一种分块自适应压缩感知图像重构算法

CS理论中,在离散余弦变换下使用OMP算法重构图像时需要较高的测量值可以获得较好的重构效果,但是存在重构图像模糊的问题.为此,提出了基于离散余弦变换的图像分块自适应正交匹配追踪(BAD-OMP)算法.基于分块压缩感知技术,对图像进行均匀分块处理,根据图像块稀疏性进行自适应采样,再用均值滤波算法平滑处理,从而减少重构所需的测量值,降低块效应.仿真结果表明,采样率取0.1 ～0.35 时,BAD-OMP算法重构图像的PSNR值较OMP算法的PSNR值高9～1 1 dB,实现了在低采样率下获得较高的重构质量.     

基于灰度共生矩阵的多尺度分块压缩感知算法

针对图像边缘与轮廓不能精确重构的问题,提出了一种基于灰度共生矩阵的多尺度分块压缩感知算法。该算法利用三级离散小波变换将图像分解为高频部分和低频部分。通过灰度共生矩阵的熵分析高频部分图像块的纹理复杂度,并根据图像块纹理进行再分块、自适应分配采样率。采用平滑投影Landweber算法重构图像,消除分块引起的块效应。对多种图像进行压缩重构仿真,实验结果表明,无观测噪声情况、采样率为0.1时,本算法在Mandrill图像上得到的峰值信噪比(PSNR)为25.37dB,比现有非均匀分块算法提高了2.51dB。不同噪声水平下,本算法的PSNR比无噪时仅下降了0.41~2.05dB。对于纹理复杂度较高的图像,本算法的重构效果明显优于非均匀分块算法,对噪声具有较好的鲁棒性。     

基于Contourlet变换的图像分块压缩传感重构算法

随着压缩传感的广泛应用,其在图像重构方面的优势得以体现。Contourlet凭借其在图像轮廓和纹理方面的出色表现,成为最受欢迎的方向变换之一。文中提出了一种采用Contourlet变换作为稀疏基,并且运用图像分块采样技术,结合平滑投影Landweber迭代的图像重构算法。实验表明,相较于采用DCT和DWT作为稀疏基的图像重构算法,提出的算法使得重构图像的质量有所提高,尤其是在低采样率的情况下。     

基于Contourlet域分块压缩感知的图像融合

针对传统图像融合方法导致纹理细节丢失的现象,提出了一种基于抗混叠移不变Contourlet域的分块压缩感知（block-based compressed sensing,BCS）图像融合算法——Contourlet_BCS。把善于表达图像纹理及边缘信息的Contourlet变换引入了压缩感知稀疏表示中,同时对分解得到的低频系数采取加权的区域能量融合规则,高频系数采取基于广义高斯分布模型的加权融合规则进行图像系数融合,最后在压缩感知框架下利用带平滑处理的投影Landweber算法重构。实验结果表明,Contourlet_BCS融合效果优于传统方法,融合的图像纹理清晰,边缘细节信息更为丰富。     

语音重构的DCT域加速Landweber迭代硬阈值算法

重构信号的最基本理论依据是该信号在某个变换域是稀疏的或近似稀疏的。基于语音信号在DCT域的近似稀疏性,可以采用压缩感知(Compressed Sensing, CS)理论对其进行重构。压缩感知理论中的迭代硬阈值(Iterative hard thresholding, IHT)算法以其较好的性能被广泛用来重构信号,但其收敛速度比较慢,如何提高收敛速度,一直是迭代硬阈值算法研究的重点之一。针对压缩感知理论中的IHT算法收敛速度相当慢的问题,提出了语音重构的DCT域加速Landweber迭代硬阈值(Accelerated Landweber iterative hard thresholding, ALIHT)算法。该算法对原始语音信号做DCT变换,然后在DCT域将每一步Landweber迭代分解为矩阵计算和求解两步,通过修改其中的矩阵计算部分实现Landweber迭代加速,最后通过迭代硬阈值对信号做阈值处理。实验结果表明,加速Landweber迭代硬阈值算法加快了收敛速度、减少了计算量。      

基于光滑0范数压缩感知的多光谱图像去马赛克算法

提出了一种基于压缩感知(CS)的多光谱滤波阵列(MSFA)的多光谱图像去马赛克算法(DMA)。 首先,通过将MSFA采样得 到马赛克图像的过程等效为CS理论中的感知矩阵采样的过程,并充分利用多光谱图 像的空间和谱间 相关性,通过在三维空间傅里叶基上对多光谱图像进行稀疏表示;然后由随机MSFA模式和CS 理论构造的测量矩阵对多光谱图像进行观测投影,最后采用CS重构算法求解0范 数下的最优化问 题,从而得到多光谱图像的稀疏表示系数。给出对算法性能的评估数据和Matlab仿真 图片。实验结果证明,本文算法的峰值信噪比(PSNR)值高于克罗内克CS(KCS)和组稀疏(GS)两种算法,且有效地减少了上述两种算法中出现的模糊现 象,改善了图像的视觉效果。     

基于压缩感知的图像处理与重构方法

针对图像修复和插值等图像处理问题进行研究,通过将图像修复和插值模型在压缩感知(CS)理论的框架下进行转换,建立了新的图像修复和插值模型,该模型与CS理论中的重构模型相对应。对此转化得到的重构问题,基于图像在复数小波变换上的稀疏性,利用迭代硬阈值方法求解重构模型,进而获得重构图像。仿真和实测数据处理结果验证本文方法的有效性。     

边缘和方向估计的自适应多尺度分块压缩感知算法

由于多尺度小波变换的分块压缩感知算法(MS-BCS-SPL）将每层子带信息进行分块时,使得每子带中各子块采用相同的采样率;但是,当不同的图像子块含有不同的边缘信息时,对这些子块采用相同的采样率会造成资源不合理的分配。因此在MS-BCS-SPL算法的基础上,利用图像块边缘信息的不同和图像块的方向性,将总的采样率自适应分配给各层子带中的各图像块,实现多尺度分块压缩感知的自适应采样。实验结果表明,在不同采样率,尤其较低采样率时,该算法不仅比MS-BCS-SPL算法采用了较少的采样数目,节约资源;而且比其可重构较高质量的图像。      

基于分块压缩感知的图像全局重构模型

已有的基于分块压缩感知（Block Compressed Sensing,Block CS）的图像重构模型采用相同的测量矩阵以块×块的方式获取数据,解决了传统CS方法中测量矩阵所需存储量较大的问题,但由于采用分块重构,没有考虑到图像的全局稀疏度,出现了大量的块效应。本文分析了图像分块重构产生块效应的三个主要原因:块稀疏度不均匀、频谱泄漏和块尺寸受限,提出了一种基于Block CS的图像全局重构模型。该模型在编码端采用高斯随机矩阵逐块作非相关测量;在解码端,引入排序算子,重新构造测量矩阵,该测量矩阵既适合于进行全局重构,又适合于分块测量的CS观测值,并仍与图像的稀疏矩阵高度不相关,所以其可充分利用图像的全局稀疏度进行CS重构。仿真实验表明,所提出的全局重构模型有效地消除了块效应现象,并且对块尺寸的变化有较强的鲁棒性。      

基于非局部先验的深度压缩感知图像重构网络

传统的基于迭代的压缩感知(CS)图像重构算法易于集成图像先验信息,但存在性能不足、计算复杂度高等缺点。基于深度学习的图像重构算法重构性能通常优于传统的重构算法,并且具有更低的重构计算成本。因此,为了设计出一种更有效利用先验信息的深度学习图像重构算法,该文提出基于非局部先验的深度压缩感知图像重构网络。首先,将稀疏性和非局部先验相结合建立压缩感知图像重构模型,然后通过半二次方分裂法将模型分解为3个子问题,每一个子问题的求解都在深度学习的框架下展开,最后联合建立端到端的可训练的图像重构模型。仿真实验表明,在测试的采样率与数据集下该文所提算法的峰值信噪比与当前主流的重构算法SCSNet相比平均提升了0.18 dB,与CSNet算法相比平均提升了约1.59 dB,与ISTA-Net+算法相比平均提升了约2.09 dB。     

Clustering compressed sensing based on image block similarities

Compressed sensing （CS） algorithm enables sampling rates significantly under classical Nyquist rate without sacrificing reconstructed image quality. It is known that, a great number of images have many similar areas which are composed by the same number of grayscale or color. A new CS scheme, namely clustering compressed sensing （CCS）, was proposed for image compression, and it introduces clustering algorithm onto framework of CS based on similarity of image blocks. Instead of processing the image as a whole, the image is firstly divided into small blocks, and then the clustering algorithm was proposed to cluster the similar image blocks. Afterwards, the optimal public image block in each category is selected as the representative for transmission. The discrete wavelet transform （DWT） and Gaussian random matrix are applied to each optimal public image block to obtain the random measurements. Different from equal measurements, the proposed scheme adaptively selects the number of measurements based on different sparsity of image blocks. In order to further improve the performance of the CCS algorithm, the unequal-CCS algorithm based on the characteristics of wavelet coefficients was proposed as well. The low frequency coefficients are retained to ensure the quality of reconstructed image, and the high frequency coefficients are compressed by the CCS algorithm. Experiments on images demonstrate good performances of the proposed approach.     

基于图像块细粒度的自适应单像素成像算法

设计了一种基于图 像块细粒度的自适应单像素成像算法。首先获取目标的低分辨图像,将其分为四等块,根据 每块中 重要小波系数的个数与分布,将其分为非重要、重要和半重要三类。非重要块不采样;重要 块全采样;半 重要块进行迭代分块、分类,部分采样。利用小波反变换重建高分辨图并重复上述步骤,直 到重建图像达 到目标分辨率。实验结果表明,对于背景平滑的医学生物图像,本文方法能够在相同采样率 下至少提高重建图像PSNR约2dB。     

一种自适应采样率视频压缩感知方案

为了进一步提高视频压缩感知方案的重构图像质量,提出了一种新的自适应采样方案.在该方案中,根据不同图像块的稀疏度自适应分配采样率.在对各图像块分类判决时,首先判断图像块在离散余弦变换域的稀疏度,其次结合该图像块与其参考帧之间的时域相关性,确定图像块的分类.实验结果表明,与现有的自适应采样率分配方案相比,该算法可获得0.5 dB左右的峰值信噪比增益.     

基于非局部相似性和交替迭代优化算法的图像压缩感知

压缩感知理论突破了信号带宽对奈奎斯特采样定理的限制,并且实现了在数据采样的同时进行压缩。目前压缩感知系统通常利用图像在某个变换域具有稀疏性的先验知识,从少量观测值中重构原始图像。本文利用图像像素的邻域结构信息及图像子块的相似性,将图像的非局部相似性作为先验知识运用到压缩感知图像重构中。结合图像的非局部相似性及其在变换域的稀疏性先验知识,提出了基于非局部相似性和交替迭代优化算法的图像压缩感知重构算法,该算法利用迭代阈值法和非局部全变差来交替迭代求解变换域的稀疏性优化问题和非局部相似性的优化问题。实验结果表明,本文算法可以有效提高图像重构的视觉效果和峰值信噪比。      

多层离散小波变换系数的稀疏向量构造的改进

融合离散小波变换和压缩感知的图像压缩方案很好避免了采用离散余弦变换和压缩感知时所带来的块效应,但当前基于单层离散小波变换的算法压缩比较低,基于多层离散小波变换的算法重构质量不佳。为了解决这些不足,根据离散小波变换系数的特点,对现有基于多层离散小波变换的算法提出了改进。图像经小波变换后,保留图像最高层低频系数,高频系数的构造方式给予适当改进。实验结果表明,与现有算法相比,重构图像的PSNR值得到2～4 dB提高。     

基于Tetrolet Packet变换的SAR图像稀疏表示

Tetrolet变换作为多尺度几何分析的一种,能够对平滑的自然图像进行有效的稀疏表示。SAR图像具有丰富的细节纹理信息,因此经过Tetrolet变换后的高频系数依然具有较大的幅值,从而严重影响了稀疏表示SAR图像的性能。该文针对此问题提出了一种新的变换方法Tetrolet Packet,该算法将高频子带系数进行重新排序后,使用熵作为代价函数对不同的高频子带进行不同层次的Tetrolet分解得到Tetrolet最优分解树,从而使系数能量更加集中同时尽量减少方向信息,以便于后续SAR图像压缩。实验比较了Tetrolet和Tetrolet Packet两种算法,用相同个数的变换系数来进行图像重建,无论是主观视觉质量还是客观参数PSNR评价,Tetrolet Packet稀疏表示SAR图像的性能都优于Tetrolet。最后针对两种算法的变换系数均具有类似零树结构的特性,提出分别使用SPIHT和Modified-SPIHT算法对Tetrolet和Tetrolet Packet变换系数进行编码,并探讨了该两种算法对SAR图像的压缩性能。     

利用边缘信息的多尺度分块压缩感知自适应采样方法

在小波域多尺度压缩感知框架下,被完整保留的低频系数存在着许多可利用的图像信息。本文在分析了不同尺度之间、以及同一尺度之内的系数块存在能量差异的基础上,提出了利用边缘信息的多尺度分块压缩感知自适应采样方法(EAS)。该方法首先利用低频系数提取出边缘信息,然后将边缘信息分块,加权计算每个块的边缘信息度,根据边缘信息度判断每个系数块的能量大小,将其转换成每个子块的自适应采样率,从而实现多尺度分块压缩感知的自适应采样。采用医学图像,含有复杂纹理的自然图像和含有严重噪声的SAR图像三类测试数据,验证了EAS方法的性能。数值实验结果表明,EAS方法对不同的压缩感知算法均有很大的提升,能够显著提高图像的重构质量和视觉效果。      

基于空谱特性的高光谱图像压缩感知重构

针对现有的高光谱图像压缩感知重构算法对图像的空谱特性利用不够充分,导致重构图像质量不够高的问题,提出了一种高光谱图像变投影率分块压缩感知结合优化谱间预测重构方案。编码端以频段聚类方式将高光谱图像的所有频段分成参考频段和普通频段,对不同频段单独采用不同精度分块压缩感知以获取高光谱数据。在解码端,参考频段直接采用稀疏度自适应匹配追踪( SAMP)算法重构,对于普通频段,则设计了一种优化谱间预测结合SAMP算法的新模型进行重构：首先通过重构的参考频段双向预测普通频段,并对其进行压缩投影,然后计算预测前后普通频段投影值的残差,最后利用SAMP算法重构该残差,以此修正预测值。实验表明,相比同类算法,该算法充分考虑了高光谱图像的空谱特性,有效改善了重构图像质量,且编码复杂度低,易于硬件实现。     

利用基追踪算法实现图像压缩感知重建研究

压缩感知理论突破了奈奎斯特采样频率的限制,利用该理论研究和实现了二维图像的压缩采样和重建。该方案利用小波变换实现图像稀疏化,利用标准伪随机数均匀分布和二维中心傅里叶变换生成随机测量矩阵,并对小波变换后的高频子带进行加权采样,用改进的基追踪算法实现二维图像压缩感知重建。仿真实验结果表明,该方案重建图像的客观评价PSNR效果较好。