基于深度神经网络的块压缩感知图像重构
压缩感知(CS)是根据由信号的线性投影获得的少量测量值有效地重建信号的一种信号处理框架,用低的采样率重构出高质量图像,是基于CS的计算成像实用化的持续挑战.图像重构模型的改进多是在信号稀疏约束下加入更多稀疏先验,其迭代优化过程复杂且耗时.神经网络作为深度学习的应用模型,可实现对任意复杂函数的逼近,为图像高质量实时重构提供了新的技术路线.文中用深度神经网络(DNN)进行重构,避免了CS繁杂的算法求解过程,且通过分块处理缩短了重构时间以及减少了网络节点数目,通过对上万幅不同类型的图像进行训练以得到DNN模型,再将分块CS的测量和DNN非线性求解联合来实现高效重构.结果表明,所提方法与6种不同的重构方法相比,图像的峰值信噪比(PSNR)和结构相似度(SSIM)都有不同程度的提高.与先进的CS算法相比,不仅重构质量能与之媲美,而且DNN极大减少了时间复杂度,重构时间在3 s内.当采样率低至0.01时,该方法仍能较清晰地重构图像而其他算法难以恢复.当采样率为0.1时,该方法与先进的残差网络方法相比,PSNR最大(小)增益达到6.7(1.97)dB,SSIM最大(小)增益达到0.354(0.122).
图像处理、分块压缩感知、重构算法、深度学习、神经网络
49
TP391(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金
2023-05-22（万方平台首次上网日期，不代表论文的发表时间）
共9页
498-506
