基于压缩感知的红外遥感图像重构算法分析

随着航天遥感技术的飞速发展,遥感图像采集数据耗时长、图像数据量大等问题的出现对采样设备和存储设备提出了更高的性能要求。为了解决以上问题,在气象卫星的红外遥感图像的处理中采用了压缩感知理论。通过Matlab建模和仿真,分析了正交匹配追踪算法、梯度投影算法、子空间追踪算法、平滑l0范数算法的性能,并对大量红外图像以不同的采样率进行采样压缩,然后使用多种重构算法重构图像。对比试验显示,几种算法都能以较低的采样率得到完整的红外图像,但平滑l0范数算法在重构精度和运行时间方面都优于其余几种算法,证明了压缩感知在红外遥感图像的处理中具有较大的实用价值。     

基于压缩感知的多光谱图像去马赛克算法

针对目前多光谱图像去马赛克算法存在计算量大、效率低的缺点,本文提出一种基于压缩感知的多光谱图像去马赛克算法。首先,分析去马赛克与压缩感知问题的等价性,建立基于压缩感知的去马赛克模型;然后,采用离散余弦变换构建压缩感知的稀疏基,将去马赛克问题转化为压缩感知的信号重构问题;最后,采用改进的光滑0范数和修正牛顿法的重构算法求解去马赛克问题,得到重构的多光谱图像。仿真实验表明,相对于基于克罗内克压缩感知和组稀疏两种算法,本文算法提高了重构的多光谱图像的峰值信噪比,能有效减少对比算法重构多光谱图像中出现的锯齿现象,改善了重构图像具有更好的视觉效果。实验结果验证了本文算法的有效性。     

基于块稀疏度与自适应迭代的压缩感知方法

针对分块压缩感知算法在平滑块效应时损失了大量的细节纹理信息,从而影响图像的重构效果问题,提出了一种基于块稀疏信号的压缩感知重构算法。该算法先采用块稀疏度估计对信号的稀疏性做初步估计,通过对块稀疏度进行估算初始化阶段长,运用块矩阵与残差信号最匹配原则来选取支撑块,再运用自适应迭代计算实现对块稀疏信号的重构,较好地解决了浪费存储资源和计算量大的问题。实验结果表明,相比常用压缩感知方法,所提算法能明显减少运算时间,且能有效提高图像重构效果。     

基于压缩感知的水下图像去噪

水下环境复杂,水下摄像得到的图像较为模糊。采集数据时会采集到大量不包含任何有用信息的数据,噪声影响更严重。压缩感知理论提出,能用较低采样率高概率重构信号。为研究压缩感知对水下图像噪声的抑制作用,采用OMP,SP,COSAMP不同贪婪重构算法对水下图像进行不同采样率重构分析。实验结果表明,选取合适采样率既可以以少量数据重构图像,又可以抑制水下噪声,且OMP算法效果最好。     

基于张量字典学习的压缩感知视频重构

传统的基于矩阵形式的视频图像重构算法,由于其二维表达矩阵的局限性,在重构过程中降低了相邻帧图像之间的关联性以及图像的重构质量。为了克服该问题,提出一种基于张量字典学习的压缩感知视频重构算法。把视频图像的二维空间特性和一维时间特性映射到三阶张量上,保持了图像的时间特性,增强了图像前后帧之间的相关性。同时在重构视频图像块的过程中,相对于二维矩阵字典,原子的稀疏表达有着更高的自由度,进而提高了重构质量。对张量的计算在傅里叶域中进行,减少了算术运算的次数,缩短了重构时间。通过实验数据以及视觉直观证明,提出的算法重构图像的峰值信噪比较传统方法提高了2～4 dB。     

基于小波树结构和迭代收缩的图像压缩感知算法研究

模型化压缩感知图像重构在标准压缩感知重构的基础上利用了小波树结构的先验知识,分别用贪婪树逼近和最优树逼近的方法求解重构优化问题。该文以模型化压缩感知重构中已有的小波树结构为基础,依据对大量自然图像小波系数关系的统计结果,提出了基于相邻系数、父系数与子系数之间统计相依关系的小波系数合理树结构,并结合小波系数合理树结构的思想,改进了普通迭代硬阈值压缩感知图像重构算法和基于最优树的模型化压缩感知图像重构算法。实验结果表明,该文算法能获得更高的图像重构质量。     

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。     

基于自适应卡尔曼的时域增强算法研究

在图像序列进行压缩感知重构的过程中,基于运动补偿的分块压缩感知重建算法利用了帧间残差图像的稀疏特性,有效提高了重构视频的质量。但该算法仅在空域对图像进行了维纳滤波,帧间存在抖动现象,视频主观质量较差。文章将自适应卡尔曼滤波算法应用到分块压缩感知重建算法的重建过程中,可以有效地去除视频帧间的噪声,使得图像的主观质量得到了改善。     

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。     

基于压缩感知的图像压缩抗干扰重构算法

针对传统图像变换压缩方法压缩的图像经无线信道传输时受高斯随机干扰导致重要变换系数失真出现重构图像局部内容缺失的现象,本文根据压缩感知(CS)信号分量具有同等重要性的特性,理论分析了去除失真CS信号分量以抵御干扰的可行性,提出一种基于CS的图像压缩抗干扰重构算法。算法首先假定已知受高斯随机干扰的比特所对应的CS信号分量的位置,然后根据这些位置确定新的CS信号和重构矩阵,再进行阈值迭代重构。仿真结果表明,本文算法在低误码率(BER)下得到精确重构的图像,在高BER下得到图像内容无缺失仅全局质量小幅下降的重构图像。因此,基于CS的图像压缩抗干扰重构算法能够较好地克服变换压缩方法以及阈值迭代重构算法抗干扰能力低的不足,从而为图像无线传输抗高斯随机干扰问题提供一种可行的解决方案。     

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.     

不同压缩感知重建算法在鬼成像中的性能比较

基于鬼成像(Ghost imaging,GI)与压缩感知(Compressed sensing,CS)理论,研究了CS重建算法对GI成像性能的影响.以离散小波变换为图像的稀疏矩阵、具有高斯线型的热光源强度分布为测量矩阵,分析了基于增广拉格朗日法和交替方向法的全变分最小化算法(TVAL3)、正交匹配追踪算法(OMP)、压缩采样匹配追踪算法(CoSaMP)、梯度投影算法(GPSR_Basic)下的压缩鬼成像的质量.以均方误差、峰值信噪比、匹配度、结构相似性指标等为图像质量客观评价标准,比较了4种重建算法下压缩鬼成像的重建结果.结果表明压缩比为0.5时TVAL3算法还原度最高, CoSaMP算法重建图像失真最严重, GPSR_Basic算法获得的重建性能优于OMP算法.     

基于压缩感知的OMP图像重构算法改进

阐述了压缩感知相关理论以及信号的重构算法,围绕其中的匹配追踪系列算法展开研究,同时在正交匹配追踪算法(OMP算法)的基础上引入了几种改进算法,并结合OMP算法本身耗时长、速度慢的问题,给出了一种OMP的改进方案,该方案将图像进行分块再处理,从而大幅降低了OMP算法迭代的矩阵规模。在相同条件下该算法的主客观重建效果均优于原来的算法。     

基于压缩感知的SAR图像压缩与重构方法

结合合成孔径雷达(SAR)图像特点,提出了一种基于压缩感知的SAR图像压缩与重构方法,并给出了具体的方法及详细流程.该方法首先将原始SAR图像进行分块处理,同时,利用离散小波变换(DWT)对分块结果进行稀疏处理,利用近似QR分解后的随机高斯矩阵对稀疏处理结果进行低维线性观测,实现了SAR图像的稀疏化表征与压缩.文中讨论的改进的正交匹配追踪(OMP)算法,与传统的OMP算法相比,改进的OMP算法在保证重构精度的前提下,可有效提高收敛速度.最后,通过离散小波反变换等处理获得最终的SAR图像重构结果.仿真实验结果证明所提方法的有效性与可行性.     

Adaptive sampling for compressed sensing based image compression

The compressed sensing (CS) theory has been successfully applied to image compression in the past few years as most image signals are sparse in a certain domain. In this paper, we focus on how to improve the sampling efficiency for CS-based image compression by using our proposed adaptive sampling mechanism on the block-based CS (BCS), especially the reweighted one. To achieve this goal, two solutions are developed at the sampling side and reconstruction side, respectively. The proposed sampling mechanism allocates the CS-measurements to image blocks according to the statistical information of each block so as to sample the image more efficiently. A generic allocation algorithm is developed to help assign CS-measurements and several allocation factors derived in the transform domain are used to control the overall allocation in both solutions. Experimental results demonstrate that our adaptive sampling scheme offers a very significant quality improvement as compared with traditional non-adaptive ones.     

基于压缩传感的重构算法研究

传统的奈奎斯特采样定理规定采样率必须是频率带宽两倍,浪费大量采样资源。如果信号可以稀疏表示,那么可以采用压缩传感技术重构原始信号,压缩传感能在采样的同时对数据进行适当压缩,节省系统资源。现存的压缩传感重构算法对图像边缘和纹理的重构效果都不太理想,提出一种基于全变差的图像重构算法,该算法能稳定有效地重构图像的边缘和纹理。     

基于压缩感知理论的多普勒解模糊处理

多目标的多普勒解模糊处理是低脉冲重复频率(PRF)雷达的关键技术之一,论文提出一种新的基于压缩感知(CS)理论的多普勒解模糊处理方法,利用多重PRF方式下相参处理间隔内的时域欠采样特性及多普勒频谱的稀疏特性,构造了多普勒解模糊的CS模型,采用正交匹配追踪(OMP)算法直接估计出无模糊多普勒谱的幅度响应,可实现PRF分组参差方式下对多个目标的解多普勒模糊处理,仿真结果验证了算法的有效性。     

基于压缩感知技术的双向中继信道估计

设计了一种基于压缩感知(compressive sensing,CS)技术的双向中继信道(two-way relay channels,TWRC)估计方法,并具体采用正交匹配追踪算法(orthogonal matching pursuit,OMP)对OFDM系统下的信道脉冲响应进行估计。双向中继信道往往呈现出稀疏多径结构,这种结构会随着信号空间维数的增大而越加明显。传统的线性估计方法没有考虑到TWRC的潜在稀疏性,因而导致了对关键通信资源的过度使用。而基于CS的TWRC估计方法能够很好地利用这种传输信道的稀疏多径结构,与传统线性估计方法相比,在获得同样估计性能的前提下,需要的训练序列长度大大减少,有效地提高了频谱、能量等资源利用率。同时,所采用的OMP算法的时间复杂度主要依赖于信道稀疏度,因此计算效率往往比传统的方法高。仿真也证实了基于CS的TWRC估计算法的优越性。     

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。     

压缩感知及其在医学图像融合中的应用

压缩感知在采样的同时完成信号的压缩,为解决医学图像融合过程中时间复杂度高、传输数据量大的问题提供了新方法.本文围绕压缩感知在医学图像像素级融合做了5个方面的工作:第一,给出了基于压缩感知的医学图像融合框架;第二,讨论了基于贝叶斯、贪婪迭代、凸松弛等四类重构算法;第三,梳理出医学图像像素级融合的七类方法;第四总结出基于压缩感知的四种医学图像融合路径;第五,指出了目前研究的难点和应用前景.