基于深度压缩感知网络的图像重构研究

发布时间：2021-05-20 23:26

　　随着大数据信息时代的来临,依靠传统采样定理对数据采样的缺点变得愈发明显。压缩感知作为一种新兴的数据采样理论,在已知信号是可压缩的或者在某个变换域内可被稀疏表示的条件下,利用少量的低维测量值便可以重构出较好的重构信号。压缩感知重构算法是压缩感知理论的重点,传统迭代优化的压缩感知重构算法计算复杂度高,并且重构效果不太理想。随着深度学习的发展,基于深度压缩感知网络的图像重构算法成为研究热点。因此,本文主要围绕深度压缩感知网络对图像重构进行研究,主要工作包括:（1）针对现有的深度压缩感知网络CSnet中对采样得到的测量值使用不足,以及初始重构过程中存在图像块的拼接操作问题,提出了一种基于多通道特征残差的深度压缩感知重构算法（MI-CSnet）。该算法主要以CSnet为基础,通过全连接模拟采样率对应的测量值在初始重构的变换过程,提出多通道初始重构的思想。在初始重构模块中使用设计的图像块网络BlockNet对初始重构过程中产生的图像块进行加深。接着将残差学习的思想对深度重构模块进行改进,MI-CSnet主要包括采样模块、初始重构模块和深度重构模块,采用模块化的设计能能够更直观模拟压缩感知的过程。通... 

【文章来源】：湖南师范大学湖南省 211工程院校

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 传统迭代的压缩感知重构算法研究现状
        1.2.2 基于深度压缩感知网络的重构算法研究现状
    1.3 论文的研究内容
    1.4 论文的组织结构
第2章 相关理论和技术基础
    2.1 压缩感知理论
        2.1.1 信号的稀疏表示
        2.1.2 测量矩阵的设计
        2.1.3 重构算法的设计
    2.2 深度学习相关知识
        2.2.1 发展进程
        2.2.2 卷积神经网络
        2.2.3 残差学习
    2.3 深度压缩感知网络
        2.3.1 SDA网络模型
        2.3.2 ReconNet网络模型
        2.3.3 CSnet网络模型
    2.4 深度去噪网络(DnCNN)
    2.5 图像质量评价标准
    2.6 本章小结
第3章 基于多通道特征残差的深度压缩感知重构算法
    3.1 引言
    3.2 模型总体设计
        3.2.1 采样模块
        3.2.2 初始重构模块
        3.2.3 深度重构模块
        3.2.4 模型训练
    3.3 实验和结果分析
        3.3.1 实验设置
        3.3.2 实验结果分析
    3.4 本章小结
第4章 基于空洞卷积的深度压缩感知重构算法
    4.1 引言
    4.2 模型总体设计
    4.3 基于空洞卷积的去噪重构模块
        4.3.1 空洞卷积块
        4.3.2 空洞密集残差块
    4.4 实验和结果分析
        4.4.1 基于空洞卷积的去噪重构模块实验
        4.4.2 基于空洞卷积的深度压缩感知重构算法实验
    4.5 本章小结
总结与展望
    1 总结
    2 展望
参考文献
致谢
附录 硕士期间发表论文和科研情况说明



本文编号：3198621