CN119417918A 基于Swin Transformer网络的压缩成像方法及系统 （中国科学院长春光学精密机械与物理研究所）

基于SwinTransformer网络的压缩成像方种基于SwinTransformer网络的压缩成像方法样处理获得编码图像，再利用编码图像对基于2S1：获取数据集，并使用CC哈达玛矩阵对所述数据集中的S4：将步骤S1得到的测试集输入到步骤S3的压缩重排列为一个BxB大小的哈达玛子矩阵；将所述哈达玛子矩阵中元素相同的一个区域视为一S12：将步骤S11中的所有哈达玛子矩阵按块的个数S14：将步骤S13中的所有图像块与步骤S11中的第j个哈达玛子矩阵对应元素相乘后，再将相乘结果相加得到对应像素值，其中je{1,2,…,M}，进而得到大小为H/WxW/B的低分辨率图像；将所述低分辨率图像按之字形排列得到一个1xS15：重复M次步骤S14得到M个1xN大小的向量；将M个1xN大小的向量组成一个MxN大3.根据权利要求1所述的基于SwinTransformer网络的压缩成像方法，其特征在于：步骤S2中的浅层特征提取模块包括3x3卷积层，即所述输入图块的3x3卷积操作后得到浅层特征。4.根据权利要求3所述的基于SwinTransformer网络的压缩成像方法，其特征在于：块嵌入特征经过不少于2个的残差提取层后得到残差特征；所述残差特征经过3x3卷积层在所述块嵌入层中，对所述浅层特征中的每个特征图进行分块5.根据权利要求4所述的基于SwinTransformer网络的压缩成像方法，其特征在于：3在所述ST层中，输入特征经过归一化层后进入并行MSA层中6.根据权利要求5所述的基于SwinTransformer网络的压缩成像方法，其特征在于：7.根据权利要求5所述的基于SwinTransformer网络的压缩成像方法，其特征在于：步骤S2中的残差特征重建模块包括3x3卷积层，即所述深层特征块的3x3卷积操作后，再将3x3卷积操作得到的特征与所述输入图像对应元素相加，得到所述处理中心内设置有如权利要求1~7任意一项所述的基于SwinTransformer网络的9.根据权利要求8所述的基于SwinTransformer网络的压缩成像系统，其特征在于：4[0002]压缩感知(CompressiveSensing,CS)理论能够在原始信号满足稀疏性的条件5排列为一个B×B大小的哈达玛子矩阵；将哈达玛子矩阵中元素相同的一个区域视为一个×N大小的压缩信号矩阵，将压缩信号矩阵与步骤S13得到的CC哈达玛矩阵的伪逆矩阵相[0010]进一步的，在残差提取层中，输入特征依次经过不少于2个的ST层和3×3卷积层特征重建模块的3×3卷积操作后，再将3×3卷积操作得到的特征与输入图像对应元素相6处理中心内设置有如本发明提供的基于SwinTransformer网络的压缩成像方法得到的最图1为本发明创造实施例所述的基于SwinTransformer网络的压缩成像方法的流图3为本发明创造实施例所述的基于SwinTransformer网络的压缩成像系统的结基于附图所示的方位或位置关系，仅是为了便于描述本发明创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解7[0023]如图1所示，本发明创造实施例所述的基于SwinTransformer网络的压缩成像方。xinit的每一列恢复成B×B大小的图像块，至此得到N个图像块，再将N个图像块按之字形[0026]在完成上述步骤获取到编码图像后，对编码图像及其对应的原始图像进行旋转、依次经过浅层特征提取模块和深层特征提取模块的特征提取后，再经过残差特征重建模8MSA层的输出特征与块嵌入特征对应元素相加后得到第一特征；第一特征经过归一化层进[0032]在并行MSA层中，在不同的GPU节点中同时利用窗口对输入的特征同时进行MSA操结果调整步骤S3的训练过程中的超参数，并重复步骤S3，直至得到最优压缩重建模型。其使用最为广泛的一种图像客观评价指标，用来衡量被压缩图像的质量，单位通常以分贝[0037]本发明实施例还提供了一种基于SwinTransformer网络的压缩成像系统，如图39如，本发明公开中记载的各步骤可以并行地执行