您好、欢迎来到现金彩票网!
当前位置:21点 > 字冗余 >

图像压缩传感中基于变换域和字典学习的稀疏表示研究由此可见对不

发布时间:2019-07-18 09:35 来源:未知 编辑:admin

  图像压缩传感中基于变换域和字典学习的稀疏表示研究由此可见对不同类别图像、不同重构算法 本章算法的有效性是一致的。 本章小结在第二章深入学习轮廓波变换的优异性质和第三章深入学习字典学习算法的基础上 借鉴小波变换域下应用 算法学习多尺度冗余字典的最新研究成果。针对轮廓波具有较小波变换更为有效的稀疏表示图

  图像压缩传感中基于变换域和字典学习的稀疏表示研究由此可见对不同类别图像、不同重构算法 本章算法的有效性是一致的。 本章小结在第二章深入学习轮廓波变换的优异性质和第三章深入学习字典学习算法的基础上 借鉴小波变换域下应用 算法学习多尺度冗余字典的最新研究成果。针对轮廓波具有较小波变换更为有效的稀疏表示图像 算法学习的冗余字典能够提高图像表示能力。本章我们结合轮廓波变换具有高度结构性和快速算法 以及 算法学习字典能更有效表示图像的优势 算法训练相应的轮廓波高频字典。在图像压缩传感过程中首先将图像轮廓波单级分解 轮廓波低频线性采样 轮廓波高频部分构成的塔式结构进行分块处理 用学习得到的轮廓波高频冗余字典作为稀疏表示矩阵进行压缩传感。实验结果表明 本章提出的图像压缩传感算法 获得较轮廓波域下高频直接进行压缩传感 算法训练空间域字典更有效的重构性能。在未来的工作中 我们将这种字典学习方法具体运用到压缩传感核磁共振成像、合成孔径雷达成像中 也可以运用到图像修复、图像压缩等其他图像处理应用中。第五章总结与展望 总结第五章总结与展望本文在阐述压缩传感理论的三个主要方面 稀疏表示、测量矩阵和重构算法的基础上 重点围绕稀疏先验知识 进行探索研究并做出改进。主要工作包括以下几个方面 针对小波域下高频部分按尺度进行压缩传感测量 测量矩阵较大容易导致重构算法计算复杂及内存不足的缺点 而将所有小波变换系数 包括低频和各高频部分 重组构成的塔式结构直接进行压缩传感 低频部分不够稀疏 进行压缩传感影响图像的重构准确度。提出了在轮廓波变换域下低频线性采样高频部分构成矩阵分块处理的思想。实验过程中 通过对图像稀疏表示系数分块的思想降低测量矩阵维度及重构算法计算的复杂性 重要性采样 即包含重构图像大量信息的低频进行线性采样 高频部分用较少的采样值进行压缩传感 有效地改善了重构图像的主、客观质量评价。 对于能够更有效的稀疏表示图像的基于机器学习方法构造的字典 在深入学习 算法的基础上 针对其自身的局限性 即稀疏编码过程中 用贪婪算法 正交匹配追踪快速但无法获得全局最优解 而若用凸优化方法 如基追踪 能获得全局最优解但计算复杂度极高 此外训练过程中 更新的字典无法及时反馈到稀疏表示的停止准则上。因此 在我们的改进算法中 针对稀疏编码过程 利用可以高效实现 问题求解的最小角度回归算法 快速求解给定训练样本信号更有效的稀疏表示同时 在字典更新过程 采用一种近似的 方法 加快字典学习的收敛。此外 将稀疏编码阶段的信号稀疏度约束与迭代更新的字典关联起来 使得训练样本信号可以在每一次字典的更新后 得到相应的更加稀疏的表示系数 从而又进一步改善字典的更新过程 如此循环迭代 获得更加有效的数据驱动自适应冗余字典。在此基础上 通过实验分析并比较了字典学习改进算法和 算法字典作为稀疏先验的标准灰度图像和标准核磁共振成像 图像压缩传感重构结果的主观、客观质量评价。 图像压缩传感中基于变换域和字典学习的稀疏表示研究 轮廓波变换不能足够有效的表示图像 但它具有高度结构性和快速算法 而基于机器学习算法通过大量的训练实例推导出的字典缺乏结构性 但这种方式构造的字典通常能够更有效的表示图像。因此 本章我们将结合上述两种方法的优势 提出具有结构性的冗余字典学习算法 并将该方法学习得到的结构性冗余字典用作图像压缩传感的稀疏表示矩阵。结构性冗余字典学习算法首先将训练图片用轮廓波变换进行分解 针对轮廓波高频分量训练相应的高频冗余字典。在图像压缩传感过程中则将图像进行轮廓波分解后 低频线性采样 高频部分用结构性冗余字典学习算法得到的轮廓波高频冗余字典作为稀疏表示矩阵进行压缩传感 由于这一过程结构性冗余字典进行稀疏表示引入了噪声 因此 我们将通过 算法学习冗余字典对压缩传感重构高频进行去噪 然后 将低频和去噪后的重构高频进行轮廓波重构 得到最终的重构图像。实验结果表明 利用该结构性冗余字典学习算法的图像压缩传感具有较采用轮廓波低频线性采样高频按行压缩传感和空间域直接用 算法训练得到的冗余字典进行压缩传感更有效的重构性能。 展望本文从压缩传感稀疏表示要求方面提出了 个改进图像压缩传感重构准确度的方案 但本文所做的工作还远远不够 在许多方面还有许多问题有待解决 在此指出本文存在的不足和可待进一步研究的方向 将本文的各种字典学习算法用于压缩传感核磁共振成像、合成孔径雷达成像以及图像纹理分割、人脸识别、目标跟踪等图像处理应用中 由于本文的 改进算法中 稀疏表示阶段每次只选择一个原子 在未来的工作中 可以提出改进算法使得每次选择多个最优原子 加快字典学习的收敛速度 进一步深入学习另外一种新的字典学习算法——非参数贝叶斯字典学习分析方法 并针对其局限 提出改进算法获得更有效的稀疏表示矩阵 用于图像压缩传感 基于 改进算法 结合其它变换域 学习结构性多尺度冗余字典 在训练稀疏表示矩阵的同时 同时训练最优的压缩传感测量矩阵。参考文献参考文献【 石光明刘丹华 高大化等 压缩感知理论及其研究进展【 】张贤达矩阵分析与应用 北京清华大学出版社 北京清华大学出版社 致谢致谢论文的顺利完成预示着我三年的硕士研究生生活即将结束也为我在母校的人生最美好的三年画上了圆满的句号。在此我怀着一份浓重的感恩之情谨向母校献上一声最诚挚的祝福 愿母校明天更美好 向所有给予过关怀、支持和帮助的老师、同学、朋友及亲人表示最诚挚的谢意。首先 衷心地感谢我的导师倪子伟副教授 倪老师为我们创造了一个和谐、融洽的科研环境 并在学习和生活各方面都给予了我很大的关心和帮助 倪老师高度的责任感和严谨的学术态度教导我如何做人、做事、做学问。在科研上 倪老师给了我大量及其有益的建议和具体指导 帮助我排除困难和困惑。对我来说 倪老师谦和的为人风范更是我学习的榜样。此外 也特别感谢王其聪副教授的帮助。在此 向三年来为我花费大量心血的老师们致以衷心的感谢和崇高的敬意。其次 感谢实验室的江松波师兄、甄庆凯学长、蒋雯笑师姐和吴博学长等 在与他们的讨论中我受益匪浅。感谢张真真、项光特、郑杭杰、沈健、李静和李岩等同学 在一起做科研的日子里给予的帮助和提出的宝贵建议。感谢一起相处的师弟师妹 他们的加入 给我们的生活带来了欢乐和笑声。同时 感谢研究生期间给予我关心和帮助的其他所有老师、同学和朋友。感谢钟琪、翟丹丹和胡清兰在我科研和生活最困难的时期陪伴我 鼓励我 她们给我带来了温暖和快乐。再次 特别感谢我的父母 他们的辛勤劳作为我学业的顺利完成提供物质保障 他们在我最困难的时候不抛弃不放弃的精神支持是我前进的动力 感谢他们长期以来的支持与信任 希望我的进步能给他们带来喜悦和欣慰。同时 也感谢弟弟的理解和支持。最后 感谢在百忙之中抽出宝贵时间参与论文评阅和答辩的各位老师及专家 感谢您们的辛苦工作。

http://idiomcoach.com/zirongyu/222.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有