融合深度卷积神经网络与压缩感知的图像恢复研究
这是一篇关于压缩感知,深度卷积神经网络,卷积测量,图像恢复,卷积稀疏编码的论文, 主要内容为随着信息产业和技术的蓬勃发展,我们每天都要处理海量的图片和视频数据。如何在有限的硬件资源上实现对这些海量的高维数据进行传输、储存和计算等成为目前亟需解决的问题。压缩感知(Compressed Sensing,CS)作为一种新型的数据采样技术,能够以远低于奈奎斯特采样频率的测量来重建出高质量的原始图像。CS理论在图像恢复的应用中,测量矩阵的设计和重构算法性能的提升是两个主要的挑战。具体地,1.当图像尺寸增大时,对应的测量矩阵维度大幅增加,在实际应用中不得不采用分块测量的方法,这样会导致恢复图像中存在块伪影。2.基于深度卷积神经网络(Deep Convolutional Neural Network,DCNN)的恢复算法不断在压缩感知重建阶段中被提出并取得了较好的恢复成果。然而这种基于数据驱动的设计没有考虑自然图像的先验知识。本文基于压缩感知理论框架研究了如何通过改进测量矩阵去除重建图像中的块伪影,并且在恢复阶段设计卷积神经网络的结构时考虑了图像的稀疏先验。主要内容如下:1.对深度卷积神经网络和压缩感知的基础理论进行了阐述,叙述了稀疏表示模型中多层卷积稀疏编码(Multi-Layered Convolutional Sparse Coding,ML-CSC)与深度卷积神经网络的联系。2.提出了全新的卷积测量(Convolutional Measurement,CM)方法,CM方法不仅降低了测量矩阵的计算和存储成本,而且利用硬件实现。解决了现有的测量矩阵由于图像尺寸增大时,分块测量导致恢复图像中存在难以消除的块伪影这一问题。此外,我们还给出了卷积测量的分解过程,并证明了其展开到托普利茨型矩阵时是满足有限等距性质(Restricted Isometry Property,RIP条件)的,给出了CM方法的理论保证。3.以多层阈值投影算法重构图像的原理设计了恢复阶段DCNN的结构,实现了算法和深度学习的融合,克服了以往基于卷积神经网络的恢复设计缺乏理论支持的不足。将该恢复算法与卷积测量方法结合,提出了基于卷积测量和卷积神经网络的压缩感知框架(Convolutional Measurement Compressed Sensing using deep convolution neural network,CMCS-net)。通过所提方法与多种优秀的压缩感知方法在不同测量率下的对比实验表明,所提方法不仅在速度上有所提升,在不同的质量评价指标下都有很大的提升,在低测量率下也可以消除块伪影。具体地,相比于最近提出的基于深度学习的DR2-Net模型,CMCS-net重建图像的峰值信噪比(Peak Signal to Noise Ratio,PSNR)和结构相似性(Structural SIMilarity,SSIM)指标在不同测量率下均实现了11.20%–17.09%(2–3d B)和10.57%–34.81%(0.0891–0.1958)的提升。此外,CMCS-net的平均重建时间相较于DR2-Net缩短了4倍。4.提出了基于学习的卷积测量,即完全基于卷积神经网络的压缩感知框架(Compressed Sensing using Fully deep Convolutional Neural Network,FCNN-CS)。使得测量矩阵不再是独立于数据的设计,采用数据自适应的测量方法能够在相同测量率下保留更多的信息,提高了重构图像质量。在训练阶段,将卷积测量过程和基于卷积神经网络的恢复过程联合优化。在应用阶段,测量网络作为编码器产生CS测量值,重建网络作为解码器进行图像重建。随后用大量的数值实验对比结果验证了我们所提完全基于卷积神经网络的压缩感知模型的有效性和先进性。具体地,相比于最近提出的完全基于深度学习的CSNet模型,FCNN-CS重建图像的PSNR和SSIM指标在不同测量率下均实现了1.06%–3.17%和1.06%–7.08%的提升。
基于可分离编码孔径的压缩成像方法研究
这是一篇关于无透镜成像,压缩感知,编码孔径成像,可分离编码孔径,压缩成像,标定,重构算法的论文, 主要内容为基于透镜成像技术的成像分辨率越来越高,但由于同时受到成像设备中的透镜数目、聚焦等因素的影响,成像设备的体积不断增大,限制了基于透镜成像系统在某些场景的应用。无透镜成像作为计算成像的重要分支,突破了传统透镜成像的限制,极大的减小了成像系统的体积、厚度以及重量,并扩展了成像系统的应用范围。本文主要研究无透镜成像中的压缩编码孔径成像,从光学和数学的角度分析其成像原理、成像架构、编码图案和重构算法。本文主要工作及创新点如下所示:(1)在压缩编码孔径成像系统中,从测量值中重构原始图像的前提条件是需要明确原始图像到传感器之间映射关系,即需要对成像系统进行标定。标定的目的是为了减少成像过程中出现的偏差和不确定性,是实现成像设备从记录的测量值到高精度成像映射的关键步骤。在压缩编码孔径成像系统中,由于测量矩阵的维数过大导致标定测量矩阵常常需要大量的标定输入信号,标定工作量大且异常耗时。为了从少量的标定测量中实现测量矩阵的高精度标定,本章提出一种压缩标定方法,该方法首先通过压缩标定方法对测量矩阵进行标定,再利用标定后的测量矩阵与测量值重建稀疏信号。最后通过数值实验验证本章方法的有效性,实验表明压缩标定方法可以有效地提高标定精度并减小信号重建误差。(2)自然场景压缩成像利用自然界中大多数场景具有的稀疏性先验,可以通过较小焦平面阵列上记录的低分辨率测量值实现高分辨率成像。本章提出一种面向大尺寸自然场景的压缩成像系统实现方案,具体涉及光学成像系统的设计、传输矩阵标定和压缩重建算法。首先,通过可分离压缩感知降低成像传输矩阵的自由度,从而降低测量矩阵的存储空间和标定工作量大小;其次,针对可分离的成像传输矩阵,设计一种分离式标定方法,分别实现左右可分离测量矩阵的标定;最后,通过标定后的成像传输矩阵与记录的低分辨率测量实现高分辨率重建。(3)从第四章中的可分离压缩编码孔径成像理论出发,完成适应于自然场景可分离压缩编码孔径成像的真实实验系统设计与实现。完成编码掩模的制作,搭建可分离压缩编码孔径成像的实验平台,对真实物体进行重构。在该模型基础上验证不同目标场景因素,如编码掩模到传感器的距离、编码掩模到目标场景的距离、编码掩模的孔径尺寸、孔径数目、实验环境的光照强度等对实验的影响。实验结果表明本文所提出的压缩成像方案的有效性,成功实现自然场景压缩成像系统的标定与快速重建,为建立新一代相机设计提供思路与借鉴。
云环境下受电弓检测技术的研究
这是一篇关于受电弓检测,压缩感知,图像加密,误差补偿的论文, 主要内容为受电弓能否从接触网正常受流会直接影响到机车的运行状态,因此需要对受电弓进行定期的性能检测。目前有些机务段在受电弓检测中,仍采用传统的人工检测方式以及纸质的数据记录方式,该方式存在携带工具多、检测效率低、操作具有危险性、数据查询效率低等问题。为此,本文研究的主要内容是设计一种便携式受电弓数据终端代替人工检测方式;同时,针对受电弓检测数据以及机务段日常工作产生的图像与视频数据,本文对它们在传输与存储过程中的安全问题进行了研究并设计了云环境下的数据存储平台,本文主要工作内容如下:(1)针对机务段日常工作产生的图像数据在云环境下的安全问题,本文提出了一种基于身份密钥的多图像混沌加密算法。在目前的图像加密算法中,往往使用高维混沌系统获得混沌特性更好的混沌序列,然而高维混沌系统存在运算效率低的问题。本文提出的图像加密算法,将高维混沌序列的生成单独作为一个阶段,先对多张图像的大小进行分析,然后一次性生成满足该批图像加密的混沌序列并存储。在压缩感知与加密阶段直接读取存储的混沌序列而不需要进行重复的混沌序列运算。本文通过直方图、信息熵、相邻像素相关性等指标对本文算法进行了分析,仿真实验结果表明,本文算法安全性强、密钥敏感度高,并且可以有效地减少图像加密时间。(2)设计并实现了便携式受电弓数据终端,包括终端装置与终端应用。终端装置使用嵌入式技术设计,具有拆卸简单,适用性强的特点,方便检测不同列车上的受电弓;终端应用基于移动端系统进行设计,可以与终端装置进行通信,控制终端装置进行受电弓检测,然后将检测数据存储在数据库中。终端应用还具有上传数据功能,可以将检测数据上传到数据云平台中方便使用者异地查看。(3)搭建了云环境下的受电弓数据平台。该平台实现了检测数据的查询功能,工作文件的管理功能,以及基于身份密钥的图像加密功能,能够为机务段部门提供更高效安全的服务。
基于深度学习的快速磁共振成像模型与算法
这是一篇关于磁共振成像,压缩感知,即插即用算法,深度神经网络,自适应去伪影正则,展开网络算法的论文, 主要内容为磁共振成像(magnetic resonance imaging,MRI)是一种能够提供软组织高对比度的成像技术,在临床诊断以及科学研究领域都有较大的应用价值.但信号采集缓慢的缺点阻碍了其进一步的广泛应用.一种常见的快速磁共振成像(fast MRI)方法是减少k空间采样进而实现快速采集.从欠采样MRI信号中重建图像在数学上属于不适定问题,特定的欠采样模式下的重建图像会存在伪影问题,通常需要针对待重建图像的先验信息来建立模型与算法.深度学习(deep learning,DL)方法受益于大量领域相关数据集的公开、神经网络方法的提出以及近年来计算算力的提升,在图像重建领域展现出强大的能力,现已成为医学图像重建的重要工具之一.但结构化、端到端的深度学习方法由于其不可解释性,并没有很好地解决快速磁共振成像中的伪影问题.为了解决伪影问题,提高MRI重建效果,可以将深度学习方法与压缩感知模型(compressed sensing MRI,CSMRI)相结合,使用模型数据双驱动的方法来进行重建.在该领域的研究中,RARE(Regularization by Artifact Removal)算法使用神经网络的方法学习先验信息,并将其融入迭代重建的过程.ADMMNet算法将迭代算法展开成为神经网络结构,学习原本迭代中确定的参数.以上两种算法在快速MRI成像任务上展现出了良好的重建效果.但是模型数据双驱动的方法研究仍然处于起步阶段,需要在模型设计和学习参数选择方面进一步研究.本文采用将CSMRI迭代算法的模型知识和神经网络的学习能力相结合的方法,针对快速磁共振成像伪影问题,研究在笛卡尔欠采样模式下的相关模型和算法.主要工作内容如下:1.分析即插即用(Plug-and-Play,Pn P)框架以及去噪正则化(Regularization-by Denoising,RED)框架,比较这两种框架在快速MRI中应用的优缺点.针对笛卡尔采样算子,具体实现了Pn P-BM3D算法以及Pn P-DRUNet算法在快速磁共振成像任务上的应用.2.基于伪影形态与欠采样模式相关,以及在迭代算法中伪影强度会随迭代增加而减小这两个特点,提出一种基于自适应去伪影先验的迭代算法(adaptive-RARE算法).该算法使用多种伪影强度的磁共振图像来训练去伪影网络,提高了去伪影网络的对于多种强度伪影的去除能力从而使adaptive-RARE算法在迭代中取得更好的重建效果.adaptiveRARE算法的优点在于:(i)利用在特定欠采样模式下的磁共振数据集训练的去伪影网络,同时获取与欠采样算子以及磁共振图像相关的先验信息.(ii)基于MRI迭代重建中伪影强度会随迭代逐渐减小的特点,扩充训练数据集来训练自适应伪影强度的去伪影器,使迭代过程中不同强度的伪影都能得到更好的去除.在数值实验中,该算法与RecPF迭代算法、深度神经网络U-Net算法、基于Pn P框架的Pn P-BM3D算法和Pn P-DRUNet算法以及RARE算法进行比较.结果表明,在不同加速因子的笛卡尔采样下,adaptive-RARE算法能够在PSNR和SSIM指标下取得优于其他5种算法的重建效果,展示了融合了深度神经网络的正则化方法在快速MRI重建应用中的良好效果.3.基于展开网络(unrolling)思想以及去伪影先验(RARE先验),提出了一种新的展开网络算法–RARE-Net.该展开网络方法首先设计带有RARE先验正则项的CSMRI(compressed sensing MRI)模型和相应的梯度下降算法.然后将上述迭代算法展开成为神经网络的形式,具体网络结构使用数据流图进行定义.相比于迭代重建算法,RARE-Net具有能够从数据集中学习去伪影网络中的参数以及权重参数的优点.在数值实验中,该算法与Rec PF迭代算法、深度神经网络U-Net算法、adaptive-RARE算法以及ADMMNet算法(2016年SOTA(state-of-the-art)效果)进行了比较.实验结果表明,在不同加速因子的笛卡尔欠采样下,RARE-Net算法,相比于其他4种算法,在PSNR和SSIM指标下能够获得更好的重建结果.
基于压缩感知的图像压缩传输系统
这是一篇关于FPGA,压缩感知,图像压缩,混沌系统,小波变换的论文, 主要内容为随着信息领域的高速发展,传统感知系统在满足海量数据获取、处理、实时存储以及高效传输需求问题上由于奈奎斯特采样定理的限制逐渐陷入瓶颈。压缩感知理论的提出丰富了信号获取理论,也为图像处理与传输系统的研究与实现带来了解决传输效率和硬件成本问题的新思路。相较于传统图像压缩方法,基于压缩感知的图像压缩方法能够建立延迟更低、资源损耗低、传输效率更高且实时性更好的数据处理传输系统。本论文重点针对图像信号的压缩感知算法应用开展了研究,并在FPGA硬件平台上进行了基于压缩感知的图像压缩传输系统的设计与实现。本文针对压缩感知理论下的图像压缩处理方法展开了以下三个方面的研究:图像稀疏表示方法的选择、测量矩阵的构造以及图像重构算法的研究。首先,通过分析多种稀疏表达方式及其稀疏基性能,选择采用sym小波变换基实现图像的稀疏表示;随后,以便于硬件实现和良好测量性能为导向展开了对于确定性矩阵的研究。本文设计了一个基于Lorenz混沌系统和Chen混沌系统建立的交替混沌测量矩阵,并对其进行了约束等距性质、随机性、重构性能的分析验证;最后,对压缩感知理论下的重构算法进行了研究分析,选择通过OMP算法实现压缩图像的重构。在硬件实现层面,本文设计的基于压缩感知的图像压缩传输系统以Cyclone IV系列FPGA为核心,实现了图像采集处理、降维压缩、编码重组和以太网传输功能。图像采集处理功能基于OV5640模组实现,由FPGA完成时序控制以及后续图像组帧、高斯滤波和格式转换过程。降维压缩部分根据压缩感知理论通过降维投影运算的思想实现数据的压缩,本文依照FPGA的流水线结构和并行运算能力设计了一种流水线脉动行列压缩结构,使系统按照行列顺序流水线式地通过传感矩阵对图像数据实施压缩。降维压缩后的数据采用并行化处理策略进行Delta编码和Zigzag编码的后续编码实现进一步的数据压缩处理,此后通过编码重组模块实现码流转换输出。压缩的图像数据通过DDR2实现数据的缓存,再由传输模块按照命令解析结果完成数据包的封装和数据帧的传输。最后,本文对实现的图像压缩传输系统进行了性能分析和评估。实验结果表明,该系统能够实现高效的图像压缩和传输,并具有较高的压缩比。在Matlab中进行压缩图像的重构,通过PSNR(峰值信躁比)和SSIM(结构相似度)两个指标来衡量解压缩所得图像的质量。根据测试数据分析可知,重构图像质量良好。
基于卷积滤波流的压缩感知图像重建算法研究
这是一篇关于压缩感知,图像重建,卷积滤波流,快速傅里叶卷积,离散小波变换的论文, 主要内容为压缩感知理论不再约束于奈奎斯特-香农采样定理对采样频率的要求,其将采样过程和压缩过程进行有机结合,为如何进行有效的信号采样、传输和存储提供了新的模式,将压缩感知应用于图像处理领域,能够减少采样数据量且避免高速采样。从极少量的测量值中有效且高概率高质量恢复出原始信号是压缩感知图像重建研究的核心问题,学者们相继提出了传统和基于深度学习的压缩感知图像重建算法,传统算法基于数学推导是可解释的,但其重建质量相对较差,基于深度学习的算法重建质量相对较高,但缺乏可解释性的保证。受滤波流的启发,本文提出了两种基于卷积滤波流的压缩感知图像重建框架,既保留了良好的可解释性,又实现了较高的重建质量。首先,本文提出了基于快速傅里叶卷积与卷积滤波流重建网络模型(称之为FFC-CFFNet),其以卷积层执行压缩采样以及初始重建过程,联合学习优化测量矩阵与卷积滤波流,同时考虑了图像全局上下文信息和图像像素局部邻域信息,建立了完整的端到端可训练的深度图像重建网络。经实验验证,在压缩感知图像重建领域常用的Set5、Set11、BSD68测试数据集和采样率为20%的情况下,FFC-CFFNet的图像重建质量相比于经典的传统算法MH与基于深度学习的算法CSNet的平均PSNR分别提高了2.29d B、0.51d B,有效提升了重建图像质量。其次,本文提出了基于离散小波变换与卷积滤波流重建网络模型(称之为DWT-CFFNet),将小波域与像素域相结合,同时考虑了图像高低频分量信息和图像像素局部邻域信息,建立了完整的端到端可训练的深度图像重建网络。通过实验仿真验证了在Set5、Set11、BSD68数据集和10%采样率下,DWT-CFFNet的图像重建质量相比于主流传统算法MH,基于深度网络展开的传统算法ISTA-Net+和基于深度学习的算法CSNet的平均PSNR分别提高了2.83d B、0.61d B、2.15d B,有效提升了重建图像质量。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头 ，原文地址：https://m.bishedaima.com/lunwen/48314.html
