CN108510464A - 基于分块观测的压缩感知网络及全图重构方法 - Google Patents
基于分块观测的压缩感知网络及全图重构方法 Download PDFInfo
- Publication number
- CN108510464A CN108510464A CN201810086381.8A CN201810086381A CN108510464A CN 108510464 A CN108510464 A CN 108510464A CN 201810086381 A CN201810086381 A CN 201810086381A CN 108510464 A CN108510464 A CN 108510464A
- Authority
- CN
- China
- Prior art keywords
- network
- convolutional layer
- output end
- image
- convolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 44
- 238000003475 lamination Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000011084 recovery Methods 0.000 abstract description 9
- 230000000903 blocking effect Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 241000721047 Danaus plexippus Species 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 241000287530 Psittaciformes Species 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- QIVUCLWGARAQIO-OLIXTKCUSA-N (3s)-n-[(3s,5s,6r)-6-methyl-2-oxo-1-(2,2,2-trifluoroethyl)-5-(2,3,6-trifluorophenyl)piperidin-3-yl]-2-oxospiro[1h-pyrrolo[2,3-b]pyridine-3,6'-5,7-dihydrocyclopenta[b]pyridine]-3'-carboxamide Chemical class C1([C@H]2[C@H](N(C(=O)[C@@H](NC(=O)C=3C=C4C[C@]5(CC4=NC=3)C3=CC=CN=C3NC5=O)C2)CC(F)(F)F)C)=C(F)C=CC(F)=C1F QIVUCLWGARAQIO-OLIXTKCUSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于分块观测的压缩感知网络及全图重构方法,主要解决现有网络恢复图像质量差的问题。其网络包括观测子网络和重构子网络,该观测子网络由第一卷积层组成;该重构子网络,包括反卷积层、第二卷积层、12个大小相同的残差块、第五卷积层和第六卷积层;每个残差块包括第三卷积层和第四卷积层;第一卷积层的输出端与反卷积层的输入端连接,反卷积的输出端与第二卷积层的输入端连接,第二卷积的输出端再与12个残差块依次连接,第12个残差块的输出端与第五卷积层的输入端连接,第二卷积的输出端和第五卷积的输出端共同连接到第六卷积的输入端。用本发明网络避免了重构图像的块效应,提高了图像恢复质量,可用于图像处理。
Description
技术领域
本发明属于压缩感知技术领域,主要涉及一种分块观测的压缩感知网络及全图重构方法,可用于图像处理。
背景技术
在大量的实际问题中,人们倾向于尽量少地采集数据,或者由于客观条件所限不得不采集不完整的数据。传统的图像压缩是基于奈奎斯特定理采样进行数据采集,并从数据本身特性出发,寻找并剔除数据中隐含的冗余度。这样造成的结果是,数据压缩必须在数据完整采集之后,压缩过程要求复杂的算法,这和大量采集并处理信号的设备性能是矛盾的。压缩感知的概念就是为了解决这一问题提出的,它能以远低于奈奎斯特频率直接采集压缩后的信号,并通过数值最优问题准确重构出原始信号。
目前,针对压缩感知理论的图像恢复方法的研究,主要集中在利用传统的贪婪算法,迭代阈值法或者引入深度学习的方法进行图像重构。其中迭代阈值法和贪婪算法都需要大量的迭代运算,耗时长。所以最近的研究逐渐转向利用深度学习方法来进行图像重构。已有的深度学习的方法一般是将大图分成小块,利用高斯矩阵作为观测矩阵,再构建学习网络作为恢复网络依次恢复块图像。这种将大图分割成小图的方法会造成重构出的图像具有明显的块效应,在较低的观测率下恢复出来的图像模糊,语义信息不明显,而且需要保证有大量的训练数据集,训练过程时间长,不适用于在较低观测率下的图像重构。
发明内容
本发明的目的在于针对上述已有的技术的不足,提出一种基于分块观测的压缩感知网络,以在任意观测率下都能彻底解决块效应的弊端,尤其是在低观测率下能大幅度提高图像恢复质量。
本发明的技术思路是:在以往实现方法的基础上,图像观测仍旧采用分块观测,而在图像重构上创新性的提出全图重构的方式。分块观测采用卷积操作对整个图像进行一次性的不交叠的统一采样,图像所有的观测是在网络的一次正向传播中完成,其实现方案如下:
一.基于分块观测的压缩感知网络,包括观测子网络和重构子网络,其特征在于:
所述观测子网络,由第一卷积层组成;
所述重构子网络,包括反卷积层、第二卷积层、12个大小相同的残差块、第五卷积层和第六卷积层;每个残差块由两个相同的第三卷积层和第四卷积层组成;
该第一卷积层的输出端连接到反卷积层的输入端,反卷积的输出端与第二卷积层的输入端连接,第二卷积的输出端再与12个残差块依次连接,第12个残差块的输出端连接到第五卷积层的输入端,第二卷积的输出端和第五卷积的输出端共同连接到第六卷积的输入端。
进一步,所述第二卷积层的输出端与12个残差块依次连接,是将第二卷积的输出端首先进行Relu激活处理,再连接到第一个残差块里的第三卷积层输入端,将第三层卷积层的输出端同样进行Relu激活处理,再连接到第四卷积层的输入端,第四层卷积层的输出端作为第一个残差块的输出端,并将第一个残差块的输入端和输出端连接起来;第一个残差块的输出端连接到第二个残差块的输入端,第二个残差块的内部连接与第一个残差块相同,以此类推,完成12个残差块的连接。
二.基于分块观测的压缩感知网络进行图像重构的方法,包括:
1)下载DIV2K数据集,共包含800张训练图片,对数据集里的每张图片进行随机裁剪处理,形成256×256大小的灰度图训练数据集;
2)训练网络:
2a)将训练数据集输入到分块观测的压缩感知网络中,得到输出图像f;
2b)计算输入图像I与输出图像f的欧式距离作为损失函数L,将损失函数L反向传播,得到该网络的每一级损失总数δ;
2c)利用每一级的损失总数δ,采用随机梯度下降算法更新网络权值参数W;
2d)重复2a)-2c)共1000次,得到训练好的图像重构网络;
3)将任意测试图像输入训练好的图像重构网络,得到重构图像。
本发明与现有技术相比具有以下优点:
1.硬件实现简单
本发明通过用卷积层重新定义了分块观测的方式,这种方式由于理论上仍与传统的分块观测具有相同的单次观测量,因此在硬件实现上可以直接使用已有的基于压缩感知设计的硬件设备。
2.图像结构信息强
现有的利用深度学习方法来处理图像重构,是将大图分成小图依次输入网络观测和重构,会损失掉原图块与块之间的结构信息,造成恢复的图像有明显的块效应。而本发明的恢复网络采用的是全图统一恢复的网络结构,在恢复过程中建立了块与块图像的位置关系,弥补了由采样带来结构信息损失,从而在恢复图像中彻底消除了块效应,加强了整个网络对图像结构信息的采样与重构。通过在不同环境观测率下对不同图像进行测试,图片的恢复质量相较已有的方法均有提高,即使是在极低的观测率下,该网络仍能恢复出基本的图像结构而不具备块效应。
3.图像恢复质量高
本发明由于消除了传统方法带来的块效应,在任何观测率下都能保留图像的结构信息,极大地提高了图像的视觉效果。
测试结果表明:用本发明方法重构的图像峰值信噪比PSNR是在压缩感知领域较高的。
附图说明
图1为本发明的网络结构图;
图2为用本发明网络进行图像重构的实现流程图;
图3为现有的Monarch,Lena,Cameraman,Boats标准图;
图4为用本发明在不同环境观测率下对图3的重构图像结果图。
具体实施方式
下面结合附图对本发明的实施例和效果做进一步详细描述。
参照图1,本发明基于分块观测的压缩感知网络,包括观测子网络和重构子网络两部分,其中:
观测子网络,由第一卷积层组成;
重构子网络,包括反卷积层、第二卷积层、12个大小相同的残差块、第五卷积层和第六卷积层;每个残差块由两层相同的第三卷积层和第四卷积层组成。
该第一卷积层的输出端连接到反卷积层的输入端,反卷积的输出端与第二卷积层的输入端连接,第二卷积的输出端再与12个残差块依次连接,第12个残差块的输出端连接到第五卷积层的输入端,第二卷积的输出端和第五卷积的输出端共同连接到第六卷积的输入端。
所述第二卷积层的输出端与12个残差块依次连接,是将第二卷积的输出端首先进行Relu激活处理,再连接到第一个残差块里的第三卷积层输入端,将第三层卷积层的输出端同样进行Relu激活处理,再连接到第四卷积层的输入端,第四层卷积层的输出端作为第一个残差块的输出端,并将第一个残差块的输入端和输出端连接起来;第一个残差块的输出端连接到第二个残差块的输入端,第二个残差块的内部连接与第一个残差块相同,以此类推,完成12个残差块的连接。
所述Relu激活处理是从需要进行Relu激活的输入层x和0中取最大值,作为激活后的输出f(x),即f(x)=max(0,x)。
上述网络的各层参数需要根据重构图像的大小和环境观测量去设定,在本实例中,第一卷积层中卷积厚度k1根据环境观测量设置,当环境观测量分别为1%,4%,10%,25%时,卷积厚度k1的设置分别为10,42,102,256,卷积大小h1=32×32,步长s1=32;
反卷积层的反卷积大小h2=32×32,步长s2=32,k2=1;
第二卷积层的卷积大小h3=9×9,步长s3=1,k3=64;
第三卷积层和第四卷积层的卷积大小h4=3×3,步长s4=1,k4=64;
第五卷积层的卷积大小h5=3×3,步长s5=1,k5=64;
第六卷积层的卷积大小h6=9×9,步长s6=1,k6=1。
上述参数的设定仅是本发明的一个实例,并不构成对本发明的限制。
参照图2,利用上述网络进行图像重构的实现步骤如下:
步骤1,获取训练数据集。
下载DIV2K数据集,得到共包含800张的训练图片,对该数据集里的每张图片进行随机裁剪处理,形成256×256大小的灰度图训练数据集。
步骤2,训练网络。
(2a)将训练数据集输入到本发明构建的上述基于分块观测的压缩感知网络中得到输出图像f,该输出图像f的像素点值与输入图像I的像素点值及权值参数{W}有关,其中{W}代表基于分块观测的压缩感知网络中的29组权值参数,29组权值参数分别对应网络的29层;
上述的权值参数{W}包括网络每层的权重参数和偏置参数。在本实例中权重参数初始值均设置为平均值为0、方差为0.02的随机数,偏置参数初始值均设置为常数0;
(2b)通过如下公式计算输入图像I与输出图像f的欧式距离,作为损失函数L;
Ii代表输入图像的第i个像素点值,f(Ii,{W})代表经过网络正向传播后输出图像对应像素点值,T为输入图像的总像素点个数,L为输入图像与输出图像的欧式距离;
(2c)将损失函数L反向传播,得到该网络的每一层的损失总数δl:
δl=[(Wl+1)Tδl+1]⊙σ(zl) l=1,2,…,29,
其中⊙表示Hadamard乘积,用于矩阵或向量点对点的乘法运算;l表示网络的第l层,Wl+1表示网络的l+1层权值参数,zl表示网络第l层的输入,σ(zl)表示网络第l层对应的输出,δl表示网络第l层的损失总数,损失总数δl最后一层为损失函数L,即δ29为L;
(2d)利用每一层的损失总数δl,采用随机梯度下降算法更新网络每层的权值参数,得到更新后网络每层的权值参数W′l;
其中l表示网络的层数,等式左边的W′l为更新后网络的第l层权值参数,等式右边的Wl为当前计算时未更新的网络第l层的权值参数,δl表示网络第l层的损失总数,α表示网络的学习率,本实例中α设置为10-4;
(2e)重复(2a)-(2d)共1000次,得到训练好的图像重构网络。
步骤3,测试网络。
(3a)获取测试数据集:
本实例中,测试数据集包括但不限于现有的Monarch、Parrots、Barbara、Boats、Cameraman、House、Lena这七张标准测试图像,图3展示了其中的Monarch,Lena,Cameraman和Boats这四张标准图;
(3b)将测试图像输入训练好的图像重构网络,得到重构图像。
本发明的效果可通过以下测试实例进一步说明:
一.测试条件:
在环境观测量分别为1%,4%,10%,25%的条件下,取基于分块观测的压缩感知网络的第一卷积层的卷积厚度k1的设置分别为10,42,102,256,其余网络参数如上所述,构成四个网络。
二.测试内容
1.分别对这四个网络进行训练,得到训练好的网络;将如图3所示的四张测试图像分别送入经过训练好的这四个不同网络,分别得到不同环境观测量下的重构图像,如图4所示,其中图4(a)对应图3(a)、图4(b)对应图3(b)、图4(c)对应图3(c)、图4(d)对应图3(d)。
从图4可见,图像经过基于分块观测的压缩感知网络恢复出的重构图像具有较好的图像质量,且在任何观测率下的重构图像都无块效应。
2.将包含Monarch、Parrots、Barbara、Boats、Cameraman、House、Lena这七张标准测试图像分别送入经过训练好的这四个不同网络,分别得到不同环境观测量下的重构图像,并对这些重构图像的峰值信噪比PSNR进行测试,结果如表一:
表一重构图像的PSNR
从表一可见,在不同的观测率下,重构图像的PSNR都有较高的数值,尤其是在低观测率下。
Claims (10)
1.基于分块观测的压缩感知网络,包括观测子网络和重构子网络,其特征在于:
所述观测子网络,由第一卷积层组成;
所述重构子网络,包括反卷积层、第二卷积层、12个大小相同的残差块、第五卷积层和第六卷积层;每个残差块由两个相同的第三卷积层和第四卷积层组成;
该第一卷积层的输出端连接到反卷积层的输入端,反卷积的输出端与第二卷积层的输入端连接,第二卷积的输出端再与12个残差块依次连接,第12个残差块的输出端连接到第五卷积层的输入端,第二卷积的输出端和第五卷积的输出端共同连接到第六卷积的输入端。
2.根据权利要求1所述的网络,其特征在于:第二卷积层的输出端与12个残差块依次连接,是将第二卷积层的输出端与12个残差块依次连接,是将第二卷积的输出端首先进行Relu激活处理,再连接到第一个残差块里的第三卷积层输入端,将第三层卷积层的输出端同样进行Relu激活处理,再连接到第四卷积层的输入端,第四层卷积层的输出端作为第一个残差块的输出端,并将第一个残差块的输入端和输出端连接起来;第一个残差块的输出端连接到第二个残差块的输入端,第二个残差块的内部连接与第一个残差块相同,以此类推,完成12个残差块的连接。
3.根据权利要求2所述的网络,特征在于:第二卷积层与12个残差块里的第三卷积层均要在该层的输出端按如下公式进行Relu激活后,再输入到下一层网络的输入端:
f(x)=max(0,x),
f(x)是指进行激活后的输出,x是指需要进行Relu激活的输入层,max(0,x)是指取0和x中的最大值。
4.根据权利要求1所述的网络,特征在于:
第一卷积层中的卷积大小h1与图像的分块大小相同,卷积的步长s1等于卷积的大小h1,卷积层的厚度k1与设定的环境观测率r呈正相关;
第二卷积层中的卷积大小h3为9×9,k3与网络输入的图像一致,步长s3与第一卷积层相同,即s2等于s1。
5.根据权利要求1所述的网络,特征在于:反卷积层中的反卷积大小h2与步长s2与第一卷积层相同,即h2等于h1,s2等于s1,厚度k2与网络输入的图像一致。
6.根据权利要求1所述的网络,特征在于:
第三卷积层和第四卷积层的厚度k4均为64,大小h4为3x3,步长s4为1;
第五卷积层的厚度k5为64,大小h5为3x3,步长s5为1;
第六卷积层的厚度k6为1,大小h6为9x9,步长s6为1。
7.基于分块观测的压缩感知网络进行图像重构的方法,包括:
1)下载DIV2K数据集,共包含800张训练图片,对数据集里的每张图片进行随机裁剪处理,形成256×256大小的训练数据集;
2)训练网络:
2a)将训练数据集输入到分块观测的压缩感知网络中,得到输出图像f;
2b)计算输入图像I与输出图像f的欧式距离作为损失函数L,将损失函数L反向传播,得到该网络的每一级损失总数δ;
2c)利用每一层的损失总数δ,采用随机梯度下降算法更新网络权值参数W;
2d)重复2a)-2c)共1000次,得到训练好的图像重构网络;
3)将任意测试图像输入训练好的图像重构网络,得到重构图像。
8.根据权利要求7所述的方法,其特征在于:步骤2b)中计算输入图像与输出图像的欧式距离,通过如下公式计算:
其中{W}代表分块观测的压缩感知网络的一组权值参数,每个参数初始分别为其设置对应参数值;Ii代表输入图像的第i个像素点值,f(Ii,{W})代表经过网络正向传播后输出图像对应像素点值,T为输入图像的总像素点个数,L为输入图像与输出图像的欧式距离。
9.根据权利要求7所述的方法,其特征在于:步骤2b)中将损失函数反向传播,得到网络的每一层损失总数,通过如下公式进行:
δl=[(Wl+1)Tδl+1]⊙σ(zl)l=1,2,…,28.
其中⊙表示Hadamard乘积,用于矩阵或向量点对点的乘法运算;l表示网络的第l层,Wl +1表示网络的l+1层权值参数,zl表示网络第l层的输入,σ(zl)表示网络第l层对应的输出,δl表示网络第l层的损失总数,损失总数δ的最后一级即为损失函数L。
10.根据权利要求7所述的方法,其特征在于:步骤2c)中采用随机梯度下降算法更新网络权值参数,通过如下公式进行:
其中等式左边的W′l为更新后网络的第l层权值参数,等式右边的Wl为当前计算时未更新的网络第l层的权值参数,δl表示网络第l层的损失总数,α表示网络的学习率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810086381.8A CN108510464B (zh) | 2018-01-30 | 2018-01-30 | 基于分块观测的压缩感知网络及全图重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810086381.8A CN108510464B (zh) | 2018-01-30 | 2018-01-30 | 基于分块观测的压缩感知网络及全图重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108510464A true CN108510464A (zh) | 2018-09-07 |
CN108510464B CN108510464B (zh) | 2021-11-30 |
Family
ID=63374826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810086381.8A Active CN108510464B (zh) | 2018-01-30 | 2018-01-30 | 基于分块观测的压缩感知网络及全图重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108510464B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949257A (zh) * | 2019-03-06 | 2019-06-28 | 西安电子科技大学 | 基于深度学习的感兴趣区域压缩感知图像重构方法 |
CN111681156A (zh) * | 2020-06-16 | 2020-09-18 | 南开大学 | 一种应用于无线传感器网络的深度压缩感知图像重构方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207547A (zh) * | 2010-03-31 | 2011-10-05 | 中国科学院电子学研究所 | 一种适用于稀疏微波成像的随机噪声雷达的信号处理方法 |
CN102509257A (zh) * | 2011-11-23 | 2012-06-20 | 上海交通大学 | 基于人类视觉特性压缩感知的灰度图像篡改检测方法 |
CN102568017A (zh) * | 2012-01-04 | 2012-07-11 | 西安电子科技大学 | 基于滤波算子的交替优化压缩感知图像重构方法 |
CN103149561A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 一种基于场景块稀疏的稀疏微波成像方法 |
CN103559696A (zh) * | 2013-09-29 | 2014-02-05 | 南京邮电大学 | 一种基于压缩感知的图像融合方法 |
US20160123943A1 (en) * | 2013-06-05 | 2016-05-05 | Institute of Microelectronics, Chinese Academy of Sciences | Gas recognition method based on compressive sensing theory |
CN106250899A (zh) * | 2016-07-29 | 2016-12-21 | 华东交通大学 | 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 |
CN106910185A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的dbcc分类模型及构建方法 |
CN107194469A (zh) * | 2017-05-11 | 2017-09-22 | 西安电子科技大学 | 基于时间序列数据和随机梯度下降法的网络重构方法 |
CN107205154A (zh) * | 2017-06-07 | 2017-09-26 | 南京邮电大学 | 一种基于矩阵补全的无线多媒体传感网图像压缩采集方法 |
CN107463989A (zh) * | 2017-07-25 | 2017-12-12 | 福建帝视信息科技有限公司 | 一种基于深度学习的图像去压缩伪影方法 |
CN107481188A (zh) * | 2017-06-23 | 2017-12-15 | 珠海经济特区远宏科技有限公司 | 一种图像超分辨率重构方法 |
CN107610192A (zh) * | 2017-09-30 | 2018-01-19 | 西安电子科技大学 | 基于深度学习的自适应观测压缩感知图像重构方法 |
-
2018
- 2018-01-30 CN CN201810086381.8A patent/CN108510464B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207547A (zh) * | 2010-03-31 | 2011-10-05 | 中国科学院电子学研究所 | 一种适用于稀疏微波成像的随机噪声雷达的信号处理方法 |
CN102509257A (zh) * | 2011-11-23 | 2012-06-20 | 上海交通大学 | 基于人类视觉特性压缩感知的灰度图像篡改检测方法 |
CN103149561A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 一种基于场景块稀疏的稀疏微波成像方法 |
CN102568017A (zh) * | 2012-01-04 | 2012-07-11 | 西安电子科技大学 | 基于滤波算子的交替优化压缩感知图像重构方法 |
US20160123943A1 (en) * | 2013-06-05 | 2016-05-05 | Institute of Microelectronics, Chinese Academy of Sciences | Gas recognition method based on compressive sensing theory |
CN103559696A (zh) * | 2013-09-29 | 2014-02-05 | 南京邮电大学 | 一种基于压缩感知的图像融合方法 |
CN106250899A (zh) * | 2016-07-29 | 2016-12-21 | 华东交通大学 | 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 |
CN106910185A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的dbcc分类模型及构建方法 |
CN107194469A (zh) * | 2017-05-11 | 2017-09-22 | 西安电子科技大学 | 基于时间序列数据和随机梯度下降法的网络重构方法 |
CN107205154A (zh) * | 2017-06-07 | 2017-09-26 | 南京邮电大学 | 一种基于矩阵补全的无线多媒体传感网图像压缩采集方法 |
CN107481188A (zh) * | 2017-06-23 | 2017-12-15 | 珠海经济特区远宏科技有限公司 | 一种图像超分辨率重构方法 |
CN107463989A (zh) * | 2017-07-25 | 2017-12-12 | 福建帝视信息科技有限公司 | 一种基于深度学习的图像去压缩伪影方法 |
CN107610192A (zh) * | 2017-09-30 | 2018-01-19 | 西安电子科技大学 | 基于深度学习的自适应观测压缩感知图像重构方法 |
Non-Patent Citations (6)
Title |
---|
HANTAO YAO等: ""DR2-Net:Deep Residual Reconstruction Network for image Comprehensive Sensing"", 《ARXIV》 * |
KULDEEP KULKARNI等: ""ReconNet:Non-Iterative Reconstruction of Images from Compressively Sensed Random Measurement"", 《ARXIV》 * |
XUEMEI XIE等: ""Adaptive Measurement Network for CS ImageReconstruction"", 《CHINESE CONFERENCE ON COMPUTER VISION》 * |
XUEMEI XIE等: ""Fully-Convolutional Measurement Network for Compressive Sensing Image Reconstruction"", 《ARXIV》 * |
向永源等: ""高分辨率太阳图像重建方法"", 《天文学进展》 * |
李然等: ""基于分块压缩感知的图像全局重构模型"", 《信号处理》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949257A (zh) * | 2019-03-06 | 2019-06-28 | 西安电子科技大学 | 基于深度学习的感兴趣区域压缩感知图像重构方法 |
CN109949257B (zh) * | 2019-03-06 | 2021-09-10 | 西安电子科技大学 | 基于深度学习的感兴趣区域压缩感知图像重构方法 |
CN111681156A (zh) * | 2020-06-16 | 2020-09-18 | 南开大学 | 一种应用于无线传感器网络的深度压缩感知图像重构方法 |
CN111681156B (zh) * | 2020-06-16 | 2022-09-23 | 南开大学 | 一种应用于无线传感器网络的深度压缩感知图像重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108510464B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784676B (zh) | 基于自动编码器网络的压缩感知测量矩阵优化方法和*** | |
Ruderman et al. | Statistics of natural images: Scaling in the woods | |
CN111932461B (zh) | 一种基于卷积神经网络的自学习图像超分辨率重建方法及*** | |
CN108647639A (zh) | 实时人体骨骼关节点检测方法 | |
CN112116601B (zh) | 基于生成对抗残差网络的压缩感知采样重建方法及*** | |
CN113450288B (zh) | 基于深度卷积神经网络单图像去雨方法、***和存储介质 | |
CN108573479A (zh) | 基于对偶生成对抗式网络的人脸图像去模糊和恢复方法 | |
CN112818764B (zh) | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 | |
CN112465718A (zh) | 一种基于生成对抗网络的两阶段图像修复方法 | |
CN108734675A (zh) | 基于混合稀疏先验模型的图像复原方法 | |
CN108765330A (zh) | 基于全局和局部先验联合约束的图像去噪方法和装置 | |
CN108111860B (zh) | 基于深度残差网络的视频序列丢失帧预测恢复方法 | |
CN111046737B (zh) | 一种用于微地震信号检测的高效智能感知采集方法 | |
CN102332153A (zh) | 基于核回归的图像压缩感知重构方法 | |
CN108923984A (zh) | 基于卷积网络的时空视频压缩感知方法 | |
CN107784628A (zh) | 一种基于重建优化和深度神经网络的超分辨率实现方法 | |
CN108537104A (zh) | 基于全图观测的压缩感知网络及感知损失重构方法 | |
CN111080531A (zh) | 一种水下鱼类图像的超分辨率重建方法、***及装置 | |
CN101017373A (zh) | 工业过程多分辨率软测量仪表及方法 | |
CN110148139A (zh) | 一种图像恢复方法及装置 | |
CN108510464A (zh) | 基于分块观测的压缩感知网络及全图重构方法 | |
CN104103042B (zh) | 一种基于局部相似性和局部选择的非凸压缩感知图像重构方法 | |
CN114418850A (zh) | 一种融合图卷积的有参考图像超分辨率重构方法 | |
CN110599585A (zh) | 基于深度学习的单图像人体三维重建方法及装置 | |
CN110852948A (zh) | 基于特征相关性的图像超分辨方法、存储介质及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |