1.一种基于深度学习的压缩感知图像重建算法,其特征在于,方法步骤如下:S1:对图像数据进行预处理,包括提取数据的灰度值和对图像进行分块;
S2:对已经切分好的图像块进行测量,获得测量矩阵;
S3:构建一个10层的深度压缩感知重建网络;
S4:在深度学习框架中对10层网络进行训练;
S5:在经过深度神经网络后,得到重建图像块,按照索引,对图像块按照原始行列值进行重排;
S6:图像块经过重排得到重建图像后,选择BM3D去噪器对图片进行降噪处理,最终得到重建图像;
所述S1中选取100张图像,其中90张作为训练集,10张作为测试集,每张图像不重叠的划分为33×33的小块;
所述S3中构建一个10层的深度压缩感知重建网络,其中1‑4层为堆叠自动编 码器,5‑
10层为卷积层构成的网络:
3‑1)网络的第一层全连接层与输入图像块转化成的列向量x连接,按照 不同的测量率设置不同的神经元个数C,完成压缩感知中的测量操作;激活函数为ReLU函数,输出C维的列向量y,其计算过程可用如下过程表示:y=T(W1x+b1);
其中,T表示ReLU激活函数,W1表示第一层神经元权值参数向量,b1表示第一层神经 元偏置;
3‑2)网络的第二层全连接层与第一层全连接,设置1089个神经元,它将第一层的输出y作为输入,输出 激活函数为ReLU函数,其计算过程可用如下公式表示:;
其中,T表示ReLU激活函数,W2表示第二层神经元权值参数向量,b2表示第二层神经 元偏置;
3‑3)网络的第三层全连接层,与第二层全连接,设置272个神经元,它将第二层的输出作为输入,输出 激活函数为ReLU函数,其计算过程可用如下公式表示:;
其中,T表示ReLU激活函数,W3表示第三层神经元权值参数向量,b3表示第三层神经 元偏置;
3‑4)网络的第四层全连接层,与第三层全连接,设置1089个神经元,它将第三层的输出作为输入,输出初步重建图像块向量 激活函数为ReLU函数,其计算过 程可用如下公式表示:;
其中,T表示ReLU激活函数,W4表示第四层神经元权值参数向量,b4表示第四层神经 元偏置;
3‑5)将初步重建图像块向量 按原行列重新排列成33*33图像块,得到初 步重建图像块;
进一步的,用卷积神经网络对图像块进行精确重建;将初步重建图像输入卷积神 经网络处理,为了保证在图像过程中保持图像的大小不变,本在图像块每次输入一个卷积层后,得到新的特征图,需 进行适当的补零操作,保持图像大小等于原图像块大小,下面依次对每一个卷积层进行详 细描述;
3‑6)将步骤3‑5)中得到的初步重建图像输入网络的第五层卷积层,第五层卷积层 采用64个大小为11×11的卷积核,生成64个大小为33×33的特征图,第五卷积层的补零数 量为5中得补零相区别,卷积层中的补零为在图像周边补一圈零,激活函数为ReLU;
3‑7)网络的第六层卷积层与第五层卷积层相连接,采用32个大小为1*1的卷积核, 生成32个大小为33×33的特征图,第六层卷积层的补零数量为0,激活函数为ReLU;
3‑8)网络的第七层卷积层与第六层卷积层相连接,采用1个大小为7*7的卷积核, 生成1个大小为33×33的特征图,第七层卷积层的补零数量为3,激活函数为ReLU;
3‑9)网络的第八层卷积层与第七层卷积层相连接,采用64个大小为11*11的卷积 核,生成64个大小为33×33的特征图,第八层卷积层的补零数量为5,激活函数为ReLU;
3‑10)网络的第九层卷积层与第八层卷积层相连接,采用32个大小为1*1的卷积 核,生成32个大小为33×33的特征图,第九层卷积层的补零数量为0,激活函数为ReLU;
3‑11)网络的第十层卷积层与第九层卷积层相连接,采用1个大小为7*7的卷积核, 第十层卷积层的补零数量为3,不使用激活函数输出,生成大小为33×33的重建图像块。
2.根据权利要求1所述的一种基于深度学习的压缩感知图像重建算法,其特征在于,所述S2中采用随机高斯矩阵Φ进行测量处理,按照不同的测量率MR,MR=0 .25、0 .10、0 .04或0 .01。
3.根据权利要求1所述的一种基于深度学习的压缩感知图像重建算法,其特征在于,所述S3中1‑4层为堆叠自动编码器,5‑10层为卷积层构成的网络。
4.根据权利要求1所述的一种基于深度学习的压缩感知图像重建算法,其特征在于,所述S4中采用采用无监督的方式训练,损失函数如下:;
th th
表示训练集中图像块的总数量,xi为i 个图像块,F(xi ,{W})表示第i 个图像块的输出,{W}={W1 ,b1 ,W2 ,b2 ....W10 ,b10}。
5.根据权利要求1所述的一种基于深度学习的压缩感知图像重建算法,其特征在于,所述S5中需将补零部分去除。