基于优化哈达玛矩阵的图像重构算法研究

基于传统的压缩感知理论,提出了一种置乱块哈达玛矩阵,对图像进行非相干测量。将测量矩阵中的部分块进行哈达玛变换并随机交换列,使得矩阵中的元素服从零均值和方差的正态分布。通过对多种类型的图像样本进行重构实验,比较分析置乱块哈达玛矩阵在BP、OMP、StOmp等不同重构算法下的重构效果,以及OMP算法在分别以随机矩阵、托普利兹矩阵、循环矩阵和置乱块哈达玛矩阵为测量矩阵时的重构效果。实验结果表明,以置乱块哈达玛矩阵为测量矩阵,图像重构的信噪比更高、压缩成像的效果更好、运算所需时间更短。     

一种最速下降的贪婪迭代算法

压缩传感应用于图像压缩重构的算法通常有凸优化算法和贪婪迭代算法两大类.一般而言,凸优化算法重构概率高、速度较慢,贪婪迭代算法具有较快的重构速度,但损失了重构质量.结合凸优化算法中的最速下降法及贪婪迭代算法中的正交匹配算法(OMP),提出了一种新的算法,并应用于一维信号和二维图像信号的压缩重构实验,且深入对比分析了不同降采样矩阵对新算法的影响.结果发现,对同一降采样矩阵,即使图像的纹理不同,新算法在重构质量及重构时间上都优于原始的OMP算法.     

广义半迭代硬阈值追踪算法及在"鬼"成像中的应用

提出了一种广义半迭代硬阈值追踪重建算法,综合了广义硬阈值追踪重建算法和半迭代思想的优点,修正了目标函数寻求最优解的搜索方向,获得了多项式的加速收敛,且不需要已知信号稀疏度.数值仿真结果表明,该算法在重构概率、峰值信噪比、信噪比、匹配度等方面的性能明显提高,且在"鬼"成像中的应用性能明显优于广义硬阈值追踪算法.     

基于低频子带列均衡的图像稀疏表示改进算法

针对图像做小波分解时把低频子带集中在左上角,造成小波域图像前几列稀疏度很大,在做压缩感知时所需采样率较高,恢复时间较长的情况,提出了基于低频子带列均衡的图像稀疏表示改进算法,并将其用于图像压缩感知,通过将低频子带均分到每一列的顶端,减小测量矩阵大小,提高压缩比,且减小运算时间。仿真结果表明,该算法与传统基于小波变换的压缩感知算法相比,图像恢复效果及运算时间均得到了改善。     

结合自适应字典学习的稀疏贝叶斯重构

贝叶斯压缩感知是一种基于统计分析的压缩感知算法,具有很好的鲁棒性,能够充分利用信息间的相关性,它的重构依赖于图像的稀疏性表达.针对贝叶斯压缩感知的深层次稀疏化问题,笔者结合自适应字典学习思想,提出一种冗余自适应字典表示的稀疏贝叶斯学习算法.该算法对图像进行局部分块,从待重建图像的迭代中间图像分块中学习字典,并以该字典作为图像的稀疏变换基,通过稀疏贝叶斯学习算法获得稀疏解.实验结果表明,基于自适应字典的贝叶斯学习算法能提高稀疏化,明显改善图像的重构质量.     

基于改进回溯线搜索的二维梯度投影法

压缩感知的二维与一维方法相比,在对图像进行压缩观测时可以更好地保持其结构信息,因而能够提高压缩观测图像的重构质量.通过改进基于全变差正则化的二维梯度投影压缩感知算法,对该算法中全变差最小化进行求解,提出了一种改进的回溯线搜索方法以优化其中梯度下降法的步长选择方法,从而提高了重建图像的质量和算法的收敛速度.实验结果表明,将改进的步长选择方法应用于二维梯度投影算法之后,重建图像的主观质量和峰值信噪比都得到提高,同时算法的迭代次数减少,收敛速度更快.     

基于稀疏表示的人脸图像压缩方法

基于稀疏表示的人脸图像压缩算法首先对人脸图像进行分块,其次利用K-SVD字典学习算法,训练一个图像的冗余字典,最后用OMP算法对其进行稀疏编码,得到压缩的图像.由于OMP算法复杂度较高,为了降低复杂度,提高算法效率,提出了一种基于稀疏表示理论的新的人脸压缩算法.该算法在稀疏编码阶段,用基于块坐标松弛(Block Coordinate Relation)字典学习算法对人脸图像进行稀疏编码,最后用重构算法对压缩数据进行重构.通过实验仿真,与JPEG压缩方法及OMP算法比较,所提方法在同等压缩比下,重构的图像质量有所提高.     

改进的共轭梯度MRI压缩成像算法

为了缩短磁共振成像系统的扫描时间,压缩感知方法利用欠采样数据和非线性恢复算法实现系统的实时或准实时成像需求。通过联合考虑MRI图像在变换域和梯度域下的稀疏性,提出了一种基于预测线搜索方法的共轭梯度算法来重建磁共振图像。针对共轭梯度算法中线搜索次数过多和运行时间过长问题,采用基于预测的方法来优化搜索步长值,以此缩短算法执行时间和减少线搜索次数。仿真实验利用磁共振图像的10%、20%和30%的下采样数据进行图像重建,结果显示基于该预测线搜索方法的压缩成像算法执行时间少于回溯线搜索法的执行时间,重构图像质量优于零填充法和FR共轭梯度法,验证了该算法的有效性。     

基于切比雪夫扩频序列的测量矩阵构造算法(研究生论坛)

针对混沌系统以间隔采样序列构造压缩感知测量矩阵而造成的计算和存储资源的浪费,本文提出了一种基于切比雪夫－贝努利序列构造测量矩阵的算法。提出了通过符号函数将切比雪夫混沌系统产生的混沌序列映射为其扩频序列,并证明了其扩频序列服从贝努利分布特性,进一步提出由其扩频序列构造压缩感知测量矩阵的方法。实验仿真表明,该测量矩阵与随机矩阵、混沌矩阵相比具有同样的重构性能,对于红外图像的重构,本方法具有更好的重构性能。     

一种改进的正则化自适应匹配追踪算法

针对压缩感知中未知稀疏度信号的重构问题,提出了一种改进的正则化自适应匹配追踪算法。它通过自适应变步长迭代对信号稀疏度进行估计,并将其作为初始支撑集长度,然后在分阶段迭代中正则化筛选原子,最终实现信号的精确重构。仿真结果表明,该算法重构信号的性能和效率均优于子空间追踪算法、正交匹配追踪算法和稀疏度自适应匹配追踪算法。     

压缩感知的高分辨率天文图像去噪

为提高高分辨率天文图像的重构质量,在传统压缩感知(compressed sensing,CS)迭代小波阈值算法的基础上,提出了一种基于小波维纳滤波的压缩感知去噪重构算法.该算法的设计方法为:在每次迭代过程中,使用设计的小波维纳滤波算子替代传统的小波阈值算子对获得的天文图像小波系数进行筛选,从而对小波阈值去噪方法重建图像过程中出现的伪吉布斯现象进行有效地抑制;然后使用全变差方法对去噪重建后的天文图像进行调整,以进一步提高重构图像的质量.仿真实验结果表明,与传统的迭代小波阈值算法相比,本算法可以获得较优的去噪重建性能,并且能有效地保护高分辨率天文图像的细节特征信息.此外,在压缩比较高的情况下,该算法仍然可以获得相对较高的视觉质量和峰值信噪比.     

高噪声遥感图像稀疏去噪重建

高噪声遥感图像去噪一直是遥感领域研究的一个重要难题,为进一步提高高噪声遥感图像的重建质量,在经典的压缩感知迭代小波阈值算法的基础上,提出了一种改进迭代小波阈值算法.首先,提出一种自适应小波滤波算子在图像稀疏变换过程中对获取的遥感图像小波系数进行筛选,去除图像中的部分噪声信息;其次,使用提出的下降BayesShrink阈值在每次迭代过程中对获取的小波系数进行二次筛选过程;最后,使用改进的块稀疏全变差方法对获得的重建图像进行调整以进一步提高重建遥感图像的质量.试验结果表明,该算法的去噪重建性能优于经典的压缩感知迭代小波阈值算法,可以从高噪声图像中重建一幅高质量的遥感图像,验证了该算法的有效性.此外,该算法能够有效地保护遥感图像的边缘和纹理等重要特征信息.在低压缩采样比情况下,该算法也能够获得相对较高的峰值信噪比和视觉质量.在卫星地面接收站,该算法可直接使用获取的少量含噪遥感图像数据重建一幅清晰的遥感图像.     

基于动态多模式匹配的视频压缩感知三步重构

相较于奈奎斯特-香农定理所要求的采样数据量,压缩感知理论表明采用较少的测量值就可以实现高维信号的重构,因此压缩感知在视频信号传感中具有很大的潜力.现有的视频压缩感知重构算法是利用多假设预测来得到残差模型,大量文献采用基于最小均方误差的方法挑选多假设匹配块,由此对视频信号进行重构,然而没有考虑最大化重构视频的整体结构相似性,在图像重构的整体质量效果上存在较大改进空间,并且挑选匹配块的模式没有采用自适应的选择机制,挑选匹配块的方式较为单一.通过增加一定的复杂度,本文提出了一种基于动态多模式匹配的视频压缩感知三步重构算法,该算法主要包括三大步骤:第一步,对压缩感知的每一视频帧进行独立的重构;第二步,从参考帧中动态地挑选匹配块进行非关键帧的重构;第三步,基于整体结构相似性对重构帧进行最终挑选,完成多帧重构.实验结果表明,所提算法能够在重建端有效提高多假设过程的预测精度,与当前最优的视频重构算法相比,进一步提升了重构质量.     

压缩感知的天文图像去噪算法

针对压缩感知迭代收缩阈值算法在图像处理中存在收敛速度慢和去噪性能差的缺陷,提出了一种改进的高性能迭代收缩阈值天文图像去噪重建算法.首先,使用经典最速下降法中的BB线性搜索步长算子加快迭代收缩阈值算法的收敛速度;其次,为了进一步提高重构天文图像的质量,在传统Visu Shrink收缩阈值的基础上,提出一种下降Visu Shrink收缩阈值对图像信息进行筛选;由于阈值去噪方法在迭代重建的过程中会导致重建的图像中出现伪吉布斯效应,最后采用循环平移的方法在每次迭代过程中对获取的重建图像进行调整.多次的试验结果表明,与传统的压缩感知迭代收缩阈值算法相比,所提出的算法不仅能够获得较优的去噪性能和较快的收敛速度,同时可以有效地保护天文图像的特征和纹理等细节信息.此外,当选取的压缩采样比较低时,本算法也可以获得相对较高的峰值信噪比和视觉质量,进一步验证了本算法在天文图像去噪中的有效性.     

4-f光学架构频域纯相位调制压缩成像

为了改善传统的多幅亚像素图像配准融合实现超分辨率的方法面临的配准误差和高成本问题,将压缩传感理论引入超分辨率成像. 基于大多数自然图像普遍具有的稀疏表示特性,以经典的4-f光学架构为基础,利用频域中相位比振幅包含更多信息的特点,提出了一种频域纯相位调制压缩成像方法,通过重建算法从单次曝光记录的低维测量值中恢复原高分辨率图像的信息. 数值实验结果表明,提出的方法可以有效地实现图像信息的随机调制和高质量重建,是一种有潜力的压缩成像物理实现方案,具有较高的重建信噪比和较少的重建时间,尤其是对于大尺度图像.     

岩心三维CT图像超分辨率重建

为了提高岩心三维图像分辨率,将调整的锚点邻域回归算法（A+）扩展为三维图像超分辨率重建,提出三维高频修正A+算法.该算法利用已有的高分辨率（HR）岩心三维CT图像和高频修正信息训练高低分辨率字典、高频修正字典、映射矩阵和高频修正映射矩阵.重建时,对每个输入的三维低分辨率（LR）特征块搜索匹配的字典原子以及相应的映射矩阵和高频修正矩阵,通过LR特征向量分别与映射矩阵和高频映射矩阵相乘,直接将三维LR特征映射到HR空间.针对多组岩心三维CT图像进行实验,与其他三维超分辨率算法进行比较.实验结果表明,该算法具有较高的峰值信噪比和结构相似度.     

基于稀疏表示模型的图像解码方法

为了更好地提取图像信号的稀疏特性,提出了一种多方向自回归稀疏模型及其重建算法.多方向自回归稀疏模型利用图像局部统计相关和纹理方向实现了图像稀疏表示.在基于变换的编码框架下,以编码端的变换矩阵为观测矩阵,用多方向自回归稀疏模型代替解码端的反变换.图像仿真结果表明,所提出的技术能改善JPEG图像的质量.     

基于奇异值分解的测量矩阵优化

针对压缩感知理论中通用的测量矩阵(如随机高斯、伯努利等)不具有最优性能保证的问题,本文通过引入奇异值分解,提出基于奇异值分解的测量矩阵优化方法,对压缩感知中一般线性测量模型中的测量矩阵与测量向量进行优化,再利用优化后的测量矩阵与测量向量重建原稀疏信号。经典的随机高斯测量矩阵和伯努利测量矩阵的数值实验结果表明本文提出的方法可以显著地提高重建成功恢复概率以及对高斯噪声的鲁棒性。该方法适用于一般线性测量系统,成功地实现了测量矩阵和重建矩阵的分离,可在不改变前端测量模型的前提下使重建矩阵接近最优配置。     

非平稳噪声下稀疏表示的DOA估计算法

为提高非平稳噪声下远场非相干窄带信号波达方向（DOA）的估计精度,提出了一种基于稀疏重构的DOA估计算法.采用类协方差差分算法构造差分矩阵,抑制非平稳噪声的影响;基于类旋转不变子空间参数估计算法基本原理构造稀疏表示模型与权函数;利用加权l₁范数对模型求解,实现DOA估计.仿真结果表明,与传统的协方差差分算法、噪声协方差矩阵估计算法、秩迹最小化算法以及稀疏重构算法相比,所提算法不仅能较好地抑制非平稳噪声的影响,而且在低信噪比、低快拍数情况下具有较强的稳健性和较高的估计精度.     

Push-broom spectral imaging method based upon multi-slit

The acquisition of high image quality and high resolution spectral data is limited by light flux. A push-broom spectral imaging should reduce the spatial resolution if it amplified its light flux to increase its signal noise ratio (SNR). According to this problem, the theory of compressive sensing (CS) is introduced for modeling the push-broom spectral imaging system from the signal processing analysis, so that the number of slits of the imaging system can be increased to amplify its light flux. Under the guidance of the theory of compressive sensing, the light flux can increase without reducing the spatial resolution. In the simulation, if its exposure frequency dropped to 1/4 the original, and its light flux increased to 128 times the original, the spectral image with the resolution of 512×512 could be well obtained. This method is suitable for remote sensing by using a smaller number of times for imaging and less memory for storage and transmission compared with the traditional one.