相位恢復(fù)問題是指僅通過信號傅里葉變換（或其它線性變換）的幅值恢復(fù)原始信號。由于相位信息的缺失,該問題是一個不適定問題,因此需要利用圖像先驗來確保精確重構(gòu)。該文針對基于正則項的圖像重構(gòu)算法具有計算復(fù)雜度高和在存在噪聲下重構(gòu)精度低的缺陷,將傳統(tǒng)相位恢復(fù)算法與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合,對上述問題進行改善。具體的研究內(nèi)容如下:首先,針對實際應(yīng)用中重構(gòu)圖像會受到噪聲干擾的情況,該文訓(xùn)練去除圖片噪聲的深度殘差卷積神經(jīng)網(wǎng)絡(luò)（Residual Learning of Deep CNN for Image Denoising,DnCNN）模型作為去噪算子,引入l₂范數(shù)模型作為正則項,起到限制解空間范圍、降低模型復(fù)雜度的作用,提出了基于DnCNN-l₂范數(shù)的相位恢復(fù)算法。該模型是非凸的,通過交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）求解此非凸優(yōu)化問題。最后通過實驗對比,驗證該算法的有效性。其次,為了改善添加₂l范數(shù)模型作為正則項的相位恢復(fù)算法具有計算復(fù)雜度高、求解速度慢的缺陷... 

【文章來源】：燕山大學(xué)河北省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-1兩幅圖像交換相位信息示意圖

圖 3-1 DnCNN 網(wǎng)絡(luò)結(jié)構(gòu)殘差網(wǎng)絡(luò)差網(wǎng)絡(luò)(Residual Network, ResNet)[32]2015 年由 He 等人提出，在 201大賽上取得矚目成績，殘差學(xué)習(xí)的效果如此好的原因之一是與其他網(wǎng)差網(wǎng)絡(luò)具有更深的網(wǎng)絡(luò)層數(shù)。卷積神經(jīng)網(wǎng)絡(luò)的每一層輸出是當(dāng)前層提，這些特征并不是單一層次的，包含了低層、中層和高層，所以網(wǎng)絡(luò)取的特征信息會越多，不同層次間特征信息的組合也隨之增多。然而深會產(chǎn)生梯度消失和梯度爆炸的問題，傳統(tǒng)的解決辦法為梯度裁剪、用非線性激活函數(shù)和批量歸一化等，梯度問題雖然解決，但更為嚴重層數(shù)加深導(dǎo)致的網(wǎng)絡(luò)性能退化，即雖然網(wǎng)絡(luò)越來越深，卻越來越難以征信息。用殘差的思想設(shè)計網(wǎng)絡(luò)來解決退化問題，同時也解決了梯度絡(luò)性能大大提高。殘差塊結(jié)構(gòu)如圖 3-2 所示。

圖 3-1 DnCNN 網(wǎng)絡(luò)結(jié)構(gòu)差網(wǎng)絡(luò)網(wǎng)絡(luò)(Residual Network, ResNet)[32]2015 年由 He 等人提出，在 20賽上取得矚目成績，殘差學(xué)習(xí)的效果如此好的原因之一是與其他網(wǎng)絡(luò)具有更深的網(wǎng)絡(luò)層數(shù)。卷積神經(jīng)網(wǎng)絡(luò)的每一層輸出是當(dāng)前層這些特征并不是單一層次的，包含了低層、中層和高層，所以網(wǎng)的特征信息會越多，不同層次間特征信息的組合也隨之增多。然會產(chǎn)生梯度消失和梯度爆炸的問題，傳統(tǒng)的解決辦法為梯度裁剪非線性激活函數(shù)和批量歸一化等，梯度問題雖然解決，但更為嚴數(shù)加深導(dǎo)致的網(wǎng)絡(luò)性能退化，即雖然網(wǎng)絡(luò)越來越深，卻越來越難信息。用殘差的思想設(shè)計網(wǎng)絡(luò)來解決退化問題，同時也解決了梯性能大大提高。殘差塊結(jié)構(gòu)如圖 3-2 所示。


本文編號：3375942