發(fā)布時間：2021-05-20 23:26

　　隨著大數據信息時代的來臨,依靠傳統(tǒng)采樣定理對數據采樣的缺點變得愈發(fā)明顯。壓縮感知作為一種新興的數據采樣理論,在已知信號是可壓縮的或者在某個變換域內可被稀疏表示的條件下,利用少量的低維測量值便可以重構出較好的重構信號。壓縮感知重構算法是壓縮感知理論的重點,傳統(tǒng)迭代優(yōu)化的壓縮感知重構算法計算復雜度高,并且重構效果不太理想。隨著深度學習的發(fā)展,基于深度壓縮感知網絡的圖像重構算法成為研究熱點。因此,本文主要圍繞深度壓縮感知網絡對圖像重構進行研究,主要工作包括:（1）針對現(xiàn)有的深度壓縮感知網絡CSnet中對采樣得到的測量值使用不足,以及初始重構過程中存在圖像塊的拼接操作問題,提出了一種基于多通道特征殘差的深度壓縮感知重構算法（MI-CSnet）。該算法主要以CSnet為基礎,通過全連接模擬采樣率對應的測量值在初始重構的變換過程,提出多通道初始重構的思想。在初始重構模塊中使用設計的圖像塊網絡BlockNet對初始重構過程中產生的圖像塊進行加深。接著將殘差學習的思想對深度重構模塊進行改進,MI-CSnet主要包括采樣模塊、初始重構模塊和深度重構模塊,采用模塊化的設計能能夠更直觀模擬壓縮感知的過程。通... 

【文章來源】：湖南師范大學湖南省 211工程院校

【文章頁數】：70 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 傳統(tǒng)迭代的壓縮感知重構算法研究現(xiàn)狀
        1.2.2 基于深度壓縮感知網絡的重構算法研究現(xiàn)狀
    1.3 論文的研究內容
    1.4 論文的組織結構
第2章 相關理論和技術基礎
    2.1 壓縮感知理論
        2.1.1 信號的稀疏表示
        2.1.2 測量矩陣的設計
        2.1.3 重構算法的設計
    2.2 深度學習相關知識
        2.2.1 發(fā)展進程
        2.2.2 卷積神經網絡
        2.2.3 殘差學習
    2.3 深度壓縮感知網絡
        2.3.1 SDA網絡模型
        2.3.2 ReconNet網絡模型
        2.3.3 CSnet網絡模型
    2.4 深度去噪網絡(DnCNN)
    2.5 圖像質量評價標準
    2.6 本章小結
第3章 基于多通道特征殘差的深度壓縮感知重構算法
    3.1 引言
    3.2 模型總體設計
        3.2.1 采樣模塊
        3.2.2 初始重構模塊
        3.2.3 深度重構模塊
        3.2.4 模型訓練
    3.3 實驗和結果分析
        3.3.1 實驗設置
        3.3.2 實驗結果分析
    3.4 本章小結
第4章 基于空洞卷積的深度壓縮感知重構算法
    4.1 引言
    4.2 模型總體設計
    4.3 基于空洞卷積的去噪重構模塊
        4.3.1 空洞卷積塊
        4.3.2 空洞密集殘差塊
    4.4 實驗和結果分析
        4.4.1 基于空洞卷積的去噪重構模塊實驗
        4.4.2 基于空洞卷積的深度壓縮感知重構算法實驗
    4.5 本章小結
總結與展望
    1 總結
    2 展望
參考文獻
致謝
附錄 碩士期間發(fā)表論文和科研情況說明



本文編號：3198621