基于压缩感知的激光照明成像方法

针对传统的激光成像技术有大量冗余数据的缺点,提出一种基于压缩感知(CS)理论的激光照明成像方法。阐述了压缩感知的基本原理,进行了图像恢复算法仿真。仿真结果表明:随着采样率的提高,成像质量有明显的提高;随着目标物体稀疏性的提高,图像重构需要的采样次数减少。设计了成像实验系统,实现了32像素×32像素的图像恢复,证明了所提成像技术的可行性。     

基于压缩感知理论的单像素成像系统研究

近年来出现的压缩感知理论为信号处理的发展开辟了一条新的道路,它指出可压缩或者稀疏信号的少量线性投影含有足够的信息来进行信号重建和信号处理,在压缩感知理论的基础上,一种新的单像素成像系统的发展得到了广泛的关注,它的主要特点就是只用一个像素的探测器通过用少于图像像素值的采样数目来重建图像,主要介绍了基于压缩感知理论的单像素成像系统的图像重建算法,为单像素成像系统的发展做了有益的探索。     

基于压缩感知的光度立体视觉三维成像方法研究

压缩感知是近年来发展迅速的一种新型信号处理理论,以此为基础发展的成像系统具有系统规模小、成本低等特点而受到广泛的关注。利用表征反射光强度信息的图像灰度值是物体表面属性及几何形状综合反映这一光度学基础,引入以随机采样及非线性重建为技术手段的压缩感知理论,提出了一种基于压缩感知的光度立体视觉三维成像方法。该方法通过调换探测器与光源的位置,采用单像素探测器代替传统CCD成像,从不同位置的单像素探测器采集经调制的测量数据,利用压缩感知算法重建二维目标的图像,而后利用图像中的阴影信息求解目标的表面法向量和三维表面模型。最后,利用该方法对人像和简单几何体进行三维成像实验,结果表明该成像方法能在数据欠采样的情况下,实现目标的高效三维重建;在实验基础上,进一步分析了图像数量、采样率、重构方法、探测器位置等方面对三维成像质量的影响。     

基于区域特性的压缩感知多聚焦融合算法

传统的基于压缩感知的图像融合算法是对整个系数进行稀疏处理,而小波分解后的低频系数不稀疏,导致压缩重构质量降低,并且传统的融合规则不易简单、全面地提取高频系数的特征值。针对这一问题,分别对小波分解得到的高、低频系数采取不同的融合规则进行处理,提出了一种改进的区域特性高频压缩感知的融合算法。其中,低频系数采用区域方差加权绝对值最大融合;高频系数首先通过具有较好RIP性质的随机观测矩阵进行压缩采样,得到的观测值基于能量匹配度的不同进行相加或加权融合,以融合不同方向的高频子带特征信息,再用正交匹配追踪重构算法对高频部分进行信号重构。最后,低频、高频信息在小波逆变换下重构出融合图像。实验结果表明,与以往的基于压缩感知的融合方法相比,此算法的融合图像更清晰,新算法无论是在主观评价还是客观评价指标上都有利于图像信号重构,并具有较好的使用性。     

基于压缩感知的自适应稀疏子脉冲成像方法

基于空中运动目标回波信号的稀疏特性,提出了一种基于压缩感知（CS）的线性调频步进信号（SFCS）稀疏子脉冲自适应高分辨雷达成像方法。在对目标进行稀疏成像时,根据目标回波稀疏特性与发射信号子脉冲数之间的关系,建立相应的稀疏子脉冲动态闭环反馈系统,实现发射信号子脉冲数量的自适应调整;结合各脉冲簇中子脉冲的稀疏情况,建立相应的部分逆傅里叶变换基矩阵,并利用正交匹配追踪（OMP）算法对目标高分辨距离像（HRRP）进行重构处理,进而实现对目标的高分辨成像。仿真结果验证了该方法的有效性。     

基于A* OMP算法的压缩感知声纳成像

传统声纳成像系统所要采集的数据量巨大,给硬件设备以及数据的存储和传输带来很大的压力。压缩感知作为一种全新的采样理论,可以从很少的采样数据中以很大的概率重建原始信号。将压缩感知用于声纳成像,减少数据采集传输量。考虑到水下环境的复杂性,提出了A* OMP作为声纳成像算法,该算法使用A*搜索方法寻找最优原子,得到全局最优路径。实验结果表明,相比于传统OMP算法,所提算法有效地提高了声纳成像的质量。     

基于压缩感知的遥感成像稀疏重构性能分析

压缩感知是一种新型的信息论，打破了传统的Shannon-Nyquist采样定理，能够以少量数据完成信号采样。稀疏重构是压缩感知由理论到实际的关键环节，为了将压缩感知有效地应用于遥感成像领域，研究了稀疏重构对遥感成像过程的影响。针对稀疏重构理论模型，分析了重构误差的成因；同时，针对典型的凸优化类算法和贪婪类算法，利用峰值信噪比指标对遥感图像重构误差进行评价。在仿真实验中，定量考察遥感图像在不同压缩采样率、不同重构算法下的稀疏重构性能。结果表明，稀疏重构算法能够成功重构遥感图像，各算法在不同压缩采样率下均表现出了较好的重构质量，整体上能够满足遥感成像应用，验证了压缩感知稀疏重构方法在遥感成像中应用的可行性。     

基于迭代p阈值算法压缩感知磁共振成像重构

从优化网络结构出发,在基于迭代软阈值网络的压缩感知磁共振成像深度网络基础上,加入由p阈值函数组成的优化模块,进一步优化软阈值函数,以抑制噪声,减少重建误差,从而提高重建质量。上述算法结合了压缩感知磁共振重建和深度学习的优势,所有参数都是端到端学习得到的,既具有很好的理论可解释性,又具有良好的网络泛化能力。对上述算法与其它算法进行对比,仿真结果表明,所提算法提高了磁共振成像的重建精度,特别对于结构复杂的磁共振图像重建效果更好。     

压缩感知研究

经典的香农采样定理认为,为了不失真地恢复模拟信号,采样频率应该不小于奈奎斯特频率(即模拟信号频谱中的最高频率)的两倍.但是其中除了利用到信号是有限带宽的假设外,没利用任何的其它先验信息.采集到的数据存在很大程度的冗余.Donoho等人提出的压缩感知方法(Compressed sensing或Compressive Sa...     

基于二维压缩感知的超声k空间重建

压缩感知理论已经应用于多个领域,如MRI,超声等。提出了一个新的超声重建方法,基于二维压缩感知和k空间。在时域采样特定信号,并在k空间中对其进行重建。当处理二维信号(图像)时,传统的方法是将其转换为一维向量,这种方法非常耗时,并且对于大的图像重建来说不切实际,通过二维压缩感知处理这个难题。     

一种合成聚焦的便携式B型超声成像方法

传统合成聚焦超声成像方法在图像重建过程中处理数据量较大,致使其在便携式B型超声设备中应用受限。针对该问题,提出一种基于压缩感知理论和合成聚焦波束形成算法的便携式B型超声成像方法(SFCS)。该方法通过对接收到的射频回波信号进行随机采样得到欠采样的测量信号,将测量信号经过合成聚焦波束形成处理获得欠采样的射频信号线,基于压缩感知的信号重构算法,由欠采样的射频信号线高质量地恢复信号后供后续成像处理使用。仿真实验结果表明,SFCS可有效地解决合成聚焦超声成像过程中数据量大的问题,从而在保证较高成像质量的前提下满足便携式B型超声设备小型化、低成本的技术要求,具有工程应用价值。     

基于参考图像梯度方向先验的压缩感知 磁共振快速成像

压缩感知理论为快速磁共振成像提供了一种系统的理论框架,即通过少量非相干的采样数据便可实现精确的图像重建。然而,在高度欠采样的情况下,混叠伪影依然很严重。目前,已有大量的研究工作探讨了利用来自参考图像的先验信息来提高重建质量的方法。文章提出基于参考图像梯度方向先验的压缩感知磁共振成像方法。该方法通过约束目标图像中结构边缘的切向量与参考图像中对应位置的法向量相垂直,以使目标图像中结构边缘的方向和参考图像保持一致。最后,运用多对比度扫描的实验数据,通过与传统的压缩感知磁共振成像方法相比较,验证了该方法能够实现快速且高质量的磁共振成像。     

基于迭代p阈值投影算法的压缩感知磁共振成像

针对迭代软阈值投影算法中的软阈值函数收缩功能较差的问题，提出了迭代p阈值投影算法。用p阈值函数替换迭代软阈值投影算法中的软阈值函数，对小系数的惩罚更大，对大系数产生更小的偏置，以抑制噪声，减少重建误差。为加快算法速度，利用Nesterov梯度加速技术，设计了快速迭代p阈值投影算法，用于磁共振图像重建。在紧标架为平移不变离散小波变换和轮廓波下，将快速迭代p阈值投影算法用于压缩感知磁共振成像。与光滑化的快速迭代软阈值算法、迭代软阈值投影算法和交替方向乘子法进行仿真对比分析的结果表明，快速迭代p阈值投影算法提高了磁共振成像的重建速度和重建质量。分析了p值对算法性能的影响，给出了适合的p值选择方法，以获得较好的收敛速度、减小重构误差。     

基于压缩感知的含旋转部件目标ISAR成像新方法

在ISAR成像中,某些雷达目标的部件存在旋转运动,会对目标主体信息产生干扰导致目标成像质量下降,严重时甚至无法实现成像。本文结合压缩感知理论提出了一种含旋转部件目标成像方法。在成像时间内,由于目标主体部件相对于成像区域的位置保持不变,而旋转部件的位置在不断变化,因此,对回波信号运用压缩感知理论可得到目标主体部件的信息,从而有效剔除了旋转部件带来的影响并且大幅减少了回波数据量。最后仿真结果验证了该方法的有效性,并对其抗噪性能进行了一定的分析。     

基于压缩感知的测量矩阵研究

压缩感知打破了传统采样定理的限制,提供了一种从少量的非自适应线性测量值中就能恢复原始信号的方法.测量矩阵正是获取这些测量值的关键所在,寻求结构简单、性能稳定的测量矩阵一直是研究人员的目标.在介绍压缩感知测量矩阵的基础上,提出了广义轮换矩阵的改进方法,结合正交基线性表示的思想,利用广义轮换构造的正交矩阵来生成新的测量矩阵.通过仿真实验,证明了新的测量矩阵具有较好的性能.     

基于FFS的压缩感知算法研究

传统的频谱感知方式因其自身的局限性而难以满足处理速率的更高要求。压缩感知的优势在于前端传感器采样数据量远远小于传统采样方法所获的数据量,从而有效提高频谱感知的速度。本文给出了一种新颖的压缩感知算法——快速傅里叶采样算法,该算法能采集较少的点数,较快地重构信号。算法分为频率分离、比特测试和系数估计三个主要步骤。文中对FFS算法进行了详细分析及实现,给出了仿真信`号重构结果 ,并将该算法的运算量与快速傅里叶变换进行了对比分析。仿真结果表明,该算法具有较好的重构精度,并且信号长度的剧烈增加对运算量的影响较小,在大信号处理时运行时间远远低于FFT。     

基于压缩感知的图像处理算法研究

在对图像数据进行识别和恢复的过程中,由于图像的相似性,存在数据的稀疏性。在压缩感知恢复图像的过程中,由于缺乏对统计数据先验信息的利用,导致计算复杂度高,并且恢复精度低。针对此问题,采用压缩感知的改进算法对图像进行恢复,对矩阵的相似性和相似距离进行定义,根据定义应用主成分分析映射以及贝叶斯先验信息对图像的迭代恢复算法进行改进。实验结果显示,所提方法的准确性明显高于其他恢复算法,并且恢复的图像清晰度高。根据计算复杂度的对比,所提算法的计算复杂度低,计算时间少。