面向图像压缩感知的深度学习重建算法研究

发布时间：2024-05-18 19:44

　　随着时代的发展和科技的进步,人们对信息的需求量日益剧增。大量信息数据的获取、压缩、传输以及存储等面临着巨大的压力。然而,传统的数据采样方式需要依据奈奎斯特定理才能高质量地恢复出原始信号,即根据奈奎斯特定理,数据的采样率必须至少为信号带宽的两倍。近年来,压缩感知理论(Compressive sensing,CS)的提出,打破了奈奎斯特定理对采样率的限制,使采样率低于信号带宽的两倍成为可能。并且,压缩感知理论可以在实现信号采样过程的同时完成信号的压缩,将压缩和采样过程合二为一,极大地节省了采集信号的存储空间。由于压缩感知重建算法是压缩感知理论的重点所在,其对于推动压缩感知的进一步实际应用有着十分重要的作用,因此,本文将深度学习网络引入到压缩感知重建算法当中,主要工作包括:(1)提出了一个基于卷积神经网络的兼容传统采样的压缩感知图像重建算法(Compatibly Sampling Reconstruction Network,CSRNet)。该方案用于从随机矩阵采样得到的测量值中重建高质量图像。该方案采用非迭代的计算方式,计算复杂度低、重建速度快,而且在低采样率下也有很好的重建效果。CSRN...

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图１－１传统的信号压缩处理过程??Ｆｉｇｕｒｅ?１－１?Ｔｈｅ?ｐｒｏｃｅｄｕｒｅ?ｏｆ?ｔｒａｄｉｔｉｏｎａｌ?ｓｉｇｎａｌ?ｃｏｍｐｒｅｓｓｉｖｅ?ｐｒｏｃｅｓｓ??

１绪论??研究背景及意义??近年来，信息科技和互联网技术不断发展，人们获取信息的途径和方式也随??息技术的更新变得便捷多样。因此，信息的获取与处理是目前最热门的研究??之一。处身于信息高速传输的大数据时代，人们对信息的需求量日益增加，??大量信息数据的处理迫在眉睫。伴随着移动通信....

图１－２基于压缩感知理论的信号采集和重建框图??Ｆｉｇｕｒｅ?１－２?Ｔｈｅ?ｓａｍｐｌｉｎｇ?ａｎｄ?ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ?ｏｆ?ｓｉｇｎａｌ?ｉｎ?ＣＳ??

Ｓｅｎｓｉｎｇ，ＢＣＳ）理论［７Ｕ压缩感知理论指出，对于可压缩信号，可以通过远低于奈??奎斯特定理要求的采样速率对其进行采样压缩，并能够根据测量值精确地重建出??该信号，其框架如图１－２所示。压缩感知也称作压缩采样，即将采样和压缩两个过??程合二为一。由于大量信号本身或者通过某种....

图１－３图像稀疏变换示意图??

Ｔｒａｎｓｆｏｒｍ，?ＤＷＴ）＿、傅里叶变换、Ｃｕｒｖｅｌｅｔ?变换［１１］和离散余弦变换（Ｄｉｓｃｒｅｔｅ?Ｃｏｓｉｎｅ??Ｔｒａｎｓｆｏｒｍ，ＤＣＴ）［１２＾。例如，对Ｌｅｎａ图像采用离散Ｈａａｒ小波变换，其频域稀疏??系数如图１－３所示。??ｎｉｆ?—??ｎ?ｍｔａｍ，：?....

图１－４压缩测量示意图??Ｆｉｇｕｒｅ?１－４?Ｔｈｅ?ｄｉａｇｒａｍ?ｏｆ?ＣＳ?ｓａｍｐｌｉｎｇ??

?（１－６）??该式中，／ｅｉ？＇?Ｏｅ，ｘＷ为测量矩阵，定义Ｊ?＝?Ｏ屮为感知矩阵（Ｓｅｎｓｉｎｇ??Ｍａｔｒｉｘ）。公式（１－６）也可以用图１－４描述。值得注意的是，当可压缩信号为稀疏信号??时，屮＝￡，３?＝?０甲即感知矩阵ｄ与测量矩阵０）为同一矩阵。??ｙ?〇?ｉｐ?ｓ?....

本文编号：3977267