(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211264253.0 (22)申请日 2022.10.17 (71)申请人 广东工业大 学 地址 510060 广东省广州市越秀区东 风东 路729号大院 申请人 人工智能与数字经济广东省实验室 （广州） (72)发明人 张军　刘忠俊　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 任文生 (51)Int.Cl. G06T 11/00(2006.01) G06N 3/04(2006.01) G06T 3/40(2006.01) (54)发明名称 一种基于压缩感知网络的图像重构方法和 装置 (57)摘要 本申请公开了一种基于压缩感知网络的图 像重构方法和装置， 对原始图像信号进行采样得 到采样图像信号， 进而初始化得到初始重构图像 信号； 将采样图像信号和初始重构图像信号输入 到压缩感知网络中， 通过压缩感知网络中的多层 卷积加权模块进行信号加权， 得到多层重构图像 信号， 并根据相邻两层重构图像信号之间的相关 性来优化重构图像信号； 根据最终重构图像信号 和原始图像信号更新网络参数； 通过训练好的压 缩感知网络对待重构图像信号进行图像重构， 改 善了现有技术采用循环神经网络对重构信号进 行加权， 对加权矩阵有很大的限制， 以及利用重 构信号中每列信号的相似性来设计模 型， 由于每 列信号的相似性的稳定性较差， 导致重构结果稳 定性较差的技术问题。 权利要求书2页 说明书10页 附图4页 CN 115330901 A 2022.11.11 CN 115330901 A 1.一种基于 压缩感知网络的图像重构方法， 其特 征在于， 包括： 对原始图像信号进行采样， 得到采样图像信号； 基于所述采样图像信号初始化重构图像信号， 得到初始重构图像信号； 将所述采样图像信号和所述初始重构图像信号输入到压缩感知网络 中， 通过所述压缩 感知网络中的多层卷积加权模块进行信号加权， 得到多层重构图像信号， 并根据相邻两层 重构图像信号之间的相关性 来优化重构图像信号， 得到最终重构图像信号； 根据所述最终重构图像信号和 原始图像信号计算损失值， 通过所述损失值更新所述压 缩感知网络的网络参数， 得到训练好的压缩感知网络； 通过所述训练好的压缩感知网络对待重构图像信号进行图像重构， 得到重构图像信 号。 2.根据权利要求1所述的基于压缩感知网络的图像重构方法， 其特征在于， 所述对原始 图像信号进行采样， 得到采样图像信号， 包括： 通过测量矩阵对所述原 始图像信号进行采样， 得到采样图像信号。 3.根据权利要求1所述的基于压缩感知网络的图像重构方法， 其特征在于， 所述基于所 述采样图像信号初始化重构图像信号， 得到初始重构图像信号， 包括： 基于所述采样图像信号、 稀疏字典和测量矩阵初始化重构图像信号， 得到初始重构图 像信号。 4.根据权利要求1所述的基于压缩感知网络的图像重构方法， 其特征在于， 所述压缩感 知网络为多层迭代模型， 每一层对应的目标函数为： ； 式中，X(k)为第k层重构图像信号， Y为采样图像信号， A为测量矩阵， D为稀疏字典， 为第 一非负正则化参数， 为第二非负正则化参数， 为卷积加权模块， B、C为卷积核大小为3*3的滤波器， Relu( )为修正线性单元激活函数， F为预测矩阵， 是压缩 感知网络的可 学习参数， X(k‑1)为第k‑1层重构图像信号。 5.根据权利要求4所述的基于压缩感知网络的图像重构方法， 其特征在于， 所述压缩感 知网络的损失函数为： ； 式中，Nb为采样图像信号的总数， Np为压缩感知网络层数， N为采样图像信号的大小， 为第i个采样图像对应的最终重构图像信号， Si为第i个原始图像信号， W(k)为第k层卷 积加权模块， 为第k层与W(k)形成对称关系的卷积加权模块， 为第i个重构图像信 号在第k层的稀疏信号， 为第三正则化参数。 6.一种基于 压缩感知网络的图像重构装置， 其特 征在于， 包括：权　利　要　求　书 1/2 页 2 CN 115330901 A 2采样单元， 用于对原 始图像信号进行采样， 得到采样图像信号； 初始化单元， 用于基于所述采样图像信号初始化重构图像信号， 得到初始重构图像信 号； 重构优化单元， 用于将所述采样图像信号和所述初始重构图像信号输入到压缩感知网 络中， 通过所述压缩感知网络中的多层卷积加权模块进行信号加权， 得到多层重构图像信 号， 并根据相邻两层重构图像信号之间的相关性来优化重构图像信号， 得到最终重构图像 信号； 训练单元， 用于根据所述最终重构图像信号和原始图像信号计算损 失值， 通过所述损 失值更新所述压缩感知网络的网络参数， 得到训练好的压缩感知网络； 重构单元， 用于通过所述训练好的压缩感知网络对待重构图像信号进行图像重构， 得 到重构图像信号。 7.根据权利要求6所述的基于压缩感知网络的图像重构装置， 其特征在于， 所述采样单 元， 具体用于： 通过测量矩阵对所述原 始图像信号进行采样， 得到采样图像信号。 8.根据权利要求6所述的基于压缩感知网络的图像重构装置， 其特征在于， 所述初始化 单元， 具体用于： 基于所述采样图像信号、 稀疏字典和测量矩阵初始化重构图像信号， 得到初始重构图 像信号。 9.根据权利要求6所述的基于压缩感知网络的图像重构装置， 其特征在于， 所述压缩感 知网络为多层迭代模型， 每一层对应的目标函数为： ； 式中，X(k)为第k层重构图像信号， Y为采样图像信号， A为测量矩阵， D为稀疏字典， 为第 一非负正则化参数， 为第二非负正则化参数， 为卷积加权模块， B、C为卷积核大小为3*3的滤波器， Relu( )为修正线性单元激活函数， F为预测矩阵， 是压缩 感知网络的可 学习参数， X(k‑1)为第k‑1层重构图像信号。 10.根据权利要求9所述的基于压缩感知网络的图像重构装置， 其特征在于， 所述压缩 感知网络的损失函数为： ； 式中，Nb为采样图像信号的总数， Np为压缩感知网络层数， N为采样图像信号的大小， 为第i个采样图像对应的最终重构图像信号， Si为第i个原始图像信号， W(k)为第k层卷 积加权模块， 为第k层与W(k)形成对称关系的卷积加权模块， 为第i个重构图像信 号在第k层的稀疏信号， 为第三正则化参数。权　利　要　求　书 2/2 页 3 CN 115330901 A 3