基于动态字典学习的图像重建算法

发布时间：2024-03-01 01:15

　　图像的有效压缩感知依赖于对目标图像进行稀疏表示的合适字典的先验知识,在实际的自然图像重建中往往缺乏这类知识。传统的解决措施为:将现成的过完备字典用于图像重建。这类字典通常是由大量的训练集预先训练好的,但不一定适合所有待重构的图像,且可能产生过度拟合,即模型泛化造成整个图像的损失。为解决压缩感知理论对于信号的先验性要求过高的问题,出现了盲压缩感知理论,即在不需要先验知识的前提下训练字典重构图像。然而这样的方式对字典和稀疏系数的结构要求非常高,且字典稀疏表达的泛化能力差。为解决上述问题,将特征迁移引入字典学习。提出基于迁移学习的在线动态字典学习算法(Online Dynamic Dictionary Migration Learning Algorithm,ODDML)采用样本子集计算目标误差以及梯度,在线调整预学习字典中与目标域相关的原子,删除与目标域不相关的原子,提高字典的稀疏表达效率。ODDML算法采用迁移学习和动态梯度计算策略可减小训练样本数量,提高目标图像的稀疏表达精度。采用交叉验证策略减小动态梯度计算运算量,方便实现字典的在线学习。分析研究交叉验证和字典迁移学习策略对提出的OD...

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

图5-10径向轨迹的有监督的随机采样方法

上海交通大学博士学位论文第五章基于自先验图像和字典学习的动态磁共振并行成像算法第115页的数据进行直接重建，所得的自先验图像会有伪影。这时可以对这些自先验图像进行多次迭代重建，尽可能消除图像伪影，然后再利用DPISDL方法进行图像重建。另外，还可以适当提高每一帧的k空间采样率，以....

图5-11螺旋采样轨迹的有监督的随机采样方法

上海交通大学博士学位论文第五章基于自先验图像和字典学习的动态磁共振并行成像算法第115页的数据进行直接重建，所得的自先验图像会有伪影。这时可以对这些自先验图像进行多次迭代重建，尽可能消除图像伪影，然后再利用DPISDL方法进行图像重建。另外，还可以适当提高每一帧的k空间采样率，以....

图１．１传统数据传输和压缩感知数据传输??图像重建算法［ｕ］最初是基于插值或者学习的，但这类算法针对放大倍数较??

程，极大地减轻信号在采样编码过程中的计算负担，也减少??计算资源的浪费。而信号可以进行压缩感知采样的前提为该信号可以被压缩，或??者具有稀疏性，即信号可以分解为由特征向量组成的矩阵与含有大多数零元素??的稀疏系数向量的乘积［１（）］。??基于压缩感知的图像重建是压缩感知理论应用于....

图２．１信号的压缩感知示意图??

２－２所示。??ｙ?＝?Ｏｘ?＝?ＯＮＫｏｒ?＝?＆ａ?（２－２）??式中０）为压缩测量矩阵，也称观测矩阵，矩阵大小为ＭｘＴＶ（Ｋ＜Ｍ？Ｎ；），与??正交基Ｖ／满足互不相关的关系是信号ｘ经观测矩阵压缩采样得到的观测数据，??是大小为Ｍｘｌ的向量，这样从原信号ｘ到观测值＾之间的变换....

本文编号：3915215