發(fā)布時間：2024-03-01 01:15

　　圖像的有效壓縮感知依賴于對目標圖像進行稀疏表示的合適字典的先驗知識,在實際的自然圖像重建中往往缺乏這類知識。傳統(tǒng)的解決措施為:將現(xiàn)成的過完備字典用于圖像重建。這類字典通常是由大量的訓(xùn)練集預(yù)先訓(xùn)練好的,但不一定適合所有待重構(gòu)的圖像,且可能產(chǎn)生過度擬合,即模型泛化造成整個圖像的損失。為解決壓縮感知理論對于信號的先驗性要求過高的問題,出現(xiàn)了盲壓縮感知理論,即在不需要先驗知識的前提下訓(xùn)練字典重構(gòu)圖像。然而這樣的方式對字典和稀疏系數(shù)的結(jié)構(gòu)要求非常高,且字典稀疏表達的泛化能力差。為解決上述問題,將特征遷移引入字典學(xué)習(xí)。提出基于遷移學(xué)習(xí)的在線動態(tài)字典學(xué)習(xí)算法(Online Dynamic Dictionary Migration Learning Algorithm,ODDML)采用樣本子集計算目標誤差以及梯度,在線調(diào)整預(yù)學(xué)習(xí)字典中與目標域相關(guān)的原子,刪除與目標域不相關(guān)的原子,提高字典的稀疏表達效率。ODDML算法采用遷移學(xué)習(xí)和動態(tài)梯度計算策略可減小訓(xùn)練樣本數(shù)量,提高目標圖像的稀疏表達精度。采用交叉驗證策略減小動態(tài)梯度計算運算量,方便實現(xiàn)字典的在線學(xué)習(xí)。分析研究交叉驗證和字典遷移學(xué)習(xí)策略對提出的OD...

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖5-10徑向軌跡的有監(jiān)督的隨機采樣方法

上海交通大學(xué)博士學(xué)位論文第五章基于自先驗圖像和字典學(xué)習(xí)的動態(tài)磁共振并行成像算法第115頁的數(shù)據(jù)進行直接重建，所得的自先驗圖像會有偽影。這時可以對這些自先驗圖像進行多次迭代重建，盡可能消除圖像偽影，然后再利用DPISDL方法進行圖像重建。另外，還可以適當提高每一幀的k空間采樣率，以....

圖5-11螺旋采樣軌跡的有監(jiān)督的隨機采樣方法

上海交通大學(xué)博士學(xué)位論文第五章基于自先驗圖像和字典學(xué)習(xí)的動態(tài)磁共振并行成像算法第115頁的數(shù)據(jù)進行直接重建，所得的自先驗圖像會有偽影。這時可以對這些自先驗圖像進行多次迭代重建，盡可能消除圖像偽影，然后再利用DPISDL方法進行圖像重建。另外，還可以適當提高每一幀的k空間采樣率，以....

圖１．１傳統(tǒng)數(shù)據(jù)傳輸和壓縮感知數(shù)據(jù)傳輸??圖像重建算法［ｕ］最初是基于插值或者學(xué)習(xí)的，但這類算法針對放大倍數(shù)較??

程，極大地減輕信號在采樣編碼過程中的計算負擔(dān)，也減少??計算資源的浪費。而信號可以進行壓縮感知采樣的前提為該信號可以被壓縮，或??者具有稀疏性，即信號可以分解為由特征向量組成的矩陣與含有大多數(shù)零元素??的稀疏系數(shù)向量的乘積［１（）］。??基于壓縮感知的圖像重建是壓縮感知理論應(yīng)用于....

圖２．１信號的壓縮感知示意圖??

２－２所示。??ｙ?＝?Ｏｘ?＝?ＯＮＫｏｒ?＝?＆ａ?（２－２）??式中０）為壓縮測量矩陣，也稱觀測矩陣，矩陣大小為ＭｘＴＶ（Ｋ＜Ｍ？Ｎ；），與??正交基Ｖ／滿足互不相關(guān)的關(guān)系是信號ｘ經(jīng)觀測矩陣壓縮采樣得到的觀測數(shù)據(jù)，??是大小為Ｍｘｌ的向量，這樣從原信號ｘ到觀測值＾之間的變換....

本文編號：3915215