自适应非局部低秩的图像压缩感知重构算法

针对传统非局部低秩的图像压缩感知重构算法忽略图像结构特征,导致图像重构效果不理想的问题,提出一种自适应非局部低秩的图像压缩感知重构算法,充分考虑图像自身结构特征和图像块间的强相关性.根据样本块的块结构稀疏度值设置阈值,自适应选取局部搜索窗口大小和相似块的数目;利用新的相似块匹配方法在给定搜索窗口内选取所需要的相似块,按...     

非局部低秩正则化视频压缩感知重构

视频压缩感知在采样资源受限的视频采集领域具有重要研究意义,重构算法是视频压缩感知系统的关键技术.为了更好地从压缩采样数据中重构视频信号,提出一种基于全变分与非局部低秩正则化的视频重构算法,为视频重构提供一种新的思路.算法第1步考虑视频帧内和帧间的局部相关性,应用全变分模型作为先验约束得到初步恢复的视频帧;第2步考虑视频...     

基于局部和非局部正则化的图像压缩感知

基于低秩正则化的非局部低秩约束(Nonlocal low-rank regularization, NLR)算法利用相似块的结构稀疏性,获得了目前最好的重构结果。但是它仅仅利用了图像的非局部信息,忽略了图像像素间的局部信息,不能有 效地重建图像的边缘,同时Logdet函数不能很好地替代矩阵秩,因为它跟真实解之间存在着不可忽视的差距。因此,本文提出了一种基于局部和非局部正则化的压缩感知图像重建方法,同时考虑图像的非局部低秩性和图像像素的局部稀疏梯度性。选择利用Schatten-p 范数来替代矩阵秩,同时选择交替方向乘子算法求解产生的非凸优化问题。实验 结果表明,与传统的稀疏性先验重建算法和NLR算法相比,本文算法能够获得更高的图像重构质量。     

优化加权TV的复合正则化压缩感知图像重建

目的：压缩感知理论突破了传统的Shanon-Nyquist采样定理的限制,能够以较少的采样值来进行原信号的恢复。针对压缩感知图像重建问题,本文提出了一种基于优化加权全变差（Total Variation, TV）的复合正则化压缩感知图像重建模型。方法：提出的重建模型是以TV正则化模型为基础的。首先,为克服传统TV正则化会导致重建图像的边缘和纹理细节部分模糊或丢失的缺点,本文引入图像的梯度信息估计权重,构建加权TV的重建模型。其次,利用全变差去噪（Rudin–Osher–Fatemi,ROF）模型对权重进行优化估计,从而减少计算权重时受噪声的影响。再次,本文将非局部结构相似性先验和局部自回归性先验引入提出的加权TV模型,得到优化加权TV的复合正则化重建模型。最后,结合投影法和算子分裂法对优化模型求解。结果：针对自然图像的不同特性,本文使用复合正则化先验进行建模,实验表明上述重建问题通过我们的方法得到了很好的解决,加权TV正则化先验使得图像的平坦区域和强边重建较好,而非局部结构相似性先验和局部自回归性先验能够保证图像的精细结构部分的重建效果。结论：本文提出了一种新的复合正则化压缩感知重建模型。与其它基于TV正则化的重建模型相比,实验结果表明本文模型的重建性能无论是在视觉效果还是在客观评价指标上都有明显的提高。     

基于局部DCT系数的图像压缩感知编码与重构

引入了压缩感知(Compressed sensing, CS)理论, 给出了在获取局部二维 离散余弦变换(Discrete cosine transform, DCT)系数的基础上高质量地编码与重构图像的新方法. 研究了在无量化和有量化情况下, 基于局部DCT系数的图像CS最小全变差重构算法. 在对DCT系数进行量化的过程中得到含噪的局部DCT系数, 在此基础上设计了能完成CS重构的图像编解码一般流程, 并构建了实际应用系统. 实验结果表明, 对于稀疏性较强的图像, 在图像编解码系统中结合CS理论与方法能得到高质量的重构图像, 与传统的直接反离散余弦变换(Inverse DCT, IDCT)方法相比, 峰值信噪比(Peak signal to noise ratio, PSNR)最大能提高5dB以上, 对于一般图像, PSNR也有较大提高.     

基于低秩约束的CT重建算法

为提高图像重建质量,结合压缩感知理论,提出一种非局部的基于低秩约束的图像重建算法。采用Shepp-Logan头模以及真实脑部CT切片进行重建,以峰值信噪比作为重建图像质量评判标准,并与其他两种重建算法的重建结果比较。经过一定次数迭代后,基于该算法的重建图像结果更贴近原始图像,且收敛时间更早。实验结果表明,在重建低剂量CT图像上,提出的算法在重建质量和收敛速度上均优于对比算法。     

混合全变差和低秩约束下的高光谱图像复原

目的 由于高光谱遥感数据携带丰富的光谱和空间信息,使其在许多领域得以广泛关注和应用。但是高光谱遥感数据在获取过程中受到各种因素的影响,存在多种不同程度的退化,进而影响到后续的处理和应用。因此,提出一种基于低秩矩阵近似和混合全变差正则化方法来复原退化的高光谱遥感数据。方法 首先分析高光谱遥感数据的两种低秩先验：光谱低秩先验和空间低秩先验;然后利用光谱低秩先验建立低秩矩阵近似表示模型,有效抑制稀疏噪声,例如脉冲噪声、条纹噪声、死线噪声等;再利用空间低秩先验建立混合全变差正则化模型,有效去除高密度噪声,例如强高斯噪声、泊松噪声等;最后结合两种模型的优势,建立基于低秩矩阵近似和混合全变差正则化模型。结果 利用多组高光谱遥感数据,和多种相关的高光谱复原方法进行对比仿真实验,表明新模型的结果在视觉质量有很大改进。与目前最新的复原模型相比,提出的模型的平均峰值信噪比能提高1.8 dB,而平均结构相似数值指标能提高0.05。结论 新模型充分利用高光谱遥感数据的空间和光谱低秩先验,针对含有高密度噪声和稀疏异常值的高光谱遥感数据,能够有效复原出高质量的高光谱遥感数据。     

基于自适应低秩去噪的磁共振图像重构

本文提出了一种基于自适应低秩去噪的磁共振图像重构算法.该方法使用去噪近似消息传递算法重构磁共振图像,将自适应加权Schatten-p范数最小化方法 (Weighted Schatten p-Norm Minimization, WSNM)作为其降噪模型,研究图像的重构性能.根据算法迭代过程中估计的噪声标准差自适应的设定WSNM的图像块大小及相似块个数.实验表明,与近几年提出的磁共振图像重构算法比较,本文提出的算法可以获得更高的峰值信噪比(Peak Signal to Noise Ratio, PSNR)和更低的相对L₂范数误差(Relative L₂ Norm Error, RLNE),得到更好的重建效果.     

基于低秩和稀疏性先验知识的压缩感知图像重构

压缩感知（CS）图像重建算法是CS图像获取问题的一个研究重点。针对当前重建效果最好的基于低秩先验的NLR重建算法,忽略了图像的局部结构信息,不能有效地重建图像的边缘,为了在测量值数量不变情况下进一步提高图像的重建质量,在低秩先验的基础上,引入稀疏约束（梯度域的稀疏性-总变差）作为图像额外的先验知识,建立了基于总变差和低秩约束的CS图像重建模型。增广拉格朗日-交替方向乘子算法用于求解产生的非凸优化问题。实验结果表明,与传统的稀疏性先验重建算法和NLR算法相比,所提算法能够获得更高的图像重构质量。     

基于压缩感知的超分辨率图像重建

压缩感知(CS)利用图像稀疏表示的先验知识,从少量的观测值中重建出原始图像。将CS理论应用于单幅图像超分辨率(SR),提出一种基于两步迭代收缩算法和全变分(TV)稀疏表示的图像重建方法。该方法无需任何训练集,仅需单幅低分辨率实现图像重建。算法在测量矩阵里加入下采样低通滤波器以使SR问题满足应用CS理论的有限等距性质;采用TV正则化函数,利用两步迭代法引入TV去噪算子,可以更好地重建图像边缘。实验结果证明,与已有的超分辨率方法相比,在不同的放大倍数下所提方法重建图像视觉效果更好,在峰值信噪比(PSNR)的评价指标上有显著的提高(4~6dB),且实验证实滤波器的引入决定算法的重建质量。     

基于二阶总广义变差的欠采样图像重构方法

针对欠采样图像重构的凸优化问题,提出一种基于二阶总广义变差(TGV)范数最小化的算法。利用图像的二阶TGV半范作为正则约束项,自动地平衡一、二阶导数项,使得该算法可以更好地恢复图像边缘,有利于平滑噪声,避免阶梯效应。为了有效地计算该模型,通过正交投影和调整权重阈值对每一步迭代结果进行修正,最终获得更准确的重构结果。实验结果表明,与正交匹配追踪(OMP)模型和全变差(TV)模型比对,该算法重构的图像其峰值信噪比(PSNR)及结构相似度(SSIM)都有明显的提高,重构效果较好。     

结合自适应核回归和全变差的乘性噪声去除

为了更好地去除图像中的乘性噪声,提出一个新的三阶段乘性噪声去除算法。第一阶段在图像的对数域用自适应的掌舵核回归(SKR)对图像进行去噪处理;第二阶段用全变差(TV)方法对第一阶段处理的结果进行补充处理;第三阶段通过指数变换和误差纠偏,把图像变回到真实的图像域。新方法具有掌舵核回归与全变差两种方法的优点,实验结果证明了其去除乘性噪声的有效性。     

基于总变分低秩组稀疏的全球雷达数据修复算法

针对航天飞机雷达地形测绘任务（SRTM）中存在由大量尖峰、斑点和多向条纹误差形成的混合噪声对后续应用产生严重干扰的问题,提出了一种基于总变分约束的低秩组稀疏（LRGS_TV）算法。首先,利用数据在局部范围低秩方向上的唯一性来正则化全局多方向条带误差结构,同时使用变分思想进行单向约束;其次,使用加权核范数的非局部自相似性来消除随机噪声,并结合总变分（TV）正则对数据梯度进行约束,以减小局部范围变化差值;最后,使用交替方向乘子优化对低秩组稀疏模型进行求解,从而保证了模型的收敛性。把所提算法与TV、单方向总变分（UTV）、低秩单图像分解（LRSID）和低秩组稀疏（LRGS）模型这4种算法进行定量评估的结果表明,LRGS_TV的峰值信噪比（PSNR）可以达到38.53 dB,结构相似性（SSIM）可以达到0.97,均为5种算法中的最优。同时,坡度与坡向结果表明,经LRGS_TV处理后,数据的后续应用有显著改善。实验结果表明,LRGS_TV能够在保证地形轮廓特征基本不变的情况下更好地修复原始数据,可对SRTM可靠性的提高与后续应用提供重要的支持。     

压缩感知框架下基于ROMP算法的图像精确重构

在压缩感知框架下运用正则化正交匹配追踪(ROMP)算法进行图像重构时,迭代次数取值不合适会严重降低重构图像的质量。针对这一问题,提出了确定合理迭代次数的方法。将以往迭代得出的结果作为先验知识,获取具有不同稀疏程度图像块的最佳迭代次数,从而保证了整幅图像的重构质量。实验表明,该方法重构效果优于采用固定迭代次数的ROMP算法。     

基于低秩及全变分的视频超分辨率重建

视频序列沿着时间轴展开所形成的二维矩阵具有低秩性,由此提出了一种利用该性质并结合全变分约束的视频超分辨率重建算法.该方法使用保真项以及上述两约束条件构造视频超分辨率重建的优化函数,然后采用变量分裂法求解该优化问题.实验结果表明,相比于两步迭代(two-step iterative shrinkage/thresholding,TWIST)、3D核回归(3D kernel regression,3DKR)等方法,此算法能得到更好的峰值信噪比和结构相似度,即使在模糊和噪声的影响下,该算法也具有良好的性能,能较好地重建出视频图像.     

基于压缩感知的微分相衬CT迭代图像重建

X-射线相衬计算机断层成像(CT)通过X-射线穿过样品后相位信息的改变来得到高衬度的图像,特别适用于轻元素的成像,并且可以获得远高于传统吸收衬度CT的密度分辨率。基于光栅的微分相衬CT（DPC-CT）由于可以使用常规的X射线光源而有着巨大的临床应用前景,但DPC-CT成像的X-射线辐射剂量问题尤为突出,是其走向实际应用的瓶颈。针对上述不足,提出了一种微分相衬CT迭代图像重建算法（DD-L1）,该方法将压缩感知（CS）理论和CT迭代图像重建技术相结合并引入距离驱动（DD）的正/反投影运算计算策略。仿真实验结果表明,DD-L1算法能够在投影数据不完备的情况下得到较高质量的重建图像。     

压缩感知的量化率失真分析

压缩感知理论表明稀疏信号能由少量的随机测量值恢复,从信息理论的角度来看,随机测量值能否有效表示稀疏信号仍是一个值得探讨的问题。针对压缩感知测量值的量化,将率失真理论作为工具研究压缩测量值的量化带来的平均失真度,包括均匀量化和非均匀量化两种情况,并进一步得到由量化测量值重构信号的率失真性能极限。理论分析和实验结果表明,相对于信号的自适应编码随机观测过程会引起较大的失真,但是压缩感知能利用信号的稀疏度来减小量化后的重构失真,这说明量化压缩感知适用于低稀疏度的信号。     

基于压缩传感的视频水印算法

针对压缩域视频流的完整性认证问题,提出了一种基于压缩传感（CS）的视频水印算法。以H.264压缩视频流为研究对象,通过对视频序列的I帧进行压缩传感随机投影,得到少量的测量值,经过量化和置换加密,最后以水印的方式嵌入到P帧具有最大运动矢量幅值的宏块中。认证时,从含水印视频序列的P帧提取水印,并对I帧进行相同的压缩传感随机投影,通过比较测量值的差异,实现对视频的完整性认证。仿真结果表明,该算法具有较好的视频质量,对码率的影响较小,对帧删除、帧插入、重压缩等攻击具有较强的鲁棒性。