【压缩感知】Convolutional Neural Networks for Non-iterative Reconstruction of Compressively Sensed Images

压缩感知图像matlab代码 [IEEE计算机视觉和模式识别会议（CVPR），2016]（），第449-458页。 项目页面： 介绍： ReconNet是一种非迭代且极其快速的算法，可从压缩感测（CS）随机测量中重建图像。 在本文中，我们展示了在各种测量速率下，相对于最新的迭代CS重建算法，重建结果（在PSNR和时间复杂度方面）均得到了显着改善。 此处提供的代码有助于重现本文中介绍的某些结果。 引文（BibTex）： 如果您正在使用此代码，请引用以下论文。 @InProceedings{Kulkarni_2016_CVPR, author = {Kulkarni, Kuldeep and Lohit, Suhas and Turaga, Pavan and Kerviche, Ronan and Ashok, Amit}, title = {ReconNet: Non-Iterative Reconstruction of Images From Compressively Sensed Measurements}, booktitle = {The IEEE Conference o

Hierarchical Convolutional Neural Networks for EEG-Based Emotion Recognition

To address this challenge, we propose a fusion view convolutional neural networks (FVCNN) framework to extract the deep fusion features for non-rigid 3D shape classification and retrieval. We first ...

传统基于压缩感知的图像融合算法在通过压缩感知观测图像高频分量时会丢失分量的空间信息,仅能采用简单规则进行融合,导致融合图像纹理细节等信息效果较差。针对此,文中提出了一种结合图像高频特征的自适应融合规则。首先,对融合图像进行非下采样contourlet变换(NSCT),分解后得到的低频子带系数采用区域能量融合规则,较传统低频系数处理更好的保留源图像的背景信息;然后,由于高频子带系数具有较高稀疏性,因此通过压缩感知进行压缩后根据标准差特征自适应选择融合规则;最后,对重构系数进行非下采样contourlet逆变换。实验结果表明:与传统经典算法相比,新方法不仅精准提取到红外目标,同时充分保留可见光图像的细节信息,兼顾了待融合图像的背景信息和红外目标信息,有效提高了融合效果和主观感受。