论文部分内容阅读
随着大数据信息时代的来临,依靠传统采样定理对数据采样的缺点变得愈发明显。压缩感知作为一种新兴的数据采样理论,在已知信号是可压缩的或者在某个变换域内可被稀疏表示的条件下,利用少量的低维测量值便可以重构出较好的重构信号。压缩感知重构算法是压缩感知理论的重点,传统迭代优化的压缩感知重构算法计算复杂度高,并且重构效果不太理想。随着深度学习的发展,基于深度压缩感知网络的图像重构算法成为研究热点。因此,本文主要围绕深度压缩感知网络对图像重构进行研究,主要工作包括:(1)针对现有的深度压缩感知网络CSnet中对采样得到的测量值使用不足,以及初始重构过程中存在图像块的拼接操作问题,提出了一种基于多通道特征残差的深度压缩感知重构算法(MI-CSnet)。该算法主要以CSnet为基础,通过全连接模拟采样率对应的测量值在初始重构的变换过程,提出多通道初始重构的思想。在初始重构模块中使用设计的图像块网络BlockNet对初始重构过程中产生的图像块进行加深。接着将残差学习的思想对深度重构模块进行改进,MI-CSnet主要包括采样模块、初始重构模块和深度重构模块,采用模块化的设计能能够更直观模拟压缩感知的过程。通过实验表明,并且和常见的重构算法进行对比,MI-CSnet的重构图像在客观和主观质量上均有一定的提高。(2)将深度去噪网络DnCNN引入到MI-CSnet中,并且结合空洞卷积,提出了一种基于空洞卷积的深度压缩感知重构算法(DC-MI-CSnet)。参考DnCNN的去噪特点,以其为基础对MI-CSnet的深度重构模块进行重新设计,结合空洞卷积、DenseNet和残差学习的思想,设计一种新颖的空洞密集残差块,从而得到基于空洞卷积的去噪重构模块。通过实验训练并验证去噪重构模块的效果,并且和MI-CSnet中的采样模块和初始重构模块进行级联,得到基于空洞卷积的深度压缩感知重构算法。通过实验表明,DC-MI-CSnet和其他深度压缩感知重构算法进行对比,重构的图像在客观和主观质量均有进一步提高,并且在细节部分的恢复更好。