基于SRCNN的压缩感知图像超分辨率重建仿真研究

《基于SRCNN的压缩感知图像超分辨率重建仿真研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、，密级分类号：，：＿＿＿＿＿＿／ＵＤＣ：：编号——专业硕士学位论文（工程硕士）基于ＳＲＣＮＮ的压缩感知图像超分辨率重建仿真研究硕士研究生：朱中杭指导教师：黄丽莲教授企业导师：张小华工程领域：电子与通信工程论文主审人：刘云涛副教授哈尔滨工程大学２０１８年６月分类号：密级：UDC：编号：专业硕士学位论文（工程硕士）基于SRCNN的压缩感知图像超分辨率重建仿真研究硕士研究生：朱中杭指导教师：黄丽莲教授企业导师：张小华学位级别：工程硕士工程领域：电

2、子与通信工程所在单位：信息与通信工程学院论文提交日期：2018年4月论文答辩日期：2018年6月学位授予单位：哈尔滨工程大学ClassifiedIndex:U.D.C:ADissertationfortheProfessionalDegreeofMaster（MasterofEngineering）TheResearchonCompressiveSensingImageSuper-ResolutionReconstructionUsingSRCNNCandidate:ZhuZhonghangSu

3、pervisor:Prof.HuangLilianAcademicDegreeAppliedfor:MasterofEngineeringEngineeringField:ElectronicandCommunicationEngineeringDateofSubmission:Apr.2018DateofOralExamination:Jun.2018University:HarbinEngineeringUniversity基于SRCNN的压缩感知图像超分辨率重建仿真研究摘要压缩感知（CS）

4、技术凭借其在稀疏信号处理中采样率低于奈奎斯特要求的优势，在实际生活中得到了广泛的应用，其中最关键的问题就是能否超分辨率准确重建原始图像信号。SRCNN（Super-ResolutionConvolutionalNeuralNetwork）是超分辨率卷积神经网络中的一种，因端对端的简易处理模式和准确的超分辨率重建能力使其在图像处理领域受到了极大的欢迎。本文基于对压缩感知图像重建算法的研究，将超分辨率卷积神经网络SRCNN和压缩感知重建算法OMP以及分块OMP相结合，利用MATLAB对混合算法进行软

5、件仿真，实验结果表明混合算法对于图像的超分辨率重建效果比压缩感知重建算法效果更好。最后利用FPGA中的Vivado软件，实现超分辨率卷积神经网络SRCNN的RTL电路图和波形仿真。本文首先介绍了压缩感知和超分辨率卷积神经网络的相关理论知识。对压缩感知的研究背景和国内外研究中的主要算法进行了简要分析，重点讨论不同类型超分辨率卷积神经网络的算法和结构特点，为混合算法的提出作铺垫。然后提出将超分辨率卷积神经网络和压缩感知图像重建算法结合的思想，并根据相关数学理论证明其可行性。利用仿真软件对压缩感知图像

6、重建算法OMP以及分块OMP和超分辨率卷积神经网络SRCNN结合的混合算法进行仿真，实验结果显示混合算法重建结果的峰值信噪比及结构相似性均有明显提高，说明混合算法在图像重建中的性能比简单压缩感知算法更好。最后进行超分辨率卷积神经网络SRCNN算法的硬件仿真。首先介绍了硬件仿真实验选用的Zedboard硬件板块，然后利用Vivado和VivadoHLS软件综合编译算法代码得到RTL电路图和硬件仿真波形，对比分析电路图和仿真波形信号流，验证编译代码的准确性，完成算法的仿真实验。关键词：压缩感知；超分

7、辨率图像重建；卷积神经网络；VivadoI基于SRCNN的压缩感知图像超分辨率重建仿真研究ABSTRACTCompressedsensing(CS)technologyhasbeenwidelyusedinreallifeforitsadvantagesoflowersamplingratethanNyquist'sdemandinsparsesignalprocessing.Themostcriticalproblemiswhethertheoriginalimagesignalcanbere

8、constructedaccuratelybysuper-resolution.SRCNN(Super-ResolutionConvolutionalNeuralNetwork)isoneofthesuper-resolutionconvolutionneuralnetworks.Becauseofitssimpleend-to-endprocessingandaccuratesuper-resolutionreconstructionability,ithasbeengreatlywelcom