壓縮感知作為一種全新的信號(hào)采樣理論,廣泛應(yīng)用于各個(gè)領(lǐng)域。圖像壓縮感知只需少量的采樣測(cè)量值便可準(zhǔn)確地重建出原始圖像,降低了圖像信號(hào)在存儲(chǔ)、傳輸過(guò)程中的帶寬資源和硬件設(shè)備要求。近年來(lái),深度學(xué)習(xí)方法被應(yīng)用于圖像壓縮感知,極大地提高了圖像重建質(zhì)量,降低了重建時(shí)間。為此,針對(duì)現(xiàn)有方法中的不足,本文分別以小尺寸和大尺寸圖像為研究對(duì)象,基于深度學(xué)習(xí)對(duì)壓縮感知進(jìn)行了深入研究,主要完成了以下兩方面的研究:1.針對(duì)小尺寸圖像壓縮感知因測(cè)量矩陣的隨機(jī)性造成重建性能不穩(wěn)定、重建算法計(jì)算復(fù)雜度較高等問(wèn)題,建立了一個(gè)基于堆棧稀疏去噪自編碼網(wǎng)絡(luò)的圖像壓縮感知模型。該模型包含編碼子網(wǎng)絡(luò)和解碼子網(wǎng)絡(luò),其中編碼子網(wǎng)絡(luò)采用非線性測(cè)量方法去替代傳統(tǒng)線性測(cè)量對(duì)小尺寸圖像進(jìn)行觀測(cè),以解決重建不穩(wěn)定問(wèn)題;解碼子網(wǎng)絡(luò)通過(guò)訓(xùn)練學(xué)習(xí)并擬合信號(hào)重建函數(shù)完成圖像重建,降低了信號(hào)重建的計(jì)算復(fù)雜度。最后,通過(guò)端到端的聯(lián)合訓(xùn)練把圖像采樣和重建兩過(guò)程集成為一個(gè)整體以提高網(wǎng)絡(luò)的整體性能。仿真結(jié)果表明,該模型與其他方法相比,在圖像重建質(zhì)量、重建時(shí)間上都取得了較好的效果。2.針對(duì)在低測(cè)量率下,大尺寸圖像因采用分塊壓縮感知導(dǎo)致的塊效應(yīng)問(wèn)題,本文基于雙分支卷...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 圖像壓縮感知的研究現(xiàn)狀
        1.2.2 基于深度學(xué)習(xí)的圖像壓縮感知研究現(xiàn)狀
    1.3 論文主要研究工作及結(jié)構(gòu)安排
第2章 壓縮感知與自編碼網(wǎng)絡(luò)技術(shù)基礎(chǔ)
    2.1 壓縮感知技術(shù)基礎(chǔ)
        2.1.1 稀疏表示
        2.1.2 觀測(cè)采樣
        2.1.3 信號(hào)重建
    2.2 自編碼網(wǎng)絡(luò)技術(shù)基礎(chǔ)
        2.2.1 去噪自編碼網(wǎng)絡(luò)
        2.2.2 稀疏自編碼網(wǎng)絡(luò)
        2.2.3 卷積自編碼網(wǎng)絡(luò)
    2.3 本章小結(jié)
第3章 基于堆棧稀疏去噪自編碼網(wǎng)絡(luò)的小尺寸圖像壓縮感知
    3.1 引言
    3.2 基于堆棧稀疏去噪自編碼網(wǎng)絡(luò)的壓縮感知
    3.3 SSDAE-CS模型訓(xùn)練
    3.4 實(shí)驗(yàn)仿真與結(jié)果分析
        3.4.1 數(shù)據(jù)集、評(píng)價(jià)指標(biāo)和對(duì)比算法的選取
        3.4.2 結(jié)果分析
    3.5 本章小結(jié)
第4章 基于雙分支卷積殘差網(wǎng)絡(luò)的大尺寸圖像壓縮感知
    4.1 引言
    4.2 基于雙分支卷積殘差網(wǎng)絡(luò)的圖像壓縮感知
        4.2.1 圖像感知模塊
        4.2.2 圖像重建模塊
        4.2.3 網(wǎng)絡(luò)結(jié)構(gòu)
    4.3 實(shí)驗(yàn)仿真與結(jié)果分析
        4.3.1 模型訓(xùn)練、數(shù)據(jù)集、對(duì)比算法和評(píng)價(jià)指標(biāo)的選取
        4.3.2 結(jié)果分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 未來(lái)工作展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號(hào)：3815756