基于扩张卷积的图像压缩感知算法研究

作     者：卢瑞 

作者单位：江西理工大学 

学位级别：硕士

导师姓名：叶坤涛

授予年度：2023年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：扩张卷积 卷积神经网络 特征聚合残差块 树形结构残差块 图像重建 压缩感知 

摘      要：随着社会的发展,人们对数据的要求也在日益提高,导致信息传输速度相应提高,在数据收集处理过程中,对采集频率和处理速度等的需求也在增加。由于具有冗余性和稀疏性,图像可以根据压缩感知理论进行重建。图像压缩感知的目标是将图像从少于奈奎斯特采样定理所要求的测量值中准确地重建,要实现图像压缩感知,需要解决两个关键问题,一是如何设计高效的采样矩阵来获取测量值,二是如何从测量值中快速恢复高质量的重建图像。目前,利用卷积神经网络来完成图像压缩感知重建任务取得了不错的效果,这类网络通常由采样网络、初步重建网络以及深度重建网络组成。然而,现有的图像压缩感知重建模型在重建网络的设计上普遍存在计算复杂度高、牺牲重建时间来换取重建图像质量的问题。为此,本文的工作重心主要在重建网络上,旨在提出一种兼顾重建质量和运行速度的深度重建网络用于解决上述问题,具体内容如下:(1)提出了一种特征聚合残差块,构建了一个基于特征聚合残差块的图像压缩感知模型,称之为TDCN＿FARB。该残差块级联了一个由扩张率为1的扩张卷积、批量归一化层和Re LU激活函数构成的组合层、一个由扩张率为2的扩张卷积、批量归一化层和Re LU激活函数构成的组合层和一个由扩张率为3的克罗内克卷积、批量归一化层和Re LU激活函数构成的组合层,然后通过特征融合操作把每个组合层的输出进行特征融合,最后把输入输出相连接,形成残差形式,得到特征聚合残差块。实验结果表明,所提出的TDCN＿FARB优于近年来大部分主流的算法。(2)提出了一种树形结构残差块,构建了一个基于树形结构残差块的图像压缩感知模型,称之为TDCN＿TSRB。该残差块级联了三个扩张率分别为1、2和3的扩张卷积,然后也是通过特征融合操作把每个扩张卷积的输出进行特征融合,最后把输入输出相连接,形成残差形式得到树形结构残差块。与特征聚合残差块相比,去除了其中所使用的批量归一化层和池化层。实验结果表明,所提出的TDCN＿TSRB模型在图像压缩感知重建性能上要优于TDCN＿FARB和近年来大多数的算法。