基于深度学习的压缩感知成像技术研究

By using compressive sensing in acquisition, images are compressed while they are captured. With the compressive measurements, images may be reconstructed with far fewer measurements than the number of pixels in the original images. Very often, the iterative nature of the solutions to the optimization problems renders the algorithms computationally expensive and leads to low speed in image reconstruction. Recently, deep networks have been introduced to the compressive sensing imaging and bring another way to solve the reconstruction problem. Firstly, the reconstruction networks change the reconstruction process from iterative calculation to non-iterative calculation. Secondly, the new measurement matrices can be produced from the reconstruction network. In the project, deep networks are used to in compressive sensing image measurement and reconstruction and seek to reconstruction the compressive image with high speed and quality. We will design the reconstructed network to compressive sensing image reconstruction with give measurements and design the end to end measurement-reconstruction networks to learn new measurement matrices. Furthermore, local similarity in image and non-similarity among images are introduced in the networks to improve the quality of reconstructed images to achieve reconstruction of high speed and quality.

压缩感知成像在采集的同时对数据进行压缩，利用少量的测量值重建出原始图像。目前压缩感知图像重建过程都基于迭代算法求解约束问题，并行度难以提高，从而导致重建速度慢，成为阻碍压缩感知成像应用的瓶颈。近年来，有研究工作开始尝试将深度学习应用到压缩感知成像中，一方面将原有的图像重建问题，从最优化问题求解所必须的迭代计算，转变为不需迭代的深度网络重建问题；另一方面，深度学习可以训练得到更为有效的测量矩阵；这两方面的突破，使得快速高质量的压缩感知成像成为可能。在本项目中我们将面向快速高质量的压缩感知成像，利用深度学习技术开展压缩感知图像测量与重建工作。构建特定测量矩阵压缩感知重建网络，实现快速非迭代的压缩感知图像重建；构建端对端压缩感知图像测量-重建深度网络，学习更为高效的测量矩阵；进一步在网络设计过程中引入图像内部的局部相似性和图像的非相似性，提高网络的重建质量，最终实现压缩感知图像的快速高质量重建。

压缩感知成像在采集的同时对数据进行压缩，利用少量的测量值重建出原始图像。目前压缩感知图像重建过程都基于迭代算法求解约束问题，并行度难以提高，从而导致重建速度慢，成为阻碍压缩感知成像应用的瓶颈。近年来，有研究工作开始尝试将深度学习应用到压缩感知成像中，一方面将原有的图像重建问题，从最优化问题求解所必须的迭代计算，转变为不需迭代的深度网络重建问题；另一方面，深度学习可以训练得到更为有效的测量矩阵；这两方面的突破，使得快速高质量的压缩感知成像成为可能。在本项目中我们采用了面向快速高质量的压缩感知成像，利用深度学习技术开展压缩感知图像测量与重建工作。我们提出了一种局部测量的采样方法，该方法包括一种基于图像局部相似性而提出的局部测量方法和其对应的重建网络，从而实现快速非迭代的压缩感知图像重建；提出了基于显著性的非均匀压缩感知成像，这种方法利用图像显著性图在高显著区域分配高的采样密度，在低显著区域分配低采样密度，从而减少了原始信号的维度，从另一方面提升了采样率，使得重建质量提高。针对我们的非均匀采样方法，我们设计了传统重建算法的改进方法，这种改进方法充分利用了非均匀采样方法，同时不需要更改算法的处理流程，让算法能够直接处理二维的图像数据；提出了一种双光路的自适应压缩感知成像设备，设计并实现了一种双光路的成像设备，同时也提出了一种滤波和重建的网络，经过训练，这种重建网络能够得到更好的成像效果，经过滤波网络的处理，测量值中的噪声得到了抑制，即使在传统压缩感知重建算法上也能够有很好的重建质量。整体算法的提出和设备的设计，最终实现了压缩感知图像的快速高质量重建。