基于深度先验的相位恢复算法研究

发布时间：2021-09-01 00:47

　　相位恢复问题是指仅通过信号傅里叶变换（或其它线性变换）的幅值恢复原始信号。由于相位信息的缺失,该问题是一个不适定问题,因此需要利用图像先验来确保精确重构。该文针对基于正则项的图像重构算法具有计算复杂度高和在存在噪声下重构精度低的缺陷,将传统相位恢复算法与卷积神经网络相结合,对上述问题进行改善。具体的研究内容如下:首先,针对实际应用中重构图像会受到噪声干扰的情况,该文训练去除图片噪声的深度残差卷积神经网络（Residual Learning of Deep CNN for Image Denoising,DnCNN）模型作为去噪算子,引入l₂范数模型作为正则项,起到限制解空间范围、降低模型复杂度的作用,提出了基于DnCNN-l₂范数的相位恢复算法。该模型是非凸的,通过交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）求解此非凸优化问题。最后通过实验对比,验证该算法的有效性。其次,为了改善添加₂l范数模型作为正则项的相位恢复算法具有计算复杂度高、求解速度慢的缺陷... 

【文章来源】：燕山大学河北省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

图1-1两幅图像交换相位信息示意图

图 3-1 DnCNN 网络结构残差网络差网络(Residual Network, ResNet)[32]2015 年由 He 等人提出，在 201大赛上取得瞩目成绩，残差学习的效果如此好的原因之一是与其他网差网络具有更深的网络层数。卷积神经网络的每一层输出是当前层提，这些特征并不是单一层次的，包含了低层、中层和高层，所以网络取的特征信息会越多，不同层次间特征信息的组合也随之增多。然而深会产生梯度消失和梯度爆炸的问题，传统的解决办法为梯度裁剪、用非线性激活函数和批量归一化等，梯度问题虽然解决，但更为严重层数加深导致的网络性能退化，即虽然网络越来越深，却越来越难以征信息。用残差的思想设计网络来解决退化问题，同时也解决了梯度络性能大大提高。残差块结构如图 3-2 所示。

图 3-1 DnCNN 网络结构差网络网络(Residual Network, ResNet)[32]2015 年由 He 等人提出，在 20赛上取得瞩目成绩，残差学习的效果如此好的原因之一是与其他网络具有更深的网络层数。卷积神经网络的每一层输出是当前层这些特征并不是单一层次的，包含了低层、中层和高层，所以网的特征信息会越多，不同层次间特征信息的组合也随之增多。然会产生梯度消失和梯度爆炸的问题，传统的解决办法为梯度裁剪非线性激活函数和批量归一化等，梯度问题虽然解决，但更为严数加深导致的网络性能退化，即虽然网络越来越深，却越来越难信息。用残差的思想设计网络来解决退化问题，同时也解决了梯性能大大提高。残差块结构如图 3-2 所示。


本文编号：3375942