基于谱间结构相似先验的高光谱压缩感知重构

在高光谱压缩感知重构中,充分利用图像的先验信息能有效提升算法的重构精度。现有重构算法均未考虑高光谱图像的谱间结构冗余信息,该文提出一种基于谱间结构相似先验的高光谱压缩感知重构方法。该方法通过谱间结构冗余定义高光谱结构图像,以结构图像为基础,设计一个压缩感知重构正则项,再结合高光谱图像的空间相关性和谱间统计相关性,提出一种新的压缩感知高光谱图像联合重构方案,并设计一种基于变量拆分的有效的求解算法。实验表明,在相同观测值数目下,该文算法的重构质量明显优于现有算法。     

基于小波域滤波的迭代硬阈值压缩感知重构

图像压缩感知迭代重构算法主要采用迭代阈值法解决信号的重构问题,但是迭代阈值法仅仅利用变换系数进行阈值处理,并未考虑系数的邻域统计特性,导致重构性能不高。提出一种基于小波域滤波的迭代硬阈值迭代算法,利用小波域系数的邻域统计特性修订迭代硬阈值重构算法的代价函数,进行两步迭代收缩,并在迭代中用小波域滤波除去其中的重构噪声。实验结果表明,在相同的观测数据下,相比已有的经典算法,新算法的重构图像质量较高,并且可以获得快速的重构速度。     

基于压缩感知的高光谱遥感影像重构方法研究

高光谱遥感影像包含丰富的空间、辐射以及光谱信息,同时海量的数据也引发了高光谱成像技术在传输和存储方面的诸多问题。针对这一问题,根据高光谱遥感影像谱间相关性强的特性,提出了一种结合谱间多向预测的基于压缩感知的高光谱遥感影像重构方法。首先,根据高光谱遥感影像的谱间相关性对高光谱遥感影像的波段进行分组,每组确定一个参考波段,使用平滑l_0范数算法重构每组的参考波段。其次,根据重构恢复的相邻组内的参考波段,建立了一个非参考波段预测模型,用来计算非参考波段的预测测量值;然后,计算实际测量值与预测测量值的差值,使用SL0算法重构该差值得到差值向量;最后,利用得到的差值向量迭代更新预测测量值,直到恢复该波段原始图像。仿真实验结果表明,该方法提高了高光谱遥感影像的重构效果。     

基于空谱联合的多假设预测高光谱图像压缩感知重构算法

为充分利用高光谱图像的空间相关性和谱间相关性,该文提出一种基于空谱联合的多假设预测压缩感知重构算法。将高光谱图像分组为参考波段图像和非参考波段图像,参考波段图像利用光滑Landweber投影算法重构,对于非参考波段图像,引入空谱联合的多假设预测模型,提高重构精度。非参考波段图像中每个图像块的预测值不仅来自非参考波段图像未经预测的初始重构值的相邻图像块,而且来自参考波段重构图像相应位置及其邻近的图像块,利用预测值得到测量域中的残差,然后对残差进行重构并对预测值进行修正,此残差比原图像更稀疏,且算法采用迭代方式提高重构图像的精度。借助Tikhonov正则化方法求解多假设预测的权重系数,并基于结构相似性判断是否改变多假设预测搜索窗口大小,最后利用交叉验证计算重构算法终止迭代的判据参数。实验结果表明,所提算法优于仅利用空间相关性或谱间相关性进行预测和不预测的重构算法,其重构图像的峰值信噪比提高2 dB以上。     

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。     

基于谱间预测和联合优化的高光谱压缩感知图像重构

基于高光谱图像压缩采样数据特性的分析,提出一种基于谱间预测和联合优化的压缩感知图像重构算法.首先在谱间通过线性预测去除高光谱图像观测向量的强谱间相关性,得到熵值更小的预测残差向量;然后在凸集交替投影(Projections Onto Convex Sets,POCS)的基础上提出基于最陡下降法的联合优化算法对预测残差向...     

基于线性混合模型的高光谱图像分布式压缩感知

为了实现高光谱图像的有效压缩采样与重构,对分布式压缩采样的高光谱数据应用线性混合模型进行重构。首先,在图像采集阶段,针对高光谱图像的空谱特性,应用分布式压缩采样策略对高光谱数据进行采集;在数据重构阶段,应用高光谱图像的线性混合模型假设,先对压缩数据进行端元数目的估计,再利用估计的端元数来估计丰度矩阵,根据端元特征信号的稀疏性质提取端元矩阵,从而重构出原始的高光谱数据,抛弃了压缩感知重构算法中高计算复杂性的欠定问题求解。实验结果表明:在压缩采样数据为总数据的20%时,重构的平均信噪比比压缩投影主成分分析算法提高了15 dB以上,同时该方法还便于获得端元和丰度信息。所设计的压缩感知方案采样方式简单,重构速度快、精度高,可应用于星载或机载的高光谱压缩感知成像。     

脉冲噪声环境下基于洛伦兹范数软阈值迭代的压缩感知算法

观测值受脉冲噪声干扰情况下,传统的压缩感知算法基本失效,基于洛伦兹范数的硬阈值迭代(LIHT)算法是有效途径,但是硬阈值迭代过程会误判信号支撑集,随着脉冲数目增加,算法性能明显下降。针对这一问题,提出了一种基于洛伦兹范数的软阈值迭代(LIST)压缩感知重构算法。利用洛伦兹范数有效约束脉冲噪声,引入信号稀疏度度量函数,采用梯度下降法降低重构信号的稀疏度,实现软阈值迭代,并通过拟牛顿法求解该模型,加快算法收敛,运算量与其他算法是同一数量级,数值仿真表明,重构信噪比优于LIHT算法。     

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。     

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。     

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。      

Accelerated iterative hard thresholding

The iterative hard thresholding algorithm (IHT) is a powerful and versatile algorithm for compressed sensing and other sparse inverse problems. The standard IHT implementation faces several challenges when applied to practical problems. The step-size and sparsity parameters have to be chosen appropriately and, as IHT is based on a gradient descend strategy, convergence is only linear. Whilst the choice of the step-size can be done adaptively as suggested previously, this letter studies the use of acceleration methods to improve convergence speed. Based on recent suggestions in the literature, we show that a host of acceleration methods are also applicable to IHT. Importantly, we show that these modifications not only significantly increase the observed speed of the method, but also satisfy the same strong performance guarantees enjoyed by the original IHT method.     

基于压缩感知稀疏信号重建的迭代硬阀值算法

Nyquist采样速率条件下的信号采样,采样系统表现良好并且信号可以被稀疏向量近似表示时,信号可以被有效而精确地重构。针对无噪声信号,利用确定的稀疏基和随机的观测矩阵,研究迭代硬阀值算法的有效性。若观测矩阵满足有限等距性质（RIP）,且稀疏基与随机观测矩阵不相干时,通过该算法,原始信号的稀疏投影可以被高概率重构。最后,利用哈达码正交矩阵作为稀疏基,高斯随机矩阵作为观测矩阵,对原始信号的稀疏投影进行重构,结果验证了该算法的有效性。     

图像恢复的小波域加速Landweber迭代阈值方法

该文利用对忠诚项的二次逼近方法,提出了一种小波域加速Landweber迭代阈值算法。该算法的每次迭代是对前两次迭代结果的线性组合做阈值处理。与标准的迭代阈值算法相比,该方法收敛速度更快。由于参数的可选择性,新算法更有灵活性。数值实验表明新算法能够有效地提高恢复图像的质量,是一种行之有效的图像恢复方法。     

基于混合编码的分形图像压缩方法研究

提出了一种基于混合编码的分形图像压缩方案,改进了分形编码与SP IHT算法,对提升小波变换后的最低频部分采用改进的分形编码,其他部分采用改进的SP IHT算法。试验结果表明,该方法在缩短了图像压缩时间的同时,明显减少了分形压缩恢复图像的方块效应。     

语音压缩感知硬阈值梯度追踪重构算法

本文基于语音信号在DCT域的近似稀疏性,采用压缩感知(Compressed Sensing, CS)理论对其进行压缩采样和重构。CS中的梯度追踪(Gradient Pursuit, GP)算法因计算量小,迭代硬阈值(Iterative Hard Threshold, IHT)算法因实现简单,被广泛用来重构信号。针对压缩感知理论中的GP算法的支撑集在每次迭代时仅增加一个元素,以及该算法每步迭代时仅经过一次沿负梯度方向搜索求得的解可能不是最优解的问题,本文提出了语音重构的硬阈值梯度追踪(Hard Threshold Gradient Pursuit, HTGP)算法。该算法利用IHT算法的思想选择原子更新支撑集,每步迭代时支撑集中含有K个元素,而且HTGP算法每步迭代时经过k次沿负梯度方向搜索得到最优解来代替使用计算量巨大的最小二乘来求解。实验结果表明,压缩比相同的情况下,HTGP算法具有更快速的收敛性和更高的信噪比。      

Wavelet-based compressed sensing using a Gaussian scale mixture model

While initial compressed sensing (CS) recovery techniques operated under the implicit assumption that the sparse domain coefficients are independently distributed, recent results have indicated that integrating a statistical or structural dependence model of sparse domain coefficients into CS enhances recovery. In this paper, we present a method for exploiting empirical dependences among wavelet coefficients during CS recovery using a Bayes least-square Gaussian-scale-mixture model. The proposed model is successfully incorporated into several recent CS algorithms, including reweighted l(1) minimization (RL1), iteratively reweighted least squares, and iterative hard thresholding. Extensive experiments including comparisons with a state-of-the-art model-based CS method demonstrate that the proposed algorithms are highly effective at reducing reconstruction error and/or the number of measurements required for a desired reconstruction quality.     

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。      

基于CV-FISTA网络的稀疏孔径ISAR成像方法

逆合成孔径雷达(inverse synthetic aperture radar,ISAR)在雷达目标识别、空间监视和弹道导弹防御等领域发挥着重要作用。针对传统稀疏孔径ISAR成像算法对参数敏感和收敛速度慢的问题,提出一种基于复值快速迭代收缩阈值算法网络的稀疏孔径ISAR成像恢复方法。将加速近端梯度方法引入稀疏重构算法中,并将其迭代步骤构建为深度展开网络的隐藏层,构建初始参数相同的随机散射点和飞机散射点的数据集,将复值一维距离像作为网络的输入,利用ISAR像对应的标签对网络进行训练和验证。该方法直接处理复数数据替代传统的分实虚部两路计算方法,显著减少了计算负担。仿真实验表明,相较于传统模型驱动算法,通过对网络进行训练避免了手动调参过程,收敛速度更快,成像质量更高,而且对于特征差异较大的数据具有更好的泛化能力。