| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景与研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容及章节安排 | 第13-15页 |
| 第2章 相位恢复与卷积神经网络基础 | 第15-23页 |
| 2.1 经典相位恢复算法 | 第15-16页 |
| 2.2 压缩感知理论以及与相位恢复的关系 | 第16-18页 |
| 2.3 基于正则化的编码衍射模型 | 第18-20页 |
| 2.3.1 编码衍射成像系统 | 第18-20页 |
| 2.3.2 正则化的编码衍射成像模型 | 第20页 |
| 2.4 卷积神经网络基础 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于即插即用先验的编码衍射成像算法 | 第23-36页 |
| 3.1 引言 | 第23页 |
| 3.2 非局部均值滤波 | 第23-24页 |
| 3.3 即插即用先验模型 | 第24-25页 |
| 3.4 即插即用先验编码衍射成像算法 | 第25-29页 |
| 3.4.1 基于ADMM方法的优化求解 | 第26-27页 |
| 3.4.2 基于邻近梯度方法的优化求解 | 第27-29页 |
| 3.5 重构图像客观评价标准 | 第29-30页 |
| 3.6 实验结果分析与对比 | 第30-35页 |
| 3.6.1 算法性能验证 | 第30-34页 |
| 3.6.2 算法的收敛性分析 | 第34-35页 |
| 3.7 本章小结 | 第35-36页 |
| 第4章 基于去噪网络邻近算子的编码衍射成像算法 | 第36-49页 |
| 4.1 引言 | 第36页 |
| 4.2 可学习阈值的浅层卷积去噪神经网络 | 第36-40页 |
| 4.2.1 网络设计 | 第36-37页 |
| 4.2.2 网络参数设置与训练 | 第37-38页 |
| 4.2.3 网络去噪性能测试 | 第38-40页 |
| 4.3 基于浅层去噪网络邻近算子的编码衍射算法 | 第40-41页 |
| 4.4 实验结果分析 | 第41-48页 |
| 4.4.1 算法迭代过程中网络模型的选择规则 | 第42-43页 |
| 4.4.2 算法抗高斯噪声性能 | 第43-45页 |
| 4.4.3 算法抗泊松噪声性能 | 第45-46页 |
| 4.4.4 算法的收敛性能 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于即插即用先验与邻近梯度神经网络的编码衍射成像算法 | 第49-62页 |
| 5.1 引言 | 第49页 |
| 5.2 图像基于即插即用先验模型的初步重建 | 第49-51页 |
| 5.2.1 黄金分割法 | 第49-50页 |
| 5.2.2 基于BM3D即插即用先验的编码衍射成像算法 | 第50-51页 |
| 5.3 邻近梯度卷积神经网络模型 | 第51-56页 |
| 5.3.1 残差块机制 | 第51-52页 |
| 5.3.2 邻近梯度网络模型 | 第52-55页 |
| 5.3.3 网络训练与参数设置 | 第55-56页 |
| 5.4 算法整体流程 | 第56-57页 |
| 5.5 实验结果与分析比较 | 第57-61页 |
| 5.6 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第69-70页 |
| 致谢 | 第70页 |