低秩聚类被动压缩鬼成像

低采样率下的高质量鬼成像（GI）对于科学研究和实际应用具有重要意义,为了在低采样率条件下重建高质量图像,提出了一种高质量的被动式压缩鬼成像重构算法（PCGI-LRC）。基于图像的非局域相似块堆叠而成的矩阵具有低秩和稀疏奇异值的假设,从理论和实验上证明了一种对最小二乘问题与非局域相似块低秩近似问题进行联合迭代求解的方法,能够在低采样率（6.25%～50%）条件下实现高质量鬼成像。实验结果表明：与基于稀疏基约束的GI(GI-SBC)和基于全变分约束的GI(GI-TVC)相比,PCGI-LRC在峰值信噪比、结构相似性系数和视觉观测等方面均更优,在抑制重构噪声的同时保持了目标的细节信息,其中PSNR提升效果优于1.1 dB,SSIM提升效果优于0.04。     

基于压缩感知的NSCT图像融合

现有的非下采样轮廓波变换图像融合方法随着分解级数的增加,其所包含的高频信息数据量会急剧增加,带来较大的运算量.针对这一问题,提出一种基于压缩感知的NSCT图像融合算法.利用压缩感知的测量矩阵对待融合图像经NSCT分解后得到的高频信息进行测量,以减少高频信息的数据量,并在压缩域融合后重构,最后与融合后的低频信息进行NSCT逆变换.实验结果表明:该算法可以提高鲁棒性,保留源图像的重要信息,有效降低图像匹配精度的影响.     

基于TV-L~1分解的红外云图超分辨率算法

提出一种基于TV-L1分解的红外云图超分辨率算法。该方法采用原始-对偶算法求解TV-L1图像分解模型,将低分辨率云图分解为结构部分和纹理部分:对结构部分采用软决策自适应插值(SAI)处理;对纹理部分则基于非下采样Contourlet变换(NSCT)具有多方向和平移不变的特性,构造非线性增益函数对其NSCT变换域系数进行处理,然后对处理后的变换系数进行NSCT逆变换实现纹理增强。最后,将处理后的结构部分和纹理部分组合起来得到重构的高分辨率云图。实验结果表明,所提出的算法在视觉效果以及图像质量定量评价上均优于传统插值方法,在实现两倍超分辨率时,其峰值信噪比(PSNR)和结构相似度(SSIM)平均值分别提高了1.316 2~4.591 9dB和0.007 1~0.020 6;实现三倍超分辨率时PSNR和SSIM平均值分别提高了0.338 7~4.58dB和0.001 8~0.041 7。由于SAI插值和非下釆样Contourlet变换准确表示了云图的不同形态特征,故所提算法的超分辨率结果不但准确重建了云图中的结构部分,而且有效保持了红外云图纹理和边缘。     

基于奇异值分解的压缩感知噪声信号重构算法

压缩感知是通过对信号信息采样的信号处理新方法,它对可压缩信号可以大大降低采样数据.为提高噪声信号在压缩感知中的重构精度,本文提出了一种基于对观测矩阵奇异值分解的噪声信号重构算法,该算法对随机观测矩阵进行奇异值分解,通过均值算法修改对角矩阵的特征值,产生新的观测矩阵用于线性测量,理论证明了新观测矩阵比原观测矩阵具有更高的重构精度.仿真结果表明,算法重构精度在一维信号提高了3％～5％,二维信号的PSNR值提高1～2 dB.     

高光谱图像的分布式压缩感知成像与重构

根据高光谱数据的特点,提出了一种基于像元的分布式压缩采样模型来实现高光谱图像的有效压缩采样与重构。搭建了能实现该模型的压缩采样光谱成像系统,并研究了用于该系统成像的重构算法。在图像采集阶段,将高光谱数据分为参考像元和压缩感知像元;地面像元的辐射能通过棱镜进行谱带分离,再利用数字微镜器件实现谱带的线性编码。对压缩感知像元进行低采样率的线性编码,对参考像元进行采样率为1的线性编码。压缩采样数据重构时,不再采用传统方法直接重构高光谱数据,而是利用线性混合模型将重构高光谱数据转换成端元提取和丰度估计,然后根据重构的端元和丰度恢复原数据。对比实验表明,在压缩采样数据为总数据的20%时,重构的平均信噪比提高了10dB。所设计的成像系统应用压缩感知理论减少了采集的数据量,采样方式简单,可应用于星载或机载的高光谱压缩感知成像。     

基于滤波的压缩感知信号采集方案

压缩感知中常选择随机矩阵作为测量矩阵来进行随机线性投影采样,但过多自由元素使得随机矩阵硬件实现、存储和计算困难,因此设计易于硬件实现的测量矩阵是将压缩感知推向实用化的关键.根据信号通过有限脉冲响应滤波器的差分方程,提出一种新的基于滤波的压缩感知信号采集方案,实现了信号在托普利兹测量矩阵下有用信息的高效获取.仿真实验说明托普利兹测量矩阵比随机矩阵更易实现信号采样和重构,并具有硬件实现简单、存储量小、计算复杂度低的优点.     

压缩感知域智能天然气管道泄漏孔径识别

天然气管道泄漏监测正在进入大数据时代,针对传统方法存在的采集数据冗余、特征提取及识别受主观因素影响较大等问题,结合压缩感知与深度学习理论,提出一种在变换域进行泄漏信号的压缩采集、在压缩感知域进行自适应特征提取及识别的智能天然气管道泄漏孔径识别方法。通过随机高斯矩阵获取压缩采集数据,并通过深度学习挖掘测量信号中隐藏的泄漏孔径信息,经稀疏滤波实现特征的自动筛选,最后研究了softmax回归实现孔径的高精度分类识别。实验结果表明,该方法实现了监测数据的压缩,对压缩感知域采集信号的识别性能明显优于传统方法。     

推扫式高光谱谱间压缩感知成像与重构

提出一种推扫式谱间压缩采样的高光谱成像系统,用于实现高光谱图像的压缩感知成像,并对该系统成像的重构算法进行了研究。在图像采集阶段,采用棱镜对地面成像行的像素进行谱带分离,然后利用数字微镜器件实现谱带的线性编码,通过柱面透镜完成编码谱带的叠加。压缩采样数据重构时,不像传统的压缩感知重构方法那样直接重构高光谱数据,而是利用线性光谱库混合模型将重构高光谱数据转换成重构丰度系数矩阵,采用交替方向乘子法求解丰度的优化问题,再根据重构的丰度和高光谱库恢复原数据。与标准压缩感知重构算法的对比实验表明,该方法在压缩采样数据为总数据的20%时,重构的平均峰值信噪比比标准压缩感知提高了18dB。所设计的成像系统采样方式简单,可应用于星载或机载的高光谱压缩感知成像。     

基于离散萤火虫压缩感知重构的无线传感器网络多目标定位

研究了压缩感知(CS)理论在无线传感器网络(WSNs)多目标定位中的应用。提出一种基于离散萤火虫算法的压缩感知重构方法,并设计了具体算法实现流程,该算法摆脱了传统压缩感知重构算法对稀疏度K的依赖且能够准确地重构出原始信号。基于此,将新的压缩感知重构算法应用于WSNs目标定位,建立了WSNs系统模型,构造了合理的测量矩阵和稀疏矩阵,并分析了测量矩阵与重构结果之间的关系,最终实现了WSNs多目标定位。仿真结果表明该方法在稀疏信号重构性能及多目标定位精度方面具有较好效果,定位精度优于贪婪匹配跟踪(GMP)算法、正交匹配追踪(OMP)算法和最大似然估计(MLE)算法,且用于WSNs定位的传感器节点数目减少了20%,抗噪性达到了20dB。     

图像端到端感知质量的快速估测方法

本文介绍了一种新型的利用图像活动性(IAM)快速估计水下图像端到端体验质量的方法。首先引入结构相似度(SSIM)作为图像感知服务质量(PQo S)参数评价图像质量,将图像初始活动性(IAM)作为区分图像内容的本征参数;随后基于质量向量(QV)的概念,分别分析了非压缩图像的结构相似度,图像初实活动性与无条件丢失概率(SSIM-IAM.-ulp)之间的联合特性,以及压缩图像的结构相似性,压缩率与无条件丢失概率(SSIM-IAM.-ulp)之间的联合特性。最后,在上述联合特性的基础上提出了劣化图像SSIM的预测算法。测试实验证明,该类算法有较高的预测准确率,预测误差最低可达0.8%。