一种基于深度学习的压缩感知重构方法和系统与流程

1.本发明涉及图像压缩感知重构技术领域，特别是涉及一种基于深度学习的压缩感知重构方法和系统。


背景技术：

2.图像压缩感知是近几年图像处理领域的重大突破，对稀疏信号或可压缩信号，压缩感知理论通过少量的线性投影直接编码图像信号中包含绝大部分信息的重要分量，实现对原始图像的采样、压缩以及重构。传统压缩感知在信号通过采样矩阵进行采样时，由于采样矩阵与信号本身并不相关，采样矩阵需满足rip原则才能保证在采样过程中大概率不丢失信号中的关键信息，这给设计良好的采样矩阵带来巨大的困难。且大部分的采样矩阵作用在不同的信号下时，它并不能保证每个信号都能重构成功，没有一个很强的普适性。
3.现有的技术采用随机高斯矩阵对原图像进行先采样，再输入到生成对抗网络模型中进行训练，是一种采样和重构分离的模式，采样效果会直接影响后续的重构训练效果，是一个非端到端训练模型。且因为使用的采样矩阵为随机高斯矩阵，并没有考虑原信号(图像)的特性，在对一个数据集进行训练时，很难保证有一个稳定的采样效果。
4.中国发明专利申请cn108171762a(公开日为2018年06月15日)公开了一种深度学习的压缩感知同类图像快速重构系统与方法，其方法特征是：1)将图像x的cs 测量值y和测量矩阵φ的伪逆的乘积进行重构得到生成器的输入数据2)生成器的初始化，包括确立生成器的损失函数、输出单元、隐藏单元以及梯度更新算法和初始化生成器网络内部参数；3)生成器的学习：根据生成器损失函数，完成生成器内部网络参数的更新；4)判别器的初始化，同生成器的初始化；5)判别器的学习：根据判别器损失函数，完成判别器内部参数的更新；6)系统总体训练和网络模型的保存。该专利通过将测量值和测量矩阵的伪逆的乘积作为生成器的输入信号，即通过测量矩阵进行采样，测量矩阵是预设的，无法自适应考虑原信号(图像) 的特性，在对一个数据集进行训练时，很难保证有一个稳定的采样效果。


技术实现要素：

5.本发明的目的是提供一种图像重构效果更好的基于深度学习的压缩感知重构方法和系统。
6.为了实现上述目的，本发明提供了一种基于深度学习的压缩感知重构方法，包括：
7.s1、获取进行重构训练的训练集，包括：
8.s1.1、获取数据集，并从中选取k张图像构成训练集；
9.s1.2、分别对k张图像进行降维处理得到一个n2×
k的二维矩阵 x＝{x1,x2,x3…
x
k
}，其中x
k
表示矩阵x的第k列，即为第k张图像的一维向量表示；
10.s2、构建卷积生成对抗网络重构模型，且分别设计生成器g和判别器d的损失函数和网络层结构；
11.s3、设置训练参数，包括一轮训练中的图像数量batch、训练总轮数epoch、 adam优
化器的学习率α、参数β、收敛误差e、以及采样率m；
12.s4、进行重构训练，根据步骤s2设置的损失函数和步骤s3设置的训练参数，生成器g和判别器d分别都用反向传播算法进行交替迭代训练，包括：
13.s4.1、每次从矩阵x中选取batch列{x1,x2,x3…
x
batch
}作为卷积生成对抗网络模型的输入信号，输入到卷积生成对抗网络中，{x1,x2,x3…
x
batch
}为原信号；
14.s4.2、进行压缩采样，原信号{x1,x2,x3…
x
batch
}根据采样率m经过采样卷积层进行采样得到测量值{y1,y2,y3…
y
batch
}并输入到生成器g中，生成器g经过卷积层重构得到重构信号采样过程为：
15.y＝s(x)＝w
n
*x＝wx
16.其中，s()表示采样层的映射过程，w
n
表示卷积核组，n＝m
×
n2表示卷积核的个数，x表示原图像，w表示由卷积核组构成的网络参数矩阵，w表示为：
[0017][0018]
s4.3、固定生成器g，将原信号与重构信号均输入到判别器d中，计算判别器 d的损失并通过反向传播算法更新判别器d的参数；
[0019]
s4.4、固定判别器d,计算生成器g的损失并通过反向传播算法更新生成器g 的参数；
[0020]
s5、收敛判断，根据步骤s3设置的收敛误差e，判断卷积生成对抗网络是否收敛，若收敛，训练完成，得到压缩感知重构模型；若不收敛，重复步骤s4，直至进行epoch轮训练。
[0021]
作为优选方案，在步骤s1中，还包括s1.3、对得到的矩阵x进行预处理，步骤s1.3包括：
[0022]
s1.3.1、稀疏矩阵ψ的初始化。使用随机高斯函数对稀疏矩阵ψ进行初始化，得到一个随机高斯矩阵并设定一个误差值和预置常数δ；
[0023]
s1.3.2、求初始的预处理信号s，将步骤s1.2求得的矩阵x和步骤s1.3.1 求得的稀疏矩阵ψ通过omp(正交匹配追踪)算法求解x＝ψs得到预处理信号s；
[0024]
s1.3.3、逐列更新ψ
(k)
，其中，k表示当前更新的列数，1≤k≤n2，包括：
[0025]
s1.3.3.1、更新第k列，根据
[0026][0027]
计算得到e
k
＝x
‑
∑ψ
i
s
i
；
[0028]
s1.3.3.2、取出s中第k个行向量s
k
不为0的索引集合，并从e
k
取出对应索引不为0的列，得到e'
k
；
[0029]
s1.3.3.3、对e'
k
进行奇异值分解，根据e'
k
＝u∑v
t
求得u，u的第一列对应索引更新
ψ
k
，取∑(1,1)v(
·
,1)
t
对应索引更新s
i
；
[0030]
s1.3.4、重复步骤s1.3.2和步骤s1.3.3，迭代l次，得到矩阵ψ和预处理后的信号s；
[0031]
s1.3.5、计算若e≥δ，重复步骤s1.3.1、s1.3.2、s1.3.3和 s1.3.4；若e＜δ,得到最终的矩阵ψ和预处理信号s，预处理完成；
[0032]
在步骤s4中，步骤s4.1每次从预处理完成后的信号s中选取batch列 {s1,s2,s3…
s
batch
}作为原信号输入到卷积生成对抗网络中。
[0033]
作为优选方案，还包括步骤s6、去预处理，从数据集中选取y张图像组成测试集，从测试集中选取单张图像经过预处理后得到s输入到卷积生成对抗网络中，经过采样和重构后得到预处理后的重构向量再经过去预处理得到原图像x，去预处理过程表示为:
[0034][0035]
其中，ψ为步骤s1.3.5中预处理中得到的矩阵。
[0036]
作为优选方案，在步骤s4.2中，对测量值{y1,y2,y3…
y
16
}进行优化，将测量值{y1,y2,y3…
y
16
}和重构信号输入到优化算法中，计算步骤s4中的采样损失β＝0.01；根据
[0037][0038]
δy＝randn(mean,β)；
[0039]
y＝y
‑
δy；
[0040]
计算得到更新的测量值y并重新输入生成器g，得到新的重构信号。
[0041]
作为优选方案，生成器g和判别器d均由卷积层和激活函数构成，没有全连接层和池化层。
[0042]
作为优选方案，生成器g采用relu作为每层卷积层的激活函数，最后通过tanh 函数后输出。
[0043]
作为优选方案，判别器d采用leakyrelu作为每层卷积层的激活函数，最后通过sigmoid函数后输出。
[0044]
本发明还提供一种基于深度学习的压缩感知重构系统，包括：
[0045]
数据获取模块，用于获取数据集，并从数据集中挑选k张图像构成训练集，对挑选出的k张训练集图像进行降维处理得到原信号；
[0046]
网络训练模块，用于根据设置的训练参数对基于卷积生成对抗网络的重构网络模型进行训练，网络训练模块包括采样子模块和重构子模块；
[0047]
采样子模块用于通过卷积层对原信号进行压缩采样，获得测量信号；
[0048]
重构子模块用于对测量信号进行重构；重构子模块包括生成器单元、判别器单元、生成器更新单元和判别器更新单元；
[0049]
生成器单元用于根据测量信号通过卷积层生成重构信号；
[0050]
判别器单元用于判别输入信号来自于原信号或重构信号；
[0051]
生成器更新单元，用于计算生成器子单元的损失并通过反向传播算法更新生成器
子单元的参数，
[0052]
判别器更新单元，用于计算判别器子单元的损失并通过反向传播算法更新判别器子单元的参数。
[0053]
作为优选方案，本发明的基于深度学习的压缩感知重构系统还包括：
[0054]
预处理模块，用于对原信号进行预处理得到预处理信号；采样子模块对预处理信号进行采样；
[0055]
去预处理模块，用于对训练完成后的生成器单元输出的重构信号进行去预处理得到原图像。
[0056]
作为优选方案，重构子模块还包括测量信号优化单元，用于根据测量信号和重构信号通过优化算法生成新的测量信号并将新的测量信号输入生成器单元。
[0057]
与现有技术相比，本发明的有益效果在于：
[0058]
本发明把压缩采样和重构结合起来，利用卷积层进行采样，本发明的由卷积核组构成的网络参数矩阵，相当于传统压缩感知中的测量矩阵，构建了由测量矩阵到网络层的映射关系，当系统进行训练时，同时更新采样卷积层中的参数，根据数据集中的特征训练得到更合适的测量矩阵，使测量矩阵拥有自适应性，能有更好的图像重构效果。
附图说明
[0059]
图1是本发明实施例的基于深度学习的压缩感知重构方法的流程图。
[0060]
图2是本发明实施例的步骤s4中采样卷积层的映射关系图。
[0061]
图3是本发明实施例的原图像。
[0062]
图4是经过传统凸优化算法重构后的图像。
[0063]
图5是本发明实施例重构后的图像。
[0064]
图6是本发明实施例的基于深度学习的压缩感知重构系统的原理框图。
具体实施方式
[0065]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0066]
如图1所示，本发明优选实施例的一种基于深度学习的压缩感知重构方法，首先选取需要恢复的图像数据集，这里选取小型mnist数据集作为举例说明。具体实施如下:
[0067]
s1、获取进行重构训练的训练集，包括：
[0068]
s1.1、获取数据集，并从中选取k张图像构成训练集，本实施例从数据集中选取1000张图像构成训练集。
[0069]
s1.2、分别对k张图像进行降维处理得到一个n2×
k的二维矩阵 x＝{x1,x2,x3…
x
k
}，其中x
k
表示矩阵x的第k列，即为第k张图像的一维向量表示；本实施例假设每张图像大小为28
×
28(n＝28)，分别对1000张训练集图像进行降维处理得到一个784
×
1000的二维矩阵x＝{x1,x2,x
k
…
x
1000
}。
[0070]
s1.3、对得到的矩阵x进行预处理，步骤s1.3包括：
[0071]
s1.3.1、稀疏矩阵ψ的初始化。使用随机高斯函数对稀疏矩阵ψ进行初始化，得到一个随机高斯矩阵并设定一个误差值和预置常数δ＝10
‑3；
[0072]
s1.3.2、求初始的预处理信号s，将步骤s1.2求得的矩阵x和步骤s1.3.1 求得的稀疏矩阵ψ通过omp(正交匹配追踪)算法求解x＝ψs得到预处理信号 s；
[0073]
s1.3.3、逐列更新ψ
(k)
，其中，k表示当前更新的列数，1≤k≤n2，包括：
[0074]
s1.3.3.1、更新第k列，根据
[0075][0076]
计算得到
[0077]
s1.3.3.2、取出s中第k个行向量s
k
不为0的索引集合，并从e
k
取出对应索引不为0的列，得到e'
k
；
[0078]
s1.3.3.3、对e'
k
进行奇异值分解，根据e'
k
＝u∑v
t
求得u，u的第一列对应索引更新ψ
k
，取∑(1,1)v(
·
,1)
t
对应索引更新s
i
；
[0079]
s1.3.4、重复步骤s1.3.2和步骤s1.3.3，迭代l次，得到矩阵ψ和预处理后的信号s；
[0080]
s1.3.5、计算若e≥δ，重复步骤s1.3.1、s1.3.2、s1.3.3和 s1.3.4；若e＜δ,得到最终的矩阵ψ和预处理信号s，预处理完成。
[0081]
求解得到稀疏矩阵和预处理后的信号，为预处理后的信号，它的所有列作为网络输入新的训练集。首先对信号进行了预处理，对初步测量值进行了优化，使网络可以更好的进行训练，训练完成后的网络可以完成信号的采样和重构，并且相比于传统的重构算法，解决了信号在低采样率下重构难的问题。
[0082]
s2、构建卷积生成对抗网络重构模型，且分别设计生成器g和判别器d的损失函数和网络层结构；已知训练集大小为28
×
28(n＝28)，通道数为1，构建网络模型，包括设计生成器和判别器的损失函数和网络层结构。生成器和判别器都分别是一个独立的网络，它们的训练是独立的，它们的损失函数分别为:
[0083]
生成器的损失函数为:
[0084][0085]
判别器的损失函数为:
[0086][0087]
其中x为原输入图像，g(y)为重构后的图像，y为测量值，p
x
为数据集的分布。生成器的网络结构分别由卷积核大小为4
×
4、3
×
3、3
×
3、3
×
3、6
×
6的5层卷积层构成，最终重构得到逼近原输入的信号。
[0088]
s3、设置训练参数，包括一轮训练中的图像数量batch＝16、训练总轮数epoch＝150、adam优化器的学习率α＝0.0002、参数β＝0.2、收敛误差e、以及采样率m。收敛误差e和采样率m根据实际需求进行调整。
[0089]
s4、进行重构训练，根据步骤s2设置的损失函数和步骤s3设置的训练参数，生成器g和判别器d分别都用反向传播算法进行交替迭代训练，生成器和判别器分别都用反向传播算法进行交替迭代训练。其中生成器和判别器均由卷积层和激活函数构成，没有全连接层
和池化层。生成器采用relu作为每层卷积层的激活函数，最后通过tanh函数后输出。判别器采用leakyrelu作为每层卷积层的激活函数，最后通过sigmoid函数后输出。步骤s5包括：
[0090]
s4.1、每次从预处理后的s中选取batch列{s1,s2,s3…
s
batch
}作为卷积生成对抗网络模型的输入信号，输入到卷积生成对抗网络中，{s1,s2,s3…
s
batch
}为原信号，其中batch＝16，；
[0091]
s4.2、进行压缩采样，原信号{s1,s2,s3…
s
batch
}根据采样率m经过采样卷积层进行采样得到测量值{y1,y2,y3…
y
batch
}并输入到生成器g中，生成器g经过卷积层重构得到重构信号
[0092]
采样过程为：
[0093]
y＝s(x)＝w
n
*x＝wx
[0094]
其中，s()表示采样层的映射过程，w
n
表示卷积核组，n＝m
×
n2表示卷积核的个数，x表示原图像，w表示由卷积核组构成的网络参数矩阵，相当于传统压缩感知中的测量矩阵。w表示为：
[0095][0096]
它的映射关系如图2所示，原输入分别与m个卷积核进行卷积，每组得到一个输出，m个输出构成所需的测量值,相当于将测量矩阵映射到了卷积层参数中，在网络训练的过程中，伴随卷积层参数更新，测量矩阵也在同时更新，使采样具有自适应性。
[0097]
将测量值{y1,y2,y3…
y
16
}和重构信号输入到优化算法中，其中 f(
·
)是单调递增函数，
[0098]
i.计算损失β＝0.01，
[0099]
ii.
[0100]
iii.δy＝randn(mean,β)，
[0101]
iv.y＝y
‑
δy,
[0102]
v.得到更新测量值y并重新输入生成器，得到新的重构信号。
[0103]
s4.3、固定生成器g，将原信号与重构信号均输入到判别器d中，计算判别器 d的损失并通过反向传播算法更新判别器d的参数；
[0104]
s4.4、固定判别器d,计算生成器g的损失并通过反向传播算法更新生成器g 的参数；
[0105]
s5、收敛判断，根据步骤s3设置的收敛误差e，判断卷积生成对抗网络是否收敛，若收敛，即达到收敛误差e，训练完成，提前结束，得到压缩感知重构模型，将采集到的信号输入到生成器g，即可得到重构图像；若不收敛，重复步骤s4，直至进行epoch＝150轮训练。
[0106]
s6、去预处理，网络训练完成后，从数据集中选取y张图像组成测试集，从测试集中选取单张图像经过预处理后得到s输入到卷积生成对抗网络中，经过采样和重构后得到预处理后的重构向量再经过去预处理得到原图像x，去预处理过程表示为:
[0107][0108]
其中，ψ为步骤s1.3.5中预处理中得到的矩阵。
[0109]
本实施例还提供一种基于深度学习的压缩感知重构系统，包括数据获取模块、预处理模块、网络训练模块和去预处理模块，其中：
[0110]
数据获取模块，用于获取数据集，并从数据集中挑选k张图像构成训练集，对挑选出的k张训练集图像进行降维处理得到原信号。
[0111]
预处理模块，用于对原信号进行预处理得到预处理信号，本实施例的预处理模块用于使用随机高斯函数对原信号的矩阵ψ进行初始化，得到一个随机高斯矩阵并设定一个误差值和预置常数δ＝10
‑3，根据原信号和稀疏矩阵ψ通过omp(正交匹配追踪)算法求解x＝ψs得到预处理信号s；根据
[0112][0113]
计算得到e
k
＝x
‑
∑ψ
i
s
i
；取出s中第k个行向量s
k
不为0的索引集合，并从 e
k
取出对应索引不为0的列，得到e'
k
；并对e'
k
进行奇异值分解，根据e'
k
＝u∑v
t
求得u，u的第一列对应索引更新ψ
k
，取∑(1,1)v(
·
,1)
t
对应索引更新s
i
；迭代l 次，得到矩阵ψ和预处理后的信号s。
[0114]
网络训练模块，用于根据设置的训练参数对基于卷积生成对抗网络的重构网络模型进行训练，网络训练模块包括采样子模块和重构子模块；
[0115]
采样子模块用于通过卷积层对预处理信号进行压缩采样，获得测量信号；
[0116]
重构子模块用于对测量信号进行重构；重构子模块包括生成器单元、判别器单元、生成器更新单元、判别器更新单元和测量信号优化单元；
[0117]
生成器单元用于根据测量信号通过卷积层生成重构信号；
[0118]
判别器单元用于判别输入信号来自于原信号或重构信号；
[0119]
生成器更新单元，用于计算生成器子单元的损失并通过反向传播算法更新生成器子单元的参数，
[0120]
判别器更新单元，用于计算判别器子单元的损失并通过反向传播算法更新判别器子单元的参数；
[0121]
测量信号优化单元，用于根据测量信号和重构信号通过优化算法生成新的测量信号并将新的测量信号输入生成器单元。
[0122]
去预处理模块，用于对训练完成后的生成器单元输出的重构信号进行去预处理，本实施例用于根据重构信号和求原图像x。
[0123]
综上，本发明实施例提供一种基于深度学习的压缩感知重构方法，其把压缩采样和重构结合起来，利用卷积层进行采样，本发明的由卷积核组构成的网络参数矩阵，相当于传统压缩感知中的测量矩阵，构建了由测量矩阵到网络层的映射关系，当系统进行训练时，
同时更新采样卷积层中的参数，根据数据集中的特征训练得到更合适的测量矩阵，使测量矩阵拥有自适应性，能有更好的图像重构效果。本方法还对训练集进行了预处理，对训练集进行了优化，减少了计算复杂度，不仅提高了信号的采样效率，还提高了信号的重构性能。在进行信号重构中结合了卷积生成对抗网络模型，去掉了网络中的全连接层，减少了网络中的参数，并可以解决网络初始化差的问题和帮助网络更好的进行梯度下降传播，使得网络训练速度更快，同时还可以防止全连接层参数多而导致的训练过拟合问题。并且，在生成器训练中加入了测量值优化步骤，提高了信号重构的速度和性能。优化后的测量值重新输入重构网络中训练，并且将测量值的优化步长与重构损失值联系起来，在损失值较大时优化的速度较快，在损失值较少时优化的速度降低，防止测量值向量在最优处震荡而无法达到最优。另外，本发明还提供了一种基于深度学习的压缩感知重构系统，用于实现上述基于深度学习的压缩感知重构方法的各步骤，实现了在低采样率的情况下尽可能的恢复原始图像，使重构损失尽可能小。
[0124]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

技术特征：
1.一种基于深度学习的压缩感知重构方法，其特征在于，包括：s1、获取进行重构训练的训练集，包括：s1.1、获取数据集，并从中选取k张图像构成训练集；s1.2、分别对k张图像进行降维处理得到一个n2×
k的二维矩阵x＝{x1,x2,x3…
x
k
}，其中x
k
表示矩阵x的第k列，即为第k张图像的一维向量表示；s2、构建卷积生成对抗网络重构模型，且分别设计生成器g和判别器d的损失函数和网络层结构；s3、设置训练参数，包括一轮训练中的图像数量batch、训练总轮数epoch、adam优化器的学习率α、参数β、收敛误差e、以及采样率m；s4、进行重构训练，根据步骤s2设置的损失函数和步骤s3设置的训练参数，生成器g和判别器d分别都用反向传播算法进行交替迭代训练，包括：s4.1、每次从矩阵x中选取batch列{x1,x2,x3…
x
batch
}作为卷积生成对抗网络模型的输入信号，输入到卷积生成对抗网络中，{x1,x2,x3…
x
batch
}为原信号；s4.2、进行压缩采样，原信号{x1,x2,x3…
x
batch
}根据采样率m通过采样卷积层进行采样得到测量值{y1,y2,y3…
y
batch
}并输入到生成器g中，生成器g经过卷积层重构得到重构信号采样过程为：y＝s(x)＝w
n
*x＝wx其中，s()表示采样卷积层的映射过程，w
n
表示卷积核组，n＝m
×
n2表示卷积核的个数，x表示原图像，w表示由卷积核组构成的网络参数矩阵，w表示为：s4.3、固定生成器g，将原信号与重构信号均输入到判别器d中，计算判别器d的损失并通过反向传播算法更新判别器d的参数；s4.4、固定判别器d,计算生成器g的损失并通过反向传播算法更新生成器g的参数；s5、收敛判断，根据步骤s3设置的收敛误差e，判断卷积生成对抗网络是否收敛，若收敛，训练完成，得到压缩感知重构模型；若不收敛，重复步骤s4，直至进行epoch轮训练。2.根据权利要求1所述的基于深度学习的压缩感知重构方法，其特征在于，在步骤s1中，还包括s1.3、对得到的矩阵矩阵x进行预处理，步骤s1.3包括：s1.3.1、稀疏矩阵ψ的初始化。使用随机高斯函数对稀疏矩阵ψ进行初始化，得到一个随机高斯矩阵并设定一个误差值和预置常数δ；s1.3.2、求初始的预处理信号s，将步骤s1.2求得的矩阵x和步骤s1.3.1求得的稀疏矩阵ψ通过omp(正交匹配追踪)算法求解x＝ψs得到预处理信号s；s1.3.3、逐列更新ψ
(k)
，其中，k表示当前更新的列数，1≤k≤n2，包括：s1.3.3.1、更新第k列，根据
计算得到e
k
＝x
‑
∑ψ
i
s
i
；s1.3.3.2、取出s中第k个行向量s
k
不为0的索引集合，并从e
k
取出对应索引不为0的列，得到e'
k
；s1.3.3.3、对e'
k
进行奇异值分解，根据e'
k
＝u∑v
t
求得u，u的第一列对应索引更新ψ
k
，取∑(1,1)v(
·
,1)
t
对应索引更新s
i
；s1.3.4、重复步骤s1.3.2和步骤s1.3.3，迭代l次，得到矩阵ψ和预处理后的信号s；s1.3.5、计算若e≥δ，重复步骤s1.3.1、s1.3.2、s1.3.3和s1.3.4；若e＜δ,得到最终的稀疏矩阵ψ和预处理信号s，预处理完成；在步骤s4中，步骤s4.1每次从预处理完成后的信号s中选取batch列{s1,s2,s3…
s
batch
}作为原信号输入到卷积生成对抗网络中。3.根据权利要求2所述的基于深度学习的压缩感知重构方法，其特征在于，还包括步骤s6、去预处理，从数据集中选取y张图像组成测试集，从测试集中选取单张图像经过预处理后得到s输入到卷积生成对抗网络中，经过采样和重构后得到预处理后的重构向量再经过去预处理得到原图像x，去预处理过程表示为:其中，ψ为步骤s1.3.5中预处理中得到的稀疏矩阵。4.根据权利要求1所述的基于深度学习的压缩感知重构方法，其特征在于，在步骤s4.2中，对测量值{y1,y2,y3…
y
16
}进行优化，将测量值{y1,y2,y3…
y
16
}和重构信号输入到优化算法中，计算步骤s4中的采样损失β＝0.01；根据δy＝randn(mean,β)；y＝y
‑
δy；计算得到更新的测量值y并重新输入生成器g，得到新的重构信号。5.根据权利要求1所述的基于深度学习的压缩感知重构方法，其特征在于，生成器g和判别器d均由卷积层和激活函数构成，没有全连接层和池化层。6.根据权利要求5所述的基于深度学习的压缩感知重构方法，其特征在于，生成器g采用relu作为每层卷积层的激活函数，最后通过tanh函数后输出。7.根据权利要求5所述的基于深度学习的压缩感知重构方法，其特征在于，判别器d采用leakyrelu作为每层卷积层的激活函数，最后通过sigmoid函数后输出。8.一种基于深度学习的压缩感知重构系统，其特征在于，包括：数据获取模块，用于获取数据集，并从数据集中挑选k张图像构成训练集，对挑选出的k张训练集图像进行降维处理得到原信号；网络训练模块，用于根据设置的训练参数对基于卷积生成对抗网络的重构网络模型进
行训练，网络训练模块包括采样子模块和重构子模块；采样子模块用于通过卷积层对原信号进行压缩采样，获得测量信号；重构子模块用于对测量信号进行重构；重构子模块包括生成器单元、判别器单元、生成器更新单元和判别器更新单元；生成器单元用于根据测量信号通过卷积层生成重构信号；判别器单元用于判别输入信号来自于原信号或重构信号；生成器更新单元，用于计算生成器子单元的损失并通过反向传播算法更新生成器子单元的参数，判别器更新单元，用于计算判别器子单元的损失并通过反向传播算法更新判别器子单元的参数。9.根据权利要求8所述的基于深度学习的压缩感知重构系统，其特征在于，还包括：预处理模块，用于对原信号进行预处理得到预处理信号；采样子模块对预处理信号进行采样；去预处理模块，用于对训练完成后的生成器单元输出的重构信号进行去预处理得到原图像。10.根据权利要求8所述的基于深度学习的压缩感知重构系统，其特征在于，重构子模块还包括测量信号优化单元，用于根据测量信号和重构信号通过优化算法生成新的测量信号并将新的测量信号输入生成器单元。
技术总结
本发明涉及图像压缩感知重构技术领域，公开了一种基于深度学习的压缩感知重构方法及系统，其把压缩采样和重构结合起来，利用卷积层进行采样，构建了由测量矩阵到网络层的映射关系，在系统进行训练的同时更新采样卷积层中的参数，根据数据集中的特征训练得到更合适的测量矩阵，使测量矩阵拥有自适应性，能有更好的图像重构效果，还对训练集进行了预处理，减少了计算复杂度，提高了采样效率。在进行信号重构中结合了卷积生成对抗网络模型，去掉了网络中的全连接层，使训练速度更快，还可防止全连接层参数多而导致的训练过拟合问题。并且，在生成器训练中加入了测量值优化步骤，提高了信号重构的速度和性能。信号重构的速度和性能。信号重构的速度和性能。


技术研发人员：方毅 刁梓键 陈康健 韩国军
受保护的技术使用者：广东工业大学
技术研发日：2021.04.02
技术公布日：2021/6/29