基于深度展开网络的压缩感知图像重建结题报告.docVIP

基于深度展开网络的压缩感知图像重建结题报告

一、研究背景与问题提出

压缩感知（CompressedSensing,CS）作为一种突破奈奎斯特采样定理限制的信号采集理论，自2006年由Donoho、Candes等人提出以来，已在图像采集、医学成像、无线通信等领域展现出巨大应用潜力。其核心思想是：若信号在某个变换域具有稀疏性，则可以通过远低于奈奎斯特频率的采样率对信号进行非自适应线性测量，再通过求解优化算法实现信号的精确重建。在图像领域，自然图像通常在小波、DCT等变换域具有近似稀疏性，因此压缩感知技术能够大幅降低图像采集的数据量，有效节省存储与传输带宽。

然而，传统压缩感知图像重建方法多基于凸优化算法，如基追踪（BasisPursuit,BP）、正交匹配追踪（OrthogonalMatchingPursuit,OMP）等，这类方法虽然理论成熟，但存在计算复杂度高、重建速度慢的问题，难以满足实时图像处理的需求。例如，基于迭代软阈值（IterativeSoftThresholding,IST）的算法往往需要数百次迭代才能达到理想精度，单张512×512图像的重建时间甚至超过10秒，无法适用于视频监控、实时医学成像等对延迟敏感的场景。

近年来，深度学习技术的迅猛发展为压缩感知图像重建带来了新的解决方案。深度神经网络凭借强大的特征学习能力和并行计算优势，能够在保证重建精度