买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜浙江工业大学申请的专利一种基于学习采样和卷积神经网络的压缩感知重构方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115035209B 。

龙图腾网通过国家知识产权局官网在2025-06-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210861434.5，技术领域涉及：G06T11/00；该发明授权一种基于学习采样和卷积神经网络的压缩感知重构方法是由钱丽萍;蔡一鸣;吴湾湾;童昊和设计研发完成，并于2022-07-20向国家知识产权局提交的专利申请。

本一种基于学习采样和卷积神经网络的压缩感知重构方法在说明书摘要公布了：一种基于学习采样和卷积神经网络的压缩感知重构方法，对于一个图像输入，经过系统模型，能够以低采样率采样并重构还原。本发明将CSNet网络以及CombNet网络相结合，并以小波变换作为去噪手段，实现在低采样率的情况下最大程度地重构图像，能够很好地改善信号传输带宽问题，节约传输时间和存储空间，使得压缩感知技术在信号传输以及图像压缩领域拥有更高的效率以及更好的性能。

本发明授权一种基于学习采样和卷积神经网络的压缩感知重构方法在权利要求书中公布了：1.一种基于学习采样和卷积神经网络的压缩感知重构方法，其特征在于，所述方法包括以下步骤：1在图像预处理阶段中的操作如下：将所要重建的图像x0重新构造成为1024×1024大小的图像矩阵x1，并记录下图像原始尺寸信息；再对该矩阵进行分割，划分为标准化的图像矩阵块，记为i∈[1,n]，同时记录下位置信息，n为图像按指定大小分割后的图像矩阵块总个数；2在采样阶段中采用学习采样代替传统的固定观测矩阵采样，用学习得到的卷积核conv1对输入图像矩阵块进行矩阵稀疏操作，得到采样信号y0，然后采用卷积核conv2对采样信号y0进行初始重构操作，得到信号y1，最后经过重组和拼接得到图像矩阵采样信号，记为y2；3将图像采样输出信号y2输入到训练好的CombNet网络中，CombNet网络由全连接层和卷积层构成，在通过1个全连接层和10个卷积层后，该网络在最后重构出输入图像矩阵块，记为4在得到该张图像的所有图像矩阵块后，通过位置信息，将组合为原始图像的重构图，i∈[1,n]，记为x′1；5在小波去噪阶段的操作如下：将得到的原始图像的重构图x′1经过一级小波变换DWT后分解得到1个低频信号和3个高频信号，其中将低频信号保留不变，而分别对高频分量进行去噪，去噪的具体的操作是通过第一个卷积层、非线性变换层ReLU以及第二个卷积层，将三个经过去噪处理的高频分量和未经处理的低频分量经过小波逆变换IDWT得到去噪后的原始图像重构图x″1，6最后根据原始图像尺寸信息重建出原始图像x″0，即可实现图像通过神经网络压缩重构的方法；所述步骤3中，图像重构过程如下：将图像采样输出信号y2先输入到全连接层中，其中信号y2的维度为n×1，全连接层与1024个神经元一一连接，之后经过10个卷积层，以获得最后的32×32重构图像矩阵块这些卷积层的结构如下：第一层和第二层使用1×1大小的卷积核，输出分别为128个和64个特征矩阵；第三层使用了9×9大小的卷积核，输出为64个特征矩阵，第四层使用了7×7大小的卷积核，输出为32个特征矩阵；第五层和第六层分别使用了3×3和1×1大小的卷积核，输出为16个特征矩阵；第七、八、九层分别使用3×3、5×5、3×3大小的卷积核，输出均为1个特征矩阵；第十层使用了3×3大小的卷积核，输出了图像重建块其中在每经过一个卷积层后需要通过一个非线性变换层ReLU，在网络训练时的损失函数用以下公式表示： m：训练集中总的图像块个数；yi：图像块中低分辨率的重构图像；xi：图像块中高分辨率的原始图像；网络的训练同样采用随机梯度下降SGD训练算法，卷积操作用如下公式表达： Wi：表示第i层卷积核的权值向量； 表示内积操作；bi：表示第i层的偏移向量；fx：表示非线性激励函数；Hi：表示第i层的特征图向量表征。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。