基于PCA硬阈值收缩的平滑投影Landweber图像压缩感知重构

利用压缩感知理论对图像进行测量和重构时,基于分块思想可有效提高重构速度,但同时会带来较强的块效应.为了解决该问题,在编码端提出了一种基于边缘检测的自适应分块压缩感知测量方案;在解码端提出了一种基于主成分分析(PCA)的平滑投影Landweber(SPL)重构法,该算法运用PCA训练出适合于图像结构的稀疏字典,用于进行硬阈值收缩,从而有效消除了块效应,提升了重构图像的质量.为了提高硬阈值收缩效率和减少训练复杂度,采用了3种基于块的PCA硬阈值收缩方案:全局PCA、局部PCA和分层PCA.仿真实验结果表明:所提出的自适应压缩感知测量方案与SPL重构法相结合,和传统分块压缩感知方案相比,峰值信噪比(PSNR)值均提升了1～3 dB;本文算法,无论在传统分块压缩感知方案下还是在自适应分块压缩感知方案下,与基于方向小波阈值收缩的SPL重构算法相比,均获得了更高的PSNR值.     

图像压缩感知中自适应二维投影梯度重构算法

二维图像的压缩感知及重构大多利用一维信号压缩感知及重构方法实现,导致图像重构效率较低,重构算法复杂度高等缺点。二维随机投影及二维投影梯度重构算法有效地解决了这一问题。但在二维投影梯度重构算法中,不同图像不同采样率的重构中采用相同滤波阈值参数η的方案会降低图像重构质量。本文结合二维图像信号的纹理特性,提出了自适应二维投影梯度重构算法,该算法提出了一种双变量收缩阈值参数η在迭代重构过程中基于图像纹理信息的自适应计算公式。实验结果表明,自适应二维投影梯度重构算法比二维投影梯度重构算法在重构质量和视觉效果上都有所提升。     

Compressed Sensing Projection and Compound Regularizer Reconstruction for Hyperspectral Images

压缩感知理论提供了一种新的数据获取和压缩思路,能有效地把计算负担从编码端转移到解码端.高光谱数据具备数据稀疏性、空间相关性和谱间相关性,结合这3类先验知识,提出了一种基于复合正则化的高光谱图像压缩感知投影与重构方法.该方法的编码端只需要一个简单的投影操作;在重构算法实现中,基于变量分裂的思想,把具备多个正则项的优化问题转化成多个简单的优化问题,并用迭代方式求解.实验结果表明,本文算法在高光谱图像重构上能获得更高的峰值信噪比和更好的重构效果.该方法具备极低的编码复杂度,适用于资源受限的机载和星载高光谱成像平台.     

深度图像的分块自适应压缩感知

针对基于空域上下采样的深度编码框架中,由边缘信息损失带来的视点绘制质量下降的问题,提出了一种面向视点绘制质量的深度图像分块自适应压缩采样方法。在基于分块压缩感知和光滑Landweber投影重构的BCS_SPL框架下,利用图像块的方差表征其边缘信息,并据此进行自适应采样,以提高深度图像重构和视点合成质量。结果表明,在相同的采样率下,相比上下采样和BCS_SPL方法,本文提出的分块自适应压缩感知方法在绘制视点的PSNR和主观质量上都有提高。     

基于多尺度残差网络的压缩感知重构算法

目前压缩感知系统利用少量测量值使用迭代优化算法重构图像.在重构过程中,迭代重构算法需要进行复杂的迭代运算和较长的重构时间.本文提出了多尺度残差网络结构,利用测量值通过网络重构出图像.网络中引入多尺度扩张卷积层用来提取图像中不同尺度的特征,利用这些特征信息重构高质量图像.最后,将网络的输出与测量值进行优化,使得重构图像在测量矩阵上的投影与测量值更加接近.实验结果表明,本文算法在重构质量和重构时间上均有明显优势.     

基于双边信息的分布式视频压缩感知模型研究

针对传统视频编码技术计算量大和复杂度高的缺点,提出一种基于双边信息的分布式视频压缩感知算法。该算法将压缩感知技术与分布式视频编码技术相结合,把视频序列分为Key帧和CS帧,Key帧运用传统的帧内编码和解码,CS帧编码端运用压缩感知编码,解码端运用视频块内与视频块间的双边信息和梯度投影算法进行优化重构。通过双边信息的运动估计和压缩编码器的设计,实现基于双边信息的分布式视频压缩感知模型的构建。仿真结果表明该模型既可以实现高效编码,又可以实现复杂度由编码端向解码端转移,在较低的采样率下,提高视频的压缩能力和传输速度。     

面向目标检测的高光谱图像压缩技术

提出了一种基于面向目标检测的高光谱图像压缩算法。该算法利用主成分分析对高光谱图像进行降维,引入虚拟维数对高光谱图像的本征维数进行估计,在估计结果基础上确定降维后的主成分数,并采用SPIHT算法对保留的主成分进行有损压缩。同时,虚拟维数可以实现对图像中端元数目的有效估计,继而采用基于无监督正交子空间投影的端元提取算法提取各目标端元,利用算术编码对目标端元的位置进行无损压缩,解码端可以利用获得的端元位置信息对解压缩后的主成分进行目标检测。实验结果表明,该算法在获得较高压缩性能的同时,能够有效检测出图像中的目标信息。     

基于灰度纹理信息的图像压缩感知编码与重构

引入了压缩感知(Compressed Sensing,CS)理论,在分析图像DCT系数分布特性的基础上,提出了一种基于灰度纹理信息的压缩采样方法。该方法通过提取图像分块离散余弦变换交流系数的能量,进而对用于对测量过程进行加权修正,充分利用代表图像细节纹理信息的交流分量系数,基于图像轮廓纹理细节信息来分配测量维数,最终实现对不同图像块有区别的压缩采样。比较同类研究结果表明,提出的采样方法在有效减少测量维数或提高重构图像的峰值信噪比和主观视觉效果,以及在降低计算复杂度方面均有更好的表现。     

自适应多尺度分块压缩感知算法

目的 基于小波域的多尺度分块压缩感知重构算法忽略了高频信号在重构过程中的作用,丢失了大量的边缘与细节信息。针对上述问题,提出一种自适应多尺度分块压缩感知算法,不仅合理利用低频信息还充分利用图像的高频信息,在图像细节复杂度提高的情况下保证图像重构质量的提高。方法 首先进行3层小波变换,得到一个低频信号和9个高频信号,分别进行小波逆变换后分成大小相同互不重叠的块,对低频部分采用2维邻块边缘自适应加权滤波的方法进行处理,对高频部分采用纹理自适应分块采样,最后利用平滑投影Landweber（SPL）算法对其进行重构。结果 与已有的分块压缩感知算法、基于边缘和方向的分块压缩感知算法和基于纹理和方向的分块压缩感知算法相比,本文算法在不同的采样率下,性能均有所提升,代表细节信息的高频信号得到充分重建,改进的算法所得到的重建图像具有较高的分辨率,尤其对细节较为丰富的图像进行重建后具有较高的峰值信噪比;2维邻块边缘自适应加权滤波有效的去除了重建图像的块效应,且重建时间平均减少了0.3 s。结论 将三层小波变换后的高频分量作为纹理部分,利用自适应多尺度分块重建出图像的轮廓与边缘;将低频分量直接视为平坦部分,邻块边缘自适应加权滤波重建出图像细节,不仅充分利用了图像的高低频信息,还减少了平坦块检测过程,使得重建时间有效缩短。经实验验证,本文算法重建图像质量较好,尤其是对复杂图像明显消除了块效应,边缘和纹理细节较清晰。因此主要适用于纹理细节较复杂的人脸图像、建筑图像和遥感图像等。     

基于压缩感知的红外人脸识别

压缩感知理论是一种全新的数据采集技术,其采用非自适应线性投影来保持信号的原始结构,通过数值最优化问题准确重构原始信号。本文利用压缩感知的优秀特性,采用基于稀疏表示的模式分类方法,通过提取红外人脸图像的全部信息作为特征并建立特征矩阵,将待识别人脸作为压缩感知测量值,并通过正交匹配追踪算法进行重构,根据重构的稀疏系数所属类别进行红外人脸识别。实验表明,基于压缩感知的红外人脸识别结果准确率高。实验验证了本算法的有效性。