感知优化模型用半二次分裂HQS算法和近端梯度下降PGD算法来求解步骤2中所构建的基础层联合压缩感知重建和图像超分的优化模型以及增强层压缩感知残差重建优化模型；步骤4构建基础层采样子网络在低观测率为0.01的情况下，对输入图像Hori进行紧凑表示，使用观测矩阵对紧凑表示图像进行采样，得到图像的观测矢量yb，这里将观测率为0.01的观测矢量作为基础层的观测矢量；步骤5构建基础层的初始重建子网络将步骤4得到的观测矢量yb通过大步长的卷积层和像素混洗层来实现基础层的初始重建，得到紧凑表示的初始重建图像，再对其进行上采恢复，得到和原始分辨率一样的初始重建图像H0；步骤6构建基础层联合图像和特征重构的深度重建子网络将步骤3得到的优化模型展开为基础层联合图像和特征重构的深度重建子网络，该子网络包括两条支路，即单通道图像支路和多通道特征支路，两支路采用并行交叉策略，最后将两条支路的输出结果通过双域融合模块DDFM得到基础层重建图像H1；步骤7构建第一个增强层的采样子网络在观测率为0.04的情况下，通过第一个增强层的采样子网络，先对原始输入图像Hori和基础层重建图像H1之间的残差进行观测，得到残差的观测矢量ye，将观测率为0.04的残差观测矢量作为第一个增强层的观测矢量；步骤8构建第一个增强层的初始重建子网络将步骤7得到的观测矢量ye通过大步长的卷积层和像素混洗层来实现残差初始重建，得到第一个增强层的初始重建残差图像xe0；步骤9构建增强层联合图像和特征重构的深度重建子网络将压缩感知残差重建优化模型展开为一种增强层联合图像和特征重构的深度重建子网络，将基础层重建图像与初始重建残差图像xe0逐元素相加可以得到一个高质量重建图像，通过该网络进行第一个增强层的高质量残差重建，类似于基础层的联合图像和特征重构的深度重建子网络，按照相同的方式构建第一个增强层的联合图像和特征重构的深度重建子网络；依此类推，可以得到多个增强层的残差观测图像和多个不同质量的高质量重建图像；步骤10损失函数总的目标损失由图像的重建损失和观测矩阵的正交约束两部分组成，采用均方误差MSE作为损失函数来训练网络。

全文数据：

权利要求：

百度查询： 太原科技大学 一种联合图像和特征重构的可伸缩压缩感知图像重建方法