基于高斯平滑压缩感知分数阶全变分算法的图像重构

针对全变分(TV)算法梯度效应造成图像纹理细节丢失和单像素成像系统中的环境噪声问题,该文给出基于高斯平滑压缩感知分数阶全变分(FOTVGS)算法的图像重构.分数阶微分损失图像低频分量的同时增加了图像的高频分量,达到增强图像细节的目的,高斯平滑滤波算子更新拉格朗日梯度算子滤除了微分算子导致的加性高斯白噪声高频分量的增加.仿真结果表明,对比其他4种同类算法,在相同的采样率和噪声水平下,该算法能取得最大的峰值信噪比(PSNR)和结构相似度(SSIM).采样率为0.2时,对比分数阶全变分(FOTV)算法,在无噪声(测量值SNR=∞)和有噪声(测量值SNR=25 dB)情况下提高的最大峰值信噪比和结构相似度分别是1.39 dB(0.035)和3.91 dB(0.098).可见,此算法在无噪声和有噪声情况下均能提高图像的重构质量,尤其是在有噪声情况下对图像重构质量有较大提高.该算法为单像素成像等计算成像系统中由于环境造成的噪声的图像重构提供了可行的解决方案.     

基于量子关联成像的图像重构算法采样数研究

量子关联成像技术采用单点强度探测,存贮信息量大,成像速度慢,需研究快速图像重构成像算法。对量子关联成像技术图像重构算法中的统计迭代法和压缩感知算法的采样次数进行了仿真分析,压缩感知算法采用二维离散余弦变换（DCT）将图像稀疏化,高斯随机矩阵作为测量矩阵,正交匹配追踪（OMP）算法对图像进行重构。结果表明：图像越大,重构图像需要的采样次数和采样时间越长,采用压缩感知算法能有效减少采样次数,从而提高系统成像速度。因此,研究量子关联成像的图像重构算法,减少图像的采样次数,对提高成像速度具有重要意义。     

基于深度学习的单像素相机超分辨率成像优化

基于压缩感知和单像素成像的基本原理,设计了一种用于图像超分辨率重建的新型深度卷积神经网络架构.这种单像素超分辨率成像算法成功地将深度学习图像超分辨率重建技术与压缩感知单像素成像技术相结合,从而发展出一种全新的深度学习单像素成像优化方法.与传统的常规压缩感知图像重构算法相比,该算法有效提升了图像超分辨率重建精度和单像素成像质量.通过图像重建的仿真实验和单像素相机的成像实验验证,结果表明这种基于深度学习的新型单像素相机成像方式具有良好的性能表现.     

压缩感知重构算法在“鬼”成像中的应用研究

“鬼”成像（GI）提供了一种用常规手段很难达到的特殊的获取图像方法,在量子光学领域是近些年来的前沿和热点之一。本文中,主要研究压缩感知（CS）的重构算法在“鬼”成像中的应用。我们使用具有高斯分布的热光源强度分布,来作为压缩感知的测量矩阵,分别以离散余弦变换(DCT)和离散小波变换(DWT)作为压缩感知中图像物体的稀疏矩阵,利用正交匹配追踪算法,最终获得基于压缩感知重构算法的“鬼”成像。研究结果表明,压缩比为0.5时,基于离散余弦变换基的压缩“鬼”成像（DCT-CS）和基于小波变换基的压缩“鬼”成像(DWT-CS),比“鬼”成像原始重建算法有超过10dB的峰值信噪比提升;同时,基于DCT-CS算法的重建质量要优于DWT-CS算法。      

不同压缩感知重建算法在鬼成像中的性能比较

基于鬼成像(Ghost imaging,GI)与压缩感知(Compressed sensing,CS)理论,研究了CS重建算法对GI成像性能的影响.以离散小波变换为图像的稀疏矩阵、具有高斯线型的热光源强度分布为测量矩阵,分析了基于增广拉格朗日法和交替方向法的全变分最小化算法(TVAL3)、正交匹配追踪算法(OMP)、压缩采样匹配追踪算法(CoSaMP)、梯度投影算法(GPSR_Basic)下的压缩鬼成像的质量.以均方误差、峰值信噪比、匹配度、结构相似性指标等为图像质量客观评价标准,比较了4种重建算法下压缩鬼成像的重建结果.结果表明压缩比为0.5时TVAL3算法还原度最高, CoSaMP算法重建图像失真最严重, GPSR_Basic算法获得的重建性能优于OMP算法.     

基于CCD图像传感器的压缩成像方法北大核心CSCD

压缩感知理论将信号采样和压缩同时进行,且采样频率远低于奈奎斯特频率,为低分辨率采样高分辨率成像提供了可能。为此,提出一种基于CCD图像传感器的压缩成像方法,利用CCD图像传感器模拟像素值串行输出不可重复使用的特点,对图像进行单次测量,构造半循环半随机测量矩阵对CCD图像传感器输出的模拟值进行压缩测量,基于增广拉格朗日法和交替方向法的最小全变分算法(TVAL3)算法解压缩重构图像。该成像方法测量矩阵的稀疏性较强,能较好地恢复原始图像,同时模拟/数字负担及量化编码的复杂度大大降低,成像系统结构简单,实用性强。仿真结果表明,所提成像算法重构的图像主客观质量较好。     

基于自适应非线性网络的压缩感知重构算法

针对传统压缩感知(CS)进行复杂的迭代运算,重构时间长且质量差等问题,结合深度学习方法,提出一种自适应非线性测量卷积神经网络(NMECNN)的压缩感知重构算法。本算法将图像整体宽高进行压缩,作为测量网络替代传统的随机测量矩阵进行图像重建,同时利用多个扩张卷积层和上采样PixelShuffle方法获取图像不同尺度细节信息。通过与其他文献进行实验对比,本算法在不同采样率下,平均峰值信噪比(PSNR)分别高于MSRNets算法1 dB,0.7 dB,0.82 dB,1.61 dB;结构相似性(SSIM)值分别高0.03,0.04,0.24,0.10个单位,重构时间在CPU上比MSRNet算法快0.175 5 s, 0.399 8 s,0.41 s,0.396 s。最后通过大数据集与噪声实验,验证了本算法图像重构质量明显提高,重构时间大幅缩短,具有很强的抵抗噪声攻击能力。     

基于压缩感知高反光成像技术研究

高反光物体成像时反射的光强容易超出传感器接收光强的最大量化值,使得采集图像部分区域图像失真,严重影响信息传递。为了改善高反光成像饱和区域中数据丢失的状况,该文结合压缩感知这一新的采样理论提出基于压缩感知高反光成像方法,利用特定测量矩阵对目标图像进行线性采样,将CCD图像传感器的单个光强采样值与测量矩阵中的分布数据对应结合,对整合后的数据用算法进行恢复重建实现被测目标在高光环境中成像。以峰值信噪比和灰度直方图作为客观评定标准。实验表明,该成像方法鲁棒性较强、可行性较高,直方图检测饱和像素占比为0%,峰值信噪比为58.37 dB实现了在高光环境下不含饱和光成像,为压缩感知在成像应用中提供了新的方向。     

用于光子计数单像素成像的去块状采样网络

将光子计数技术和单像素成像结合,能实现高灵敏、低成本的光子计数成像,但存在采样时间和重建时间长的问题。基于深度学习的压缩采样和重建网络,将去除偏置和激活函数的全连接层作为测量矩阵,通过从数据中学得高效的测量矩阵和避免传统迭代算法带来的巨大计算量,实现了更快、更高质量的图像重建。但利用全连接层进行高分辨图像的分块压缩感知时,重建图像会产生块状效应。针对该问题提出了重叠分块采样网络（Os_net）、嵌套采样网络(Ns_net)、卷积采样网络（Cs_net）等三种方法以取代全连接层采样。在重建网络的设计中,使用线性映射网络对图像进行重建,设计实验结果表明Cs_net的去块状化效果最好。将Cs_net二值化后应用于光子计数单像素成像系统,实验结果表明Cs_net除块状化明显优于传统算法TVAL3,且Cs_net在重建质量上也同样取得了较好的效果。     

高空间分辨率关联成像技术研究

关联成像受限于成像机制,其空间分辨率与时间分辨率相互制约。成像空间分辨率越高,所需的调制散斑越多,对应的采集时间越长。针对此瓶颈,提出采用多个低空间分辨率散斑同时对高空间分辨率物体调制的关联成像方法,利用单像素探测器接收被调制物体信号,并基于迭代算法与压缩感知算法重构高空间分辨率成像物体图像。利用数值仿真验证了所提方法的有效性。研究结果表明,所实现的高空间分辨率关联成像技术大幅降低了调制散斑数量,减少了在线采样时间,在生物医学等要求高空间分辨率且对采样时间苛刻的领域具有重要的应用价值。     

基于高斯平滑压缩感知分数阶全变分算法的图像重构

In view of the gradient effect caused by the gradient effect of the Total Variation (TV) algorithm and the environmental noise in the single pixel imaging system, an image reconstruction based on the Gaussian Smooth compressed sensing Fractional Order Total Variation algorithm (FOTVGS) is proposed. Fractional differential loss of low-frequency components of the image increases the high-frequency components of the image to achieve the purpose of enhancing image details. The Gaussian smoothing filter operator updates the Lagrangian gradient operator to filter out the additive white Gaussian noise caused by the differential operator. Simulation results show that, compared with other four similar algorithms, the algorithm can achieve the maximum Peak Signal-to-Noise Ratio (PSNR) and Structural SIMilarity(SSIM) at the same sampling rate and noise level. When the sampling rate is 0.2, compared with the Fractional Order Total Variation (FOTV) algorithm, the maximum PSNR and SSIM increase by 1.39 dB (0.035) and 3.91 dB (0.098) respectively. It can be proved that this algorithm can improve the reconstruction quality of the image in the absence of noise and noise, especially in the case of noise, the quality of image reconstruction is greatly improved. The proposed algorithm provides a feasible solution for image reconstruction of noise caused by environment in single-pixel imaging and other computing imaging system.     

一种基于单像素相机的压缩感知图像重建优化算法

基于压缩感知图像重构和单像素相机成像的基本原理,对单像素成像系统中的图像重建算法进行了改进优化。基于最小范数类优化算法,结合凸优化算法和非凸优化算法各自的优点,设计了一种逼近L₀范数的数学模型,从而实现了从凸优化向非凸优化算法的迭代逼近,即逼近光滑L₀范数算法。该新型算法以更高的效率和更大的概率逼近原始信号全局最优且尽可能稀疏的解。相较于传统压缩感知图像重建的贪婪类算法和最小范数类算法,该算法使压缩感知重建图像的质量和单像素相机的成像效果均得到了有效提升,并通过实验仿真和实际场景的成像实验验证了该优化算法的可行性。     

激光关联成像在烟幕条件下的实验研究

烟幕是一种复杂且特殊的散射介质,穿透烟幕成像是一项具有广阔应用前景的课题。为探究计算关联成像技术在烟幕环境下的抗散射性,设计烟幕箱结合计算关联成像的实验系统,在静态与动态散射的环境下进行了实验,得出了计算关联成像在探测路径存在静态与缓慢变化的动态烟幕情况下可实现成像的结论;针对快速动态烟幕条件下的成像降质问题,提出了逐点补偿方法。由于在动态散射的情况下光强涨落掺入了额外的衰减因素,利用获得的以特定频率投影特定帧的强度值可追踪衰减系数的变化,将原始光强值除以衰减系数得到校正后的光强值。该方法在低投影频率的条件下具有优势,通过对比得到了该方法的适用条件。     

基于变分模型的块压缩感知重构算法

为了提高现有块压缩感知重构算法的性能,提出了基于全变分和混合变分模型的块压缩感知（简称BCS-TV和BCS-MV）算法。该方法以块为单位进行图像采样,以自然图像正则项的稀疏性为先验条件,通过变型的增广拉格朗日交替方向乘子法(ALM-ADMM),在整幅图像范围内逼近目标函数来重构原始图像。与以前基于一致性块采样的压缩感知工作对比,该算法的PSNR约提高1.5 dB,SSIM约提高0.05,运行速度较稳定,特别适合具有固定传输时延的多媒体数据处理场合。     

空间编码复用散斑多信息融合关联成像(特邀)

提出空间编码复用散斑技术来实现单个单像素探测器对多个物体信息的同时探测获取。使用空间编码复用散斑对多个物体信息进行照明,使用单像素探测器对回波信号进行探测,利用关联算法获取混叠多物体信息,然后用空间编码信息对随机采样的多个物体信息进行解码,最后采用压缩感知技术对完整的多个物体信息进行复原。使用该技术分别实现了对多空间、多光谱和多偏振信息的同时探测获取,实验结果证实了该技术的有效性,该技术可有效降低系统数据量,提高关联成像系统的成像效能。     

基于局部路径特征信息神经网络的图像去噪

图像去噪旨在减少或消除噪声对图像的影响,这一过程往往会有高频细节信息的丢失。为了在去除图像噪声的同时保护图像的边缘信息与纹理细节,本文提出了一种能够连接图像局部路径信息的神经网络,该网络训练完成后可以直接对含噪声图像进行降噪,不需要对图像进行预处理。本文提出的神经网络包括3个部分特征提取层、信息连接模块、信息重建层。信息连接模块是该网络的关键部分,通过残差学习连接局部长路径和局部短路径的特征信息。实验结果表明,经本文处理后的图像在有参考的图像质量评价指标PSNR和SSIM上均有明显提升,PSNR最高可以达到34.87 dB,SSIM可以达到0.87以上;在无参考的图像质量评价指标BRISQUE和NIQE上均有明显下降。本文算法对不同水平、不同种类的算法都有相对较好的效果,且性能优于一般算法,在去噪工作中有一定的实用价值。     

视频压缩感知中基于结构相似的帧间组稀疏表示重构算法研究

基于视频帧内图像的非局部相似性和帧间信号的相关性,本文提出了一种基于结构相似的帧间组稀疏表示重构算法（SSIM-InterF-GSR）,有效地提高了视频压缩感知的重构性能.在SSIM-InterF-GSR算法中,提出以结构相似度（SSIM）作为相似块匹配准则,在当前帧和参考帧内搜索匹配块生成相似块组,以相似块组的稀疏性作为正则项重构当前帧.同时,还提出了阶梯递减匹配块个数调整方案用于SSIM-InterF-GSR重构算法的迭代过程.仿真结果表明,相比于目前最好的视频压缩感知重构算法（Up-Se-AWEN-HHP）,本文算法获得了更好的重构质量,最多可提升4~5dB.