發(fā)布時間：2020-09-03 21:57

　　 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在某一變換域內(nèi)可被稀疏表示條件下,能夠從少量的低維觀測值中以高概率重建出原始的高維信號。變分圖像分解是一種基于能量極小化的泛函算法,將圖像映射到合適的空間,可實現(xiàn)對圖像結(jié)構(gòu)、紋理和噪聲的有效分解。本文對基于變分法的圖像分解和深度卷積神經(jīng)網(wǎng)絡(luò)的壓縮感知重建進(jìn)行了系統(tǒng)的研究,主要工作有:本文利用分層變分圖像分解方法將圖像分解成結(jié)構(gòu)分量和紋理分量,并利用基于混合基的壓縮感知算法分別對結(jié)構(gòu)和紋理分量進(jìn)行重建,在壓縮感知中,為進(jìn)一步增加各個特征分量的稀疏性,構(gòu)造了TFWBST(Tight framework wavelet-based shearlet transform)變換,將其與波原子結(jié)合作為聯(lián)合的稀疏字典。在同等采樣率的條件下,該算法相比于WSGSR算法,能夠保留更多的圖像紋理細(xì)節(jié)。圖像先驗?zāi)Ｐ蛯τ趬嚎s感知等逆問題的求解非常重要。為了充分約束重建圖像,構(gòu)建了一種基于形狀自適應(yīng)非凸低秩模型的圖像壓縮感知重建方法,其主要特點在于:為了更好地描述圖像的局部結(jié)構(gòu),采用LPA-ICI(Anisotropic Local Polynomial Approximation-Intersection of Confidence Intervals)方法對圖像中任意像素點的局部結(jié)構(gòu)進(jìn)行分析,獲取其形狀自適應(yīng)的鄰域;為了更好地對圖像中廣泛存在的非局部相似性建模,采用基于奇異值l_p范數(shù)的非凸低秩模型。形狀自適應(yīng)鄰域及非凸低秩模型的聯(lián)合可以同時對圖像的局部特性和非局部特性進(jìn)行刻畫,對壓縮感知重建圖像有較強的約束,因此可以取得較好的結(jié)果。在不同類型的測試圖像上的結(jié)果表明,提出方法在不同采樣率下都達(dá)到了較好的重建效果,相比于傳統(tǒng)重建方法有明顯的優(yōu)勢。針對壓縮感知重建圖像,構(gòu)建了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的質(zhì)量提升方法,以快速改善重建圖像的主客觀質(zhì)量。構(gòu)建的圖像質(zhì)量提升網(wǎng)絡(luò)以傳統(tǒng)壓縮感知算法的重建結(jié)果為輸入,輸出為質(zhì)量增強后的圖像。首先,利用三組不同尺寸的卷積核提取輸入圖像在不同尺度下的特征進(jìn)行組合,實現(xiàn)重建圖像多尺度信息的挖掘融合;其次,提取的多尺度特征經(jīng)過多層深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行變換映射,獲取重建圖像不同層次下的特征信息;然后,將低、中、高三種不同層次的特征進(jìn)行組合,實現(xiàn)多層次特征信息的融合,進(jìn)而利用神經(jīng)網(wǎng)絡(luò)對具有多尺度、多層次特性的特征信息進(jìn)行重建,得到殘差估計圖像;最后,初始重建圖像與估計的殘差圖像相加,得到最終的處理結(jié)果。提出的網(wǎng)絡(luò)不僅利用了殘差學(xué)習(xí)、批規(guī)范化、ReLU等先進(jìn)技術(shù),同時還融合了多尺度、多層次的特征信息。在常用測試圖像上的實驗結(jié)果表明,提出的質(zhì)量提升神經(jīng)網(wǎng)絡(luò)可以改善壓縮感知重建圖像的質(zhì)量。在抑制重建圖像中的噪聲及偽跡現(xiàn)象的同時恢復(fù)了部分圖像細(xì)節(jié)信息,并且提出的壓縮感知重建圖像質(zhì)量提升方法在測試階段耗時較短。
【學(xué)位單位】：燕山大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP183
【部分圖文】：

圖 1-1 第一次池化操作和池化結(jié)果Fig. 1-1 The first pool operation and the result of the pooling圖 1-2 第 16 次池化操作和池化結(jié)果Fig. 1-2 The sixteenth pool operation and the result of the pooling函數(shù)是卷積神經(jīng)網(wǎng)絡(luò)中非常重要的一部分。無論網(wǎng)絡(luò)有多深，線性卷

第16次池化操作和池化結(jié)果

e) ELU圖 1-3 常用激活函數(shù)示意圖Fig. 1-3 Diagrammatic sketch of the used activatio作用是整合經(jīng)過卷積、池化及非線性激活空間。由于全連接的特點，該層的參數(shù)量通可以用來實現(xiàn)全連接層。計算神經(jīng)網(wǎng)絡(luò)的輸出值(預(yù)測值)與期望值(個誤差決定了神經(jīng)網(wǎng)絡(luò)中參數(shù)的更新。顯然，并且其對網(wǎng)絡(luò)的性能有非常大的影響。常 范損失函數(shù)等。卷積神經(jīng)網(wǎng)絡(luò)中并非需要包含以上列舉的所問題適當(dāng)選取。例如，池化層通常在識別、取全局信息，對特征進(jìn)行抽象；而對于圖像

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 周家銳;紀(jì)震;沈琳琳;朱澤軒;陳思平;;基于Gabor小波與Memetic算法的人臉識別方法[J];電子學(xué)報;2012年04期

2 呂文濤;陳映鷹;張紹明;;基于小波支撐向量機的圖像降噪濾波算法[J];遙感信息;2008年03期

3 白鍵;馮象初;;基于曲線波變換的圖像分解[J];電子學(xué)報;2007年01期

4 孫文方;趙亦工;宋蓓蓓;;基于第二代Bandelets變換的靜止圖像壓縮[J];西安交通大學(xué)學(xué)報;2006年08期

5 李葆青;基于卷積神經(jīng)網(wǎng)絡(luò)的模式分類器[J];大連大學(xué)學(xué)報;2003年02期

本文編號：2812005