基于压缩感知和红外玫瑰线扫描的红外图像重构

红外亚成像制导技术是由点源探测技术到成像制导技术的一种过渡, 由单元探测器和光机扫描装置组成.红外玫瑰线扫描亚成像系统是亚成像制导中的一种, 红外玫瑰线扫描亚成像系统按照特定的图案采集视场中的部分数据并得到一幅含有目标位置信息的亚图像.受单像素相机的启发, 主要研究红外玫瑰线扫描亚成像系统中的压缩成像.压缩感知可以在更少的采样数据条件下重构红外图像, 其应用到红外亚成像制导系统中一个关键的问题就是观测矩阵的构造.关于随机观测矩阵的研究已经比较广泛, 但随机矩阵很难实现.本文提出了一种简单的适用于红外玫瑰线扫描亚成像系统的确定性观测矩阵.此外还提出了一种快速有效的恢复算法, 称为优化子空间追踪算法.仿真结果显示构造的观测矩阵能够压缩和重构红外图像, 且重构效果优于随机高斯观测矩阵和随机伯努利观测矩阵, 提出的恢复算法也具有较好的表现.     

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。     

基于压缩感知理论的图像重构技术

通过CS理论在工程应用上典型的正交匹配追踪算法,实现了一维信号和二维图像的精确重构,针对该方法中出现对整幅图像进行采样计算时需要大量的观测矩阵存储空间,并且重构过程中耗费了大量的时间等问题,提出了一种基于OMP算法的改进方案,将图像进行分块压缩感知。通过实验分析,以上问题得到了解决,重构图像的质量在没有增加计算复杂度的前提下也得到了提高。     

基于压缩感知的AOTF光谱测量方法（英文）

基于声光可调谐滤波器（AOTF）的光谱仪器已经在生物医学、农业、航空航天等领域中广泛应用。然而,传统的AOTF光谱仪很难在保持光谱分辨率和减少采样次数的同时,还实现系统光通量的增加。针对上述问题,本文提出了一种基于压缩感知理论的AOTF光谱测量方法,利用AOTF可多频驱动的特点,在光谱维度上实现稀疏随机编码复合光信号调制,可利用单元或面阵探测器顺次记录完成压缩采样,再通过压缩感知重建算法获得目标光谱曲线或光谱图像数据立方体。为了验证本方法的有效性,我们利用实际测量得到AOTF光谱响应带宽数据,构建传感矩阵,以展宽光谱为恢复目标,仿真了压缩采样和目标数据重构效果。仿真结果表明,该方法可以通过202次压缩采样,重构得到512个波长点的光谱数据,光谱数据采样率和压缩比为0.39。此采样率下,本方法可以高精度恢复光谱曲线,PSNR指标达到41.75dB,SAM和GSAM指标为0.9998和0.9754。多频同时驱动下,系统光通量平均提升了5倍。与传统逐波长点扫描的采样方式相比,该方法能够在保持原有光谱分辨率的前提下减少总采样次数,提高系统的光通量,同时还压缩了光谱数据,在微弱信号检测、物质快速...     

基于深度学习和压缩感知的图像重构算法研究

利用深度展开的方法来设计深度神经网络在如今成为了一种经典的优化方法。文章提出了一种新的基于深度学习和压缩感知的重构算法用于序列信号重构。该模型设计理念是通过用近端梯度下降方法来对模型做迭代展开。在MNIST数据集上的实验表明,该模型表现要优于一些先进的基于压缩感知的模型以及其他基于循环神经网络的模型。     

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。     

基于分块压缩感知的图像全局重构模型

已有的基于分块压缩感知（Block Compressed Sensing,Block CS）的图像重构模型采用相同的测量矩阵以块×块的方式获取数据,解决了传统CS方法中测量矩阵所需存储量较大的问题,但由于采用分块重构,没有考虑到图像的全局稀疏度,出现了大量的块效应。本文分析了图像分块重构产生块效应的三个主要原因:块稀疏度不均匀、频谱泄漏和块尺寸受限,提出了一种基于Block CS的图像全局重构模型。该模型在编码端采用高斯随机矩阵逐块作非相关测量;在解码端,引入排序算子,重新构造测量矩阵,该测量矩阵既适合于进行全局重构,又适合于分块测量的CS观测值,并仍与图像的稀疏矩阵高度不相关,所以其可充分利用图像的全局稀疏度进行CS重构。仿真实验表明,所提出的全局重构模型有效地消除了块效应现象,并且对块尺寸的变化有较强的鲁棒性。      

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。     

基于压缩感知OMP改进算法的图像重构

正交匹配追踪(OMP)算法中迭代次数严格依赖信号的稀疏度K值,迭代次数选取适当会重构出高精确的图像,反之则会对图像重构质量造成严重影响.针对这一问题,提出了一种根据残差值的相对极差来确定最佳迭代次数的新方法.该方法要求在同一次迭代中对一幅图像的所有列同时进行迭代计算,根据极差的相对差值与门限值比较来确定最佳迭代次数,从而达到提高重构精度,消除对稀疏度K值依赖的目的.理论分析和仿真结果表明,改进的OMP算法比原有算法有更理想的重构效果,有更高的重构精度.     

采用平滑投影Landweber重构的分布式自适应压缩视频感知（英文）

A novel Compressed-Sensing-based(CS-based)Distributed Video Coding(DVC)system,called Distributed Adaptive Compressed Video Sensing(DISACOS),is proposed in this paper.In this system,the input frames are divided into key frames and non-key frames,which are encoded by block CS sampling.The key frames are encoded as CS measurements at substantially higher rates than the non-key frames and decoded by the Smoothed Projected Landweber(SPL)algorithm using multi-hypothesis predictions.For the non-key frames,a small number of CS measurements are first transmitted to detect blocks having low-quality Side Information(SI)generated by the conventional interpolation or extrapolation at the decoder;then,another group of CS measurements are sampled again upon the decoder’s request.To fully utilise the CS measurements,we adaptively allocate these measurements to each block in terms of different edge features.Finally,the residual frame is reconstructed using the SPL algorithm and the decoded non-key frame is simply determined as the sum of the residual frame and the SI.Experimental results have revealed that our CS-based DVC system yields better rate-distortion performance when compared with other schemes.     

基于压缩感知的红外与可见光图像融合算法

压缩感知是一种新的信号采样理论,突破了传统的Nyquist采样率须为信号最高频率的2倍以上的定理。对于稀疏信号,它能够以远低于Nyquist采样速率对信号进行采样,并通过重构算法恢复出原信号。提出了一种基于压缩感知的红外与可见光图像融合算法,对图像进行测量,并通过融合算法对测量值进行融合。仿真实验显示,压缩感知能较好地实现图像的融合。     

基于深度学习的压缩感知图像重构算法综述

压缩感知突破奈奎斯特采样定律(NST),很大程度缓解了数据的获取和传输压力.近年来,随着深度学习迅速发展,深度神经网络技术在压缩感知领域的应用使压缩感知重构的精度和效率均得到有效提升,并引起学者们的广泛关注和研究.为了对现有的基于深度学习的压缩感知图像重构算法进行梳理归纳,首先,介绍压缩感知的基础数学知识以及两种极具代表性的传统压缩感知重构迭代优化算法:ISTA和ADMM;接着,详细讨论上述两种传统算法的深度网络展开框架以及对基准框架的改进技术:ISTA-Net++和ADMM-Net,并对SDA、ReconNet、DR^(2)-Net等五种非传统算法展开的端到端的深度神经网络框架进行对比分析;然后,以峰值信噪比(PSNR)为评价指标,将代表性网络模型在自然图像数据集Train400和医学图像数据集MICCAI上的重构精度进行比较分析;最后,总结并展望深度学习技术在压缩感知重构领域的研究前景.     

基于压缩感知的信号重构

压缩感知是针对稀疏或可压缩信号,在采样的同时即可对信号数据进行适当压缩的新理论,采用该理论,可以仅需少量信号的观测值来实现精确重构信号。文中概述了CS理论框架及关键技术问题,介绍了信号稀疏表示、观测矩阵和重构算法。最后仿真实现了基于压缩感知的信号重构,并对正交匹配追踪(OMP)重构算法性能作了分析。     

基于按列分块和混合分块的压缩感知图像重构方法

压缩感知理论由于其可通过低采样率来恢复原始信号的特点,近年来逐步被用于光学成像领域。为了解决在对成像图像进行压缩感知重构时数据量过大、计算负担大的问题,分块压缩感知的方法被提出。在该方法的基础上做出改进,依次提出了按列分块和混合分块的压缩感知方法。其中按列分块的方式改变了分块模式,降低分块时的要求,混合分块则结合两种分块的特点,有效提升了压缩感知的效果。通过仿真实验验证,本方法有效提升了图像重构质量,尤其是混合分块方式,在图像的重构速度和重构质量上都有显著提升。     

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。     

基于遗传算法的零范数压缩感知图像重构方法研究

近年来由Donoho和Candes等人提出的压缩感知图像处理有效地解决了图像高速采样与压缩重构之间的瓶颈问题,使得采样与压缩同时进行,并有效利用采样所得到的数据,用于后期的图像重构中。目前文献中使用的重构算法很多,如最优l1范数法、匹配追踪等贪婪算法、迭代阈值法等,但这些方法都是次优化算法,没有从压缩感知最初需要解决的问题出发。在此给出的算法是从压缩感知重构的最初需要解决的问题出发,寻找一种能够解决最优l0范数的多峰优化问题的算法。实验结果也证明了该方法的可行性。     

压缩感知在口腔医学图像重构中的应用

医疗影像广泛应用于口腔医学中。目前,为了得到高分辨率的扫描图像,口腔临床上大多基于奈奎斯特-香农采样定理,要求医学影像设备的采样频率达到信号频谱中最高频谱2倍以上,才能完全恢复图像。为了提高口腔医学图像的使用价值,减少资源浪费,提出将压缩感知理论运用到口腔医学图像重构中,旨在从原始图像中获得少量感知数据进行重构,得到清晰度高的口腔医学图像。     

基于正交基压缩感知的激光雷达遥感图像重构研究

在压缩图像重建过程中,针对重构效果不理想、耗时较长等问题,提出基于正交基压缩感知的激光雷达遥感图像重构方法。对激光雷达遥感图像进行预分块处理,分别计算不同图像块的纹理复杂度,当图像块纹理复杂度低于设定阈值时,选取最佳采样频率对不同的图像块进行观测采样,当图像块的纹理复杂度高于设定阈值,需要再次进行分块,并且重复上述步骤,直到获取最小图像块,则停止分块。通过观测采样结果,设定滤波,选取信号阈值,引入共轭梯度下降方法,对不同压缩比下的信号进行重建,实现激光雷达遥感图像重构。分析仿真实验结果可知,所提方法的最高运行时间约为17 min,远低于传统方法,表明方法能够有效提升图像的重构效果。     

多块合并压缩感知实时成像（英文）

中长波红外成像探测器成本高昂,成为该波段高分辨成像和实时显示的巨大挑战。本文提出一种高效合并分块压缩感知方法（Multi-block Combined Compressed Sensing, MBCS）,适用于基于焦平面阵列的压缩成像系统,它结合了并行采样和快速重建优势,可通过低分辨红外探测器实现低分辨并行测量和高分辨图像快速重建。与传统的基于压缩感知超分辨成像相比,该方法可提升高分辨图像重建的质量,同时实现高速重建。本文对光学系统原型和MBCS重建模型测量矩阵构建过程进行了研究,讨论了合并块大小对重建性能的影响,发现存在最优块大小使重建速度与重建质量都最优。此外,本文还实现了基于GPU加速的MBCS重建算法,用于进一步改进并行成像系统的图像重建速度。仿真和光学实验验证了该光学系统并行采样和快速重建策略的有效性,512×512分辨率成像与显示速度可达到5 Hz。