A recuperação eficiente e de alta probabilidade e alta qualidade do sinal original a partir de uma quantidade muito pequena de medições é o problema central na pesquisa de reconstrução de imagens por sensoriamento comprimido. Pesquisadores propuseram sucessivamente algoritmos tradicionais e baseados em aprendizado profundo para a reconstrução de imagens por sensoriamento comprimido. Algoritmos tradicionais geralmente se baseiam em modelos de otimização iterativa, cuja qualidade e velocidade de reconstrução não podem ser garantidas; algoritmos baseados em aprendizado profundo apresentam qualidade de reconstrução relativamente alta, mas carecem de interpretabilidade física. Inspirado pelo fluxo de filtragem, este artigo propõe um modelo profundo de reconstrução de imagens por sensoriamento comprimido que combina características globais e locais (G2LNet), que utiliza camadas convolucionais para realizar a amostragem comprimida e o processo de reconstrução inicial, utilizando convolução rápida de Fourier e fluxo de filtragem, considerando tanto as informações do contexto global da imagem quanto as informações do vizinho local do pixel, aprendendo conjuntamente a otimizar a matriz de medição e o fluxo de filtragem, estabelecendo uma rede profunda completa treinável de ponta a ponta para reconstrução de imagens por sensoriamento comprimido. Os experimentos verificaram resultados satisfatórios de reconstrução nos conjuntos de teste comumente usados Set5, Set11 e BSD68. Com uma taxa de amostragem de 20%, a qualidade da reconstrução de imagens do G2LNet melhorou em média 2,29 dB e 0,51 dB em PSNR em relação ao algoritmo tradicional clássico MH e ao algoritmo baseado em aprendizado profundo CSNet, respectivamente, melhorando efetivamente a qualidade das imagens reconstruídas.

sensoriamento comprimido;reconstrução de imagens;convolução rápida de Fourier;fluxo de filtragem;rede neural profunda