一种应用于无线传感器网络的深度压缩感知图像重构方法与流程

【技术领域】本发明公开了一种应用于无线传感器网络的深度压缩感知图像重构方法，属于信号处理技术领域。

背景技术：
无线传感器网络(wirelesssensornetwork，wsn)以其组网自由、功耗低、鲁棒性强的优势，被广泛应用于辅助农业生产、地质灾害检测等领域。但是由于功耗的限制，无线传感器网络的图像采集和传输一直是一个难题。压缩感知(compressivesensing，cs)技术将稀疏信号的采样与压缩相结合，能够极大降低测量系统的采样率，突破奈奎斯特采样定律的限制。这使得压缩感知在无线传感器网络、核磁共振成像等领域有广泛应用。

压缩感知解决的问题是从m个观测中恢复未知

y＝ax+η

其中是测量矩阵(m＜＜n)，η是噪声。这是一个欠定方程组，除非x具有某种特性，否则无法得到唯一解。

幸运的是，现实中的信号都是稀疏的，或通过某种变换可以变成稀疏的。农业物联网中的图像本身不具有稀疏性，但是通过dct或小波变换，能够成为稀疏信号。利用信号x的稀疏性，压缩感知问题的求解成为可能。

传统的压缩感知重构算法主要有贪婪算法、凸松弛算法和贝叶斯框架三类，但是这些算法在无线传感器网络图像压缩感知方面的表现不能令人满意。而卷积神经网络(convolutionalneuralnetworks，cnn)在图像处理方面有非常优秀的表现。深度卷积生成网络(deepconvolutionalgenerativeadversarialnetworks，dcgan)更是为图像的低维表示提供了新的思路。

对抗生成网络(generativeadversarialnetworks，gan)是一种无监督的学习方法，它巧妙的利用了“对抗”的概念来完成生成器的学习，训练完成后可以生成与训练集相似的全新数据样本。dcgan将gan的概念引入到cnn中，能够生成高质量的图片样本。dcgan的原理非常简单，它包括两个网络：生成网络g(generator)和判别网络d(discriminator)。g负责从随机的噪声中产生图片，d负责判断一张图片是不是真实的。在训练过程中，g的目的是产生尽可能骗过d的图片，d的目的是尽可能将生成图片与真实图片区分开。通过不断的学习，二者达到纳什均衡。g能够产生足够真实的图片。

引入深度生成网络的压缩感知模型被称为深度压缩感知(deepcompressivesensing，dcs)。经过充分训练的dcgan网络的生成器能够以低维随机信号作为输入，生成高维图像，这与压缩感知的思想不谋而合。相较于传统的压缩感知图像重构方法，dcs模型能够在较低采样率的情况下较高质量的恢复植物幼苗图像，大大降低系统的采样率。这使得无线传感器网络传输图像信息的功耗大大降低。

技术实现要素：
本发明的目的在于将深度压缩感知模型应用于无线传感器网络中的农作物图像重建过程，提出一种应用于无线传感器网络的深度压缩感知图像重构方法。

本发明涉及方法的目标是通过观测值y＝ax+η和测量矩阵寻找接近x。

假设所有可能的农作物图像构成空间由于x是农业物联网中特定种类的广义稀疏图像构成的集合，因此对于特定的x∈x，存在低维表示所有可能的低维表示构成低维空间由dcgan网络训练得到的从低维空间z到高维空间x的一个映射，即：

因此，求解问题变为寻找使得而z的维度通常是低于y的，这使得问题的求解变得简单。求解问题可以转化为一个非线性最小二乘求解问题：

这是一个凸优化问题，可以利用梯度下降法进行求解。实际应用时，添加正则项l(z)可以达到更好的恢复效果。即：

使用adam优化器进行问题上述问题进行求解。损失函数为：

梯度下降本质上是一种贪心算法，容易陷入局部最优解。因此引入智能搜索策略寻找全局最优解。

本发明的目的是通过下述技术方案来实现无线传感器网络中图像深度压缩感知问题的求解：

(1)定义：图像尺寸为(s，s，3)，为原图，其中n＝s×s×3，测量矩阵为观测值y＝ax+η，其中η为噪声，图像的低维表示为

(2)深度卷积生成网络模型构建：

生成器：输入为经过全连接层投影并重塑为形状为(s/16，s/16，512)的张量，依次经过四个卷积核尺寸为5×5，步长为2的反卷积层，各层卷积核数量分别为256、128、64和3。除输出层外所有层使用批量归一化和relu激活函数。输出层使用tanh激活函数；

判别器：输入为训练集图像或生成器产生的图像，依次经过三个卷积层和一个全连接层后输出一个判别值。卷积层的卷积核为5×5，步长为2，卷积核数量分别为64、128和256。除输出层外使用leakyrelu激活函数、批量归一化并随机丢弃30％的神经元。

(3)使用交叉熵作为损失函数、adam作为优化器训练深度卷积生成网络，最终的生成器为

(4)深度压缩感知重建图像：

①输入：观测值测量矩阵

②初始化：最大搜索次数r，每次搜索最大迭代次数epoches，提前终止迭代阈值t1，重构成功判断阈值t2，学习率lr，正则项系数α、λ，早期判断阈值ely；

③初始化z为服从高斯分布的随机向量，迭代次数置0；

④计算损失函数

⑤更新

⑥计算欧几里得距离

⑦如果迭代次数大于ely且d＞t1，则返回③；

⑧如果迭代次数小于epoches，则返回④；

⑨如果搜索次数小于r且d＜t2，返回③；

⑩重建图像

【本发明的优点和积极效果】与现有技术相比，本发明具有如下优点和积极效果：

第一，本发明将深度压缩感知应用于无线传感器网络农作物图像的获取，利用农业物联网中目标农作物图像特征单一的特点，预先在植物图像数据集上学习该类图像的低维表示。将生成模型作为先验信息应用于农作物图像重构过程，显著降低了重构误差，大大减小了采样率。降低无线传感器网络图像传输的功耗，提高农作物图像的获取效率；

第二，针对随机梯度下降法容易陷入局部最优解的问题，引入智能搜索策略优化深度压缩感知重构模型，进一步提高重构成功率，降低重构误差，减少得到最优解消耗的时间。通过将提出方法与传统压缩感知重构方法进行比较，本发明效果大大优于传统方法；

第三，无线传感器网络实际应用于农业物联网时，采集到的农作物图像往往存在噪声。测试了本发明对于高斯噪声的抵抗能力后，实验结果表明，对于植物幼苗图像，本发明相较于传统方法，在采样率较低的情况下有着更强的抵抗噪声能力。

【附图说明】图1是本发明提出的一种应用于无线传感器网络的深度压缩感知图像重构方法流程图；

图2是本发明与lasso算法在不同采样率下的重构误差比较；

图3是本发明和lasso算法在采样率为0.1的情况下对农作物幼苗图像的重构样例；

图4是本发明和lasso算法在采样率为0.1的情况下对存在高斯噪声农作物幼苗图像额重构样例。

【具体实施方式】为使本发明的实施方案与意义优势表述得更为清楚，下面结合后文附图及实施样例，对本发明进行更为详细的说明。

(1)定义：图像尺寸为(s，s，3)，为原图，其中n＝s×s×3，测量矩阵为观测值y＝ax+η，其中η为噪声，图像的低维表示为

(2)深度卷积生成网络模型构建：

生成器：输入为经过全连接层投影并重塑为形状为(s/16，s/16，512)的张量，依次经过四个卷积核尺寸为5×5，步长为2的反卷积层，各层卷积核数量分别为256、128、64和3。除输出层外所有层使用批量归一化和relu激活函数。输出层使用tanh激活函数；

判别器：输入为训练集图像或生成器产生的图像，依次经过三个卷积层和一个全连接层后输出一个判别值。卷积层的卷积核为5×5，步长为2，卷积核数量分别为64、128和256。除输出层外使用leakyrelu激活函数、批量归一化并随机丢弃30％的神经元。

(3)使用交叉熵作为损失函数、adam作为优化器训练深度卷积生成网络，最终的生成器为

(4)深度压缩感知重建图像：

①输入：观测值测量矩阵

②初始化：最大搜索次数r，每次搜索最大迭代次数epoches，提前终止迭代阈值t1，重构成功判断阈值t2，学习率lr，正则项系数α、λ，早期判断阈值ely；

③初始化z为服从高斯分布的随机向量，迭代次数置0；

④计算损失函数

⑤更新

⑥计算欧几里得距离

⑦如果迭代次数大于ely且d＞t1，则返回③；

⑧如果迭代次数小于epoches，则返回④；

⑨如果搜索次数小于r且d＜t2，返回③；

⑩重建图像

本发明的仿真实验硬件配置为：intel(r)xeon(r)w-2145@3.70ghzcpu；64.0gbddr4内存；nvidiaquadrortx4000gpu。

本发明的仿真实验软件配置为：windows1064位操作系统，仿真语言为python，软件库为tensorflow2.0。

在仿真实验中，使用的数据集为去除背景的plantseedlingdataset图片集。该图片集包括超过5000张植物幼苗图片，实验中，将100张图片作为测试集，其余图片用于dcgan网络的训练。对比实验将本发明提出的一种应用于无线传感器网络的深度压缩感知图像重构方法与lasso算法进行对比。采用每像素均方误差(meansquarederror，mse)作为重构误差。噪声测试实验中噪声的添加方式为：

noisy(x)＝x+σg

其中g的每个元素都服从标准正态分布。σ是噪声比例，即噪声与图片rgb数值的比值，实验中设置为0.2。

实验中将采样率分别设定为0.003、0.005、0.007、0.01、0.04、0.07、0.1、0.3、0.5，本发明的参数选择具有一定的普适性，本实验的所有图像均使用同一组参数。重构误差对比图中的竖线为95％置信区间。可以看出，本发明方法在采样率较低相比于传统算法能够达到更好的重构效果，并且对于图像噪声具有更强的地勘更努力。更具体地，在采样率为为0.01的情况下，本发明的重构误差仅为0.013，远优于lasso算法的0.034。同样，注意到当采样率较高时，本发明重构误差高于lasso算法，但是对于诸如无线传感器网络此类需要低采样率的应用场合，本发明所提方法更加适用。