發(fā)布時(shí)間：2024-05-18 19:44

　　隨著時(shí)代的發(fā)展和科技的進(jìn)步,人們對(duì)信息的需求量日益劇增。大量信息數(shù)據(jù)的獲取、壓縮、傳輸以及存儲(chǔ)等面臨著巨大的壓力。然而,傳統(tǒng)的數(shù)據(jù)采樣方式需要依據(jù)奈奎斯特定理才能高質(zhì)量地恢復(fù)出原始信號(hào),即根據(jù)奈奎斯特定理,數(shù)據(jù)的采樣率必須至少為信號(hào)帶寬的兩倍。近年來(lái),壓縮感知理論(Compressive sensing,CS)的提出,打破了奈奎斯特定理對(duì)采樣率的限制,使采樣率低于信號(hào)帶寬的兩倍成為可能。并且,壓縮感知理論可以在實(shí)現(xiàn)信號(hào)采樣過(guò)程的同時(shí)完成信號(hào)的壓縮,將壓縮和采樣過(guò)程合二為一,極大地節(jié)省了采集信號(hào)的存儲(chǔ)空間。由于壓縮感知重建算法是壓縮感知理論的重點(diǎn)所在,其對(duì)于推動(dòng)壓縮感知的進(jìn)一步實(shí)際應(yīng)用有著十分重要的作用,因此,本文將深度學(xué)習(xí)網(wǎng)絡(luò)引入到壓縮感知重建算法當(dāng)中,主要工作包括:(1)提出了一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的兼容傳統(tǒng)采樣的壓縮感知圖像重建算法(Compatibly Sampling Reconstruction Network,CSRNet)。該方案用于從隨機(jī)矩陣采樣得到的測(cè)量值中重建高質(zhì)量圖像。該方案采用非迭代的計(jì)算方式,計(jì)算復(fù)雜度低、重建速度快,而且在低采樣率下也有很好的重建效果。CSRN...

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１傳統(tǒng)的信號(hào)壓縮處理過(guò)程??Ｆｉｇｕｒｅ?１－１?Ｔｈｅ?ｐｒｏｃｅｄｕｒｅ?ｏｆ?ｔｒａｄｉｔｉｏｎａｌ?ｓｉｇｎａｌ?ｃｏｍｐｒｅｓｓｉｖｅ?ｐｒｏｃｅｓｓ??

１緒論??研究背景及意義??近年來(lái)，信息科技和互聯(lián)網(wǎng)技術(shù)不斷發(fā)展，人們獲取信息的途徑和方式也隨??息技術(shù)的更新變得便捷多樣。因此，信息的獲取與處理是目前最熱門(mén)的研究??之一。處身于信息高速傳輸?shù)拇髷?shù)據(jù)時(shí)代，人們對(duì)信息的需求量日益增加，??大量信息數(shù)據(jù)的處理迫在眉睫。伴隨著移動(dòng)通信....

圖１－２基于壓縮感知理論的信號(hào)采集和重建框圖??Ｆｉｇｕｒｅ?１－２?Ｔｈｅ?ｓａｍｐｌｉｎｇ?ａｎｄ?ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ?ｏｆ?ｓｉｇｎａｌ?ｉｎ?ＣＳ??

Ｓｅｎｓｉｎｇ，ＢＣＳ）理論［７Ｕ壓縮感知理論指出，對(duì)于可壓縮信號(hào)，可以通過(guò)遠(yuǎn)低于奈??奎斯特定理要求的采樣速率對(duì)其進(jìn)行采樣壓縮，并能夠根據(jù)測(cè)量值精確地重建出??該信號(hào)，其框架如圖１－２所示。壓縮感知也稱(chēng)作壓縮采樣，即將采樣和壓縮兩個(gè)過(guò)??程合二為一。由于大量信號(hào)本身或者通過(guò)某種....

圖１－３圖像稀疏變換示意圖??

Ｔｒａｎｓｆｏｒｍ，?ＤＷＴ）＿、傅里葉變換、Ｃｕｒｖｅｌｅｔ?變換［１１］和離散余弦變換（Ｄｉｓｃｒｅｔｅ?Ｃｏｓｉｎｅ??Ｔｒａｎｓｆｏｒｍ，ＤＣＴ）［１２＾。例如，對(duì)Ｌｅｎａ圖像采用離散Ｈａａｒ小波變換，其頻域稀疏??系數(shù)如圖１－３所示。??ｎｉｆ?—??ｎ?ｍｔａｍ，：?....

圖１－４壓縮測(cè)量示意圖??Ｆｉｇｕｒｅ?１－４?Ｔｈｅ?ｄｉａｇｒａｍ?ｏｆ?ＣＳ?ｓａｍｐｌｉｎｇ??

?（１－６）??該式中，／ｅｉ？＇?Ｏｅ，ｘＷ為測(cè)量矩陣，定義Ｊ?＝?Ｏ屮為感知矩陣（Ｓｅｎｓｉｎｇ??Ｍａｔｒｉｘ）。公式（１－６）也可以用圖１－４描述。值得注意的是，當(dāng)可壓縮信號(hào)為稀疏信號(hào)??時(shí)，屮＝￡，３?＝?０甲即感知矩陣ｄ與測(cè)量矩陣０）為同一矩陣。??ｙ?〇?ｉｐ?ｓ?....

本文編號(hào)：3977267