论文部分内容阅读
压缩感知技术是一种通过利用了信号可压缩性和稀疏性对信号信息进行采集、存储和恢复重建的理论，该理论在信号采集方式上突破了传统的香农-奈奎斯特采样定理的约束，开创性地实现了对信号获取的同时进行适当地压缩，解决了传统采样数据量大、存储传输不便等问题，但是将采集的数据进行图像重建的各类算法仍存在重建质量差以及重建速度慢等问题。 实现压缩感知的图像重建算法是图像修复技术中的一类，目前深度学习针对图像修复领域比如图像去噪、图像超分辨率等任务已有不少较好应用的先例。本文针对压缩感知传统算法的问题，并结合目前已有的深度学习相关成果展开研究，取得如下研究成果: 1.提出了基于卷积神经网络(CNN)的压缩感知图像质量提升方法。该方法通过建立深度CNN对传统重建算法得到的图像与原始图像进行端到端的学习与优化，实现了压缩感知图像质量的提升，实验结果验证了该方法的有效性; 2.实现了基于深度残差网络的压缩感知图像重建方法。该方法对压缩感知测量值直接进行重建，利用全连接网络提升维度的特性将测量值还原得到初步图像，再通过残差网络缩小重建值与目标值之间的差距，实验结果表明，在采样率为1％，4％，10％和25％的情况下，实验结果比现有深度学习方法分别提升0.17dB，0.81dB，1.64dB和3.12dB; 3.设计了结合残差网络与自动编码器的采样矩阵优化方法。该方法通过自动编码器对信号的处理模拟信号的采集与恢复过程，再利用残差网络优化重建质量，实现了采样矩阵的优化。实验表明，在采样率为1％，4％，10％和25％的情况下，优化后的采样矩阵相比随机高斯矩阵在传统重建算法上重建质量分别提升7.37dB，4.35dB，3.06dB和2.04dB，在采样率为4％，10％和25％的情况下，重建结果比现有深度学习方法分别提升了0.27dB，0.86dB和1.38dB。