一种基于SDA和CNN的图像压缩重构方法及系统与流程

本发明涉及机器视觉，具体涉及一种基于sda和cnn的图像压缩重构方法及系统。

背景技术：

1、图像在大数据时代无处不在，图像处理技术已在许多领域得到发展和应用。然而，在医学成像、遥感或其他领域，在获取图像时存在一些限制，例如，通过较少的数据描述特征、大规模并行处理、云存储中的大量冗余信息、较少的信息传输带宽和信号存储所需的空间等。幸运的是，压缩感知(cs)理论的出现成功地解决了这些限制。

2、现有的cs理论获得远低于nyquist采样频率的采样信息，并以高概率从采样信息中恢复原始信号，突破了传统采样定律的限制。人们可以使用更少的信息来表示更多的数据，而不受信号带宽和存储的影响。然而，传统的压缩传感重构算法难以实时重构图像。幸运的是，随着深度学习技术的广泛应用，基于深度学习的重构算法比传统的重构算法快几个数量级。但cs的研究仍受到如下两个重大挑战的制约：

3、(1)一是传统的采样和重构方法依赖于信号稀疏性的先验假设，然而实际数据在变换域中并不完全稀疏。因此，如何学习真实信号的复杂信号结构以提高重构性能仍有待解决。

4、(2)另一个是在低测量速率下，通过传统方法重构的图像质量较差，甚至不能用于图像理解任务。

技术实现思路

1、本发明提供一种基于sda和cnn的图像压缩重构方法，旨在解决现有图像采样重构质量差，性能低的问题。

2、第一方面，本发明实施例提供一种基于sda和cnn的图像压缩重构方法，所述图像压缩重构方法包括以下步骤：

3、s1、通过采样网络对原始信号重新排列成一列以形成高维原始信号，对所述高维原始信号采样后，获得测量信号；其中，所述原始信号包括原始图像数据；

4、s2、通过3层sda神经网络对所述测量信号进行像素增强并初始重构，获得初始重构图像；

5、s3、通过深度重构网络将所述原始图像数据和所述初始重构图像进行深度重构处理，得到最优重构图像块。

6、优选的，在s1中，所述原始信号包括33*33图像块。

7、优选的，在所述s1中，所述测量信号的表达式如(1)：

8、y＝t(wix+b1)…(1)；

9、其中，定义所述采样网络为第一层，w1和b1分别表示所述采样网络的权重与偏置，t表示激活函数relu，x∈rn表示输入原始信号，y∈rn表示测量信号。

10、优选的，在所述s2中，所述3层sda神经网络分别为第2层、第3层和第4层；

11、通过重构网络将所述测量信号作为输入，输出所述初始重构信号，每层所述重构网络的表达式为(2)：

12、xi＝t(wixi-1+bi)…(2)；

13、其中，xi表示第i层的输出i＝2,3,4,x1特指测量信号并且x1＝y；wi是第i层的权重矩阵，bi是第i层的偏置，t表示非线性激活函数relu。

14、优选的，在所述s3中，所述深度重构网络为6个卷积层的卷积神经网络，前三层与后三层的参数相同。

15、优选的，6个卷积层的大小设置为11*11，1*1，7*7，11*11，1*1，7*7，以保持输出特征图尺寸仍为33*33图像块，在每一层输出的特征图的数量是64，32，1，64，32，1。

16、优选的，所述s3中，通过adam和sgd优化算法得到所述最优重构图像块；

17、将所述adam和sgd优化算法通过损失函数表示，所述损失函数(3)：

18、

19、其中，wl表示为所有参数，所有参数wl＝{wi,bi}；wi和bi分别表示每个层的权重和偏差，t(xi,wl)表示网络的输出。

20、第二方面，本发明实施例提供一种基于sda和cnn的图像压缩重构系统，所述图像压缩重构系统包括：

21、采样模块，用于通过采样网络对原始信号重新排列成一列以形成高维原始信号，对所述高维原始信号采样后，获得测量信号；其中，所述原始信号包括原始图像数据；

22、初始重构模块，用于通过3层sda神经网络对所述测量信号进行像素增强并初始重构，获得初始重构图像；

23、深度重构模块，用于通过深度重构网络将所述原始图像数据和所述初始重构图像进行深度重构处理，得到最优重构图像块。

24、优选的，所述采样模块的所述原始信号包括33*33图像块。

25、与现有技术相比，本发明的有益效果在于，通过采样网络对原始信号重新排列成一列以形成高维原始信号，对所述高维原始信号采样后，获得测量信号；其中，所述原始信号包括原始图像数据；通过3层sda神经网络对所述测量信号进行像素增强并初始重构，获得初始重构图像；通过深度重构网络将所述原始图像数据和所述初始重构图像进行深度重构处理，得到最优重构图像块；这样一种通过级联sda和cnn联合采样和重建图像的新框架，sda提高了维数，并初步重构了信号，cnn进一步提高了重构质量。实验表明，与传统迭代算法相比，所提出的框架更快、更有效，并且在低采样率下获得了比其他类似结构的基于深度学习的方法更好的重构结果。

技术特征：

1.一种基于sda和cnn的图像压缩重构方法，其特征在于，所述图像压缩重构方法包括以下步骤：

2.如权利要求1所述的基于sda和cnn的图像压缩重构方法，其特征在于，在s1中，所述原始信号包括33*33图像块。

3.如权利要求2所述的基于sda和cnn的图像压缩重构方法，其特征在于，在所述s1中，所述测量信号的表达式如(1)：

4.如权利要求3所述的基于sda和cnn的图像压缩重构方法，其特征在于，在所述s2中，所述3层sda神经网络分别为第2层、第3层和第4层；

5.如权利要求4所述的基于sda和cnn的图像压缩重构方法，其特征在于，在所述s3中，所述深度重构网络为6个卷积层的卷积神经网络，前三层与后三层的参数相同。

6.如权利要求5所述的基于sda和cnn的图像压缩重构方法，其特征在于，6个卷积层的大小设置为11*11，1*1，7*7，11*11，1*1，7*7，以保持输出特征图尺寸仍为33*33图像块，在每一层输出的特征图的数量是64，32，1，64，32，1。

7.如权利要求6所述的基于sda和cnn的图像压缩重构方法，其特征在于，所述s3中，通过adam和sgd优化算法得到所述最优重构图像块；

8.一种基于sda和cnn的图像压缩重构系统，其特征在于，所述图像压缩重构系统包括：

9.如权利要求8所述的基于sda和cnn的图像压缩重构系统，其特征在于，所述采样模块的所述原始信号包括33*33图像块。

技术总结
本发明适用于机器视觉技术领域，提供了一种基于SDA和CNN的图像压缩重构方法及系统，所述图像压缩重构方法包括以下步骤：S1、通过采样网络对原始信号重新排列成一列以形成高维原始信号，对所述高维原始信号采样后，获得测量信号；其中，所述原始信号包括原始图像数据；S2、通过3层SDA神经网络对所述测量信号进行像素增强并初始重构，获得初始重构图像；S3、通过深度重构网络将所述原始图像数据和所述初始重构图像进行深度重构处理，得到最优重构图像块。本发明能够提高维数和重构质量，同时所提出的框架更快、更有效，并且在低采样率下获得了比其他类似结构的基于深度学习的方法更好的重构结果。

技术研发人员：吴均城,杨海东,李泽辉,杨标
受保护的技术使用者：佛山市南海区广工大数控装备协同创新研究院
技术研发日：
技术公布日：2024/2/21