摘要
相位恢复是图像逆问题的一种,通过图像信号的幅值,恢复出采样过程中缺失的相位信息.目前相位恢复算法使用稀疏先验以及传统去噪器先验,存在特征表征不充分的问题.prDeep算法使用DnCNN卷积神经网络作为去噪器先验,结合去噪正则化模型提升了恢复效果,但是仍存在对复杂噪声鲁棒性较差的问题.针对prDeep算法对复杂噪声鲁棒不足的问题,提出了用FFDNet作为去噪器先验与去噪正则化模型相结合的算法.该算法利用FFDNet网络对噪声的自适应性,使用去噪正则化(RED)构建优化模型,解决了复杂正则化模型求导繁琐的问题.在保证卷积神经网络对特征表征能力的同时,提高了对复杂噪声的鲁棒性以及算法的迭代效率.仿真实验结果表明,该算法在不同噪声等级下,恢复图像信噪比和迭代效率均有所提升.
维普
万方数据