基于深度学习的图像压缩感知重建算法研究

作     者：向鑫鑫 

作者单位：齐鲁工业大学 

学位级别：硕士

导师姓名：杨淑棉

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：压缩感知 深度学习 卷积神经网络 图像重建 

摘      要：压缩感知(Compressed Sensing,CS)是一种高效的信号处理技术,通过利用信号的稀疏性,可以在较低的采样率下准确地获取和重构信号。压缩感知理论表明,当信号可以被稀疏表示时,它可以从远低于奈奎斯特-香农采样定理(Nyquist-Shannon Sampling Theorem)要求的测量值中以较高的概率恢复出原始信号。与传统先采样后压缩的采样模式不同,压缩感知可以在信号采样的同时完成信号压缩,将编码的计算开销转移到解码(重构)阶段。尽管压缩感知在资源受限的图像处理领域具有显著优势,但重构算法的运行效率仍然是制约其应用落地的关键因素。 近年来,随着深度学习技术的不断进步,计算机视觉领域得到了的飞速的发展。深度学习技术正在被广泛应用到图像处理领域,例如图像去噪、图像分割等。基于深度学习的图像压缩感知因其可以以较低的计算复杂度获得比传统迭代算法更好的重构质量,而备受国内外学者的瞩目。然而,现有的深度图像压缩感知算法在采样和重构的过程中没有充分利用图像特征信息,其重构性能仍有提升空间。因此,本文对深度图像压缩感知中的图像特征信息进行了深入研究。主要研究工作涵盖了以下方面: (1)提出一种基于多尺度特征残差学习的图像压缩感知算法。基于深度网络的图像压缩感知方法由于其较低的重建复杂度和较高的重建质量而备受关注。然而,现有方法在图像采样中通常使用一个或多个由相同大小的卷积核组成的卷积层来提取图像特征,导致特征提取不完整。此外,现有模型在图像重建中通常侧重于提取深层特征,而忽略了浅层特征对重构的影响。为了克服这些问题,本文提出了用于图像压缩感知的多尺度特征残差学习网络(MSCRLNet)。在该网络中,不同大小的卷积核在采样中被用来捕捉图像的多层次空间特征,带有通道注意力的多尺度残差网络在重构中被用来加速网络的收敛。实验表明,所提出的MSCRLNet优于许多现有的最先进的方法。 (2)提出一种基于双域采样和特征域优化的图像压缩感知重建算法。深度展开网络是一种用于图像压缩感知可解释重建的新方法。它通过利用卷积神经网络替代传统迭代优化算法的非线性迭代过程,充分发挥卷积神经网络的强大学习能力来提升重构性能。但现有基于深度展开网络的重构方法是在像素域进行信号重构的,图像的特征信息没有得到充分利用。针对这一缺陷,本文提出双域采样和特征域优化网络(DSFONet),在采样阶段,采用图像域和特征域的组合完成图像特征提取,利用可学习的采样矩阵完成采样。在重建阶段,为充分利用图像信息,采用交叉的一维和多维特征域实现信息流动。为防止信息随网络深度的增加而流失,网络保留了当前阶段和前一阶段的特征信息并采用跳越连接防止阶段内部信息流失。实验结果表明,DSFONet在保持与现有的基于深度学习的图像CS方法运行速度相当的同时,具有较好的图像重建质量。