隨著大數(shù)據(jù)信息時(shí)代的來臨,依靠傳統(tǒng)采樣定理對數(shù)據(jù)采樣的缺點(diǎn)變得愈發(fā)明顯。壓縮感知作為一種新興的數(shù)據(jù)采樣理論,在已知信號是可壓縮的或者在某個(gè)變換域內(nèi)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(gòu)出較好的重構(gòu)信號。壓縮感知重構(gòu)算法是壓縮感知理論的重點(diǎn),傳統(tǒng)迭代優(yōu)化的壓縮感知重構(gòu)算法計(jì)算復(fù)雜度高,并且重構(gòu)效果不太理想。隨著深度學(xué)習(xí)的發(fā)展,基于深度壓縮感知網(wǎng)絡(luò)的圖像重構(gòu)算法成為研究熱點(diǎn)。因此,本文主要圍繞深度壓縮感知網(wǎng)絡(luò)對圖像重構(gòu)進(jìn)行研究,主要工作包括:（1）針對現(xiàn)有的深度壓縮感知網(wǎng)絡(luò)CSnet中對采樣得到的測量值使用不足,以及初始重構(gòu)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(gòu)算法（MI-CSnet）。該算法主要以CSnet為基礎(chǔ),通過全連接模擬采樣率對應(yīng)的測量值在初始重構(gòu)的變換過程,提出多通道初始重構(gòu)的思想。在初始重構(gòu)模塊中使用設(shè)計(jì)的圖像塊網(wǎng)絡(luò)BlockNet對初始重構(gòu)過程中產(chǎn)生的圖像塊進(jìn)行加深。接著將殘差學(xué)習(xí)的思想對深度重構(gòu)模塊進(jìn)行改進(jìn),MI-CSnet主要包括采樣模塊、初始重構(gòu)模塊和深度重構(gòu)模塊,采用模塊化的設(shè)計(jì)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(xué)湖南省 211工程院校

【文章頁數(shù)】：70 頁

【學(xué)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(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)迭代的壓縮感知重構(gòu)算法研究現(xiàn)狀
        1.2.2 基于深度壓縮感知網(wǎng)絡(luò)的重構(gòu)算法研究現(xiàn)狀
    1.3 論文的研究內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
第2章 相關(guān)理論和技術(shù)基礎(chǔ)
    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(shè)計(jì)
        2.1.3 重構(gòu)算法的設(shè)計(jì)
    2.2 深度學(xué)習(xí)相關(guān)知識
        2.2.1 發(fā)展進(jìn)程
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.3 殘差學(xué)習(xí)
    2.3 深度壓縮感知網(wǎng)絡(luò)
        2.3.1 SDA網(wǎng)絡(luò)模型
        2.3.2 ReconNet網(wǎng)絡(luò)模型
        2.3.3 CSnet網(wǎng)絡(luò)模型
    2.4 深度去噪網(wǎng)絡(luò)(DnCNN)
    2.5 圖像質(zhì)量評價(jià)標(biāo)準(zhǔn)
    2.6 本章小結(jié)
第3章 基于多通道特征殘差的深度壓縮感知重構(gòu)算法
    3.1 引言
    3.2 模型總體設(shè)計(jì)
        3.2.1 采樣模塊
        3.2.2 初始重構(gòu)模塊
        3.2.3 深度重構(gòu)模塊
        3.2.4 模型訓(xùn)練
    3.3 實(shí)驗(yàn)和結(jié)果分析
        3.3.1 實(shí)驗(yàn)設(shè)置
        3.3.2 實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
第4章 基于空洞卷積的深度壓縮感知重構(gòu)算法
    4.1 引言
    4.2 模型總體設(shè)計(jì)
    4.3 基于空洞卷積的去噪重構(gòu)模塊
        4.3.1 空洞卷積塊
        4.3.2 空洞密集殘差塊
    4.4 實(shí)驗(yàn)和結(jié)果分析
        4.4.1 基于空洞卷積的去噪重構(gòu)模塊實(shí)驗(yàn)
        4.4.2 基于空洞卷積的深度壓縮感知重構(gòu)算法實(shí)驗(yàn)
    4.5 本章小結(jié)
總結(jié)與展望
    1 總結(jié)
    2 展望
參考文獻(xiàn)
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