一种改进的图像分块压缩感知模型

分块压缩感知用于图像获取可以解决传统压缩感知在重构时运算量大的问题,但是运用分块压缩感知却使重构图像的质量有所降低。提出了一种改进的图像分块压缩感知算法。该算法通过对观测矩阵加权,保证了图像低频部分在重构时获得更大的精度,提高了图像的质量。另外,算法根据各图像块不同纹理复杂性,自适应地改变观测值数目,使得在保证图像质量的前提下,重构所需的总观测值数目更少。实验证明了该算法的有效性。     

基于纹理自适应全变分滤波的图像分块压缩感知优化算法

图像分块压缩感知重构模型通过分块方式解决了压缩感知中观测矩阵过大带来的计算复杂度较高和存储空间较大的问题,但分块重构时会产生块效应,其需要通过去块效应滤波加以消除。现有的滤波方法并未考虑图像纹理细节恢复问题,造成了重构质量的降低。为解决该问题,首先提出了一种基于灰度熵的纹理自适应采样方法。随后分析了分块压缩感知中块效应的产生和经自适应采样后块效应得到缓解的原因,并将全变分滤波引入到图像分块压缩感知平滑投影迭代重构过程之中,提出了一种基于图像分块纹理信息的双树离散小波硬阈值滤波和全变分滤波的自适应加权滤波模型,用其取代原平滑投影迭代算法的滤波过程,在自适应采样缓解块效应的基础上,更有效地保存图像的细节信息。仿真实验表明,与多种已有方案相比,该方案可显著提升重建图像的主客观质量,同时可有效保留图像的纹理细节。     

基于多尺度的自适应采样图像分块压缩感知算法

基于分块的压缩感知算法适用于图像信号的处理,通过平滑迭代阈值投影法可以快速重构图像,但存在低采样率下重构图像质量较差的缺点。基于全变差分的分块压缩感知算法,在一定程度上能提升重构效果,但降低了运算速度。针对以上算法的不足,提出基于多尺度的自适应采样图像分块压缩感知算法。根据小波分解后不同层对重构结果影响所占权重不同的特性,自适应分配给每一层不同的采样率,并在重构时将平滑迭代阈值投影法应用到每一层的每一个子带的分块上。实验结果表明,与传统的迭代阈值投影法相比在重构质量上提高了1~3 d B,在重构速度上与迭代阈值投影法相当并优于全变差分法。     

基于灰度共生矩阵的图像自适应分块压缩感知方法

分块压缩感知的提出很好地弥补了大尺寸图像占用资源多、重构耗时长等不足,但重构后的图像存在明显的块效应。针对现有图像纹理复杂度分析不够准确,导致自适应采样率分配后块效应降低不理想的问题,提出了一种基于灰度共生矩阵的图像自适应分块压缩感知方法。该方法通过共生矩阵分析图像的纹理特性,自适应分配采样率,在总采样率不变的前提下使纹理复杂度高的子块获得较高的采样率,纹理复杂度低的子块获得较低的采样率,并用SAMP(Sparsity Adaptive Matching Pursuit)算法实现重构。仿真结果显示,所提方法能够有效地解决块效应问题,尤其对于局部图像而言,重构图像的画质得到了明显改善。     

采用压缩感知的人脸识别算法

介绍压缩感知(CS)理论,并将其应用于人脸识别.运用训练数据构造冗余字典,采用随机分布的规范行矢量高斯矩阵构造感知矩阵,对训练图像和测试图像进行感知.利用正交匹配跟踪算法求最小零范数解,在变换域中用近邻法判断测试数据的类别.实验结果表明,用CS进行人脸识别,能避免特征选取的问题,且识别率高、运算速度快.     

基于波浪式矩阵置换的稀疏度均衡分块压缩感知算法

基于矩阵置换的分块压缩感知（BCS）引入矩阵置换的策略,使复杂子块和稀疏子块向介于两者中间的稀疏度水平变化,用单一采样率采样时可以减少块效应,但仍存在块间稀疏度均衡效果较差的问题。为了得到更好的重构效果,提出基于波浪式矩阵置换的稀疏度均衡BCS（BCS-RMP）算法。首先,在采样前对图像进行矩阵置换的预处理,通过波浪式置换矩阵对图像各子块的稀疏度进行均衡;然后,采用相同的测量矩阵对子块进行采样,在解码侧进行重构;最后,通过波浪式置换逆矩阵对重构结果进行逆变换得到最终的重构图像。仿真结果表明,与现有矩阵置换算法相比,当选择合适的子块大小和采样率时,所提波浪式矩阵置换算法可有效提高图像的重构质量,且能更准确地体现细节信息。     

深度图像的分块自适应压缩感知

针对基于空域上下采样的深度编码框架中,由边缘信息损失带来的视点绘制质量下降的问题,提出了一种面向视点绘制质量的深度图像分块自适应压缩采样方法。在基于分块压缩感知和光滑Landweber投影重构的BCS_SPL框架下,利用图像块的方差表征其边缘信息,并据此进行自适应采样,以提高深度图像重构和视点合成质量。结果表明,在相同的采样率下,相比上下采样和BCS_SPL方法,本文提出的分块自适应压缩感知方法在绘制视点的PSNR和主观质量上都有提高。     

压缩感知图像重构中矩阵互相关性的研究

从测量矩阵和稀疏矩阵的互相关性角度出发,通过对测量矩阵和稀疏矩阵所构成的Gram矩阵进行门限选择,进而经过相应的缩放处理降低互相关性,这样不仅可以获取更多有信息量的测量值,而且可以完成对测量矩阵的优化改进.通过在DWT、DCT下的压缩感知图像重构实验验证了该方法的可行性,恢复效果得到一定程度的提高,相比于传统的小波恢复重构,达到了预期的效果.     

图像分块压缩感知中的自适应粒重建算法

在图像分块压缩感知（Block compressed sensning, BCS）框架下,基于平滑投影Landweber迭代的重建算法能以低计算复杂度确保良好率失真性能,尤其是采用主成分分析（Principle component analysis, PCA）作自适应硬阈值收缩。然而,在PCA学习过程中忽略了图像局部结构特性平稳,会影响Landweber迭代重建性能的提升。针对该问题,本文采用粒计算（Granular computing, GrC）理论,根据图像子块结构特性将图像分解为若干粒,再实施PCA学习各粒的稀疏表示基底,并 对粒内子块硬阈值收缩去噪。由于粒内图像子块具有平稳的结构特性,可有效改善硬阈值收缩性能。实验结果表明,与传统算法相比,本文算法重建图像的整体客观质量较优, 且可更好地保护边缘与纹理等重要细节,主观视觉质量良好,与此同时,保证了较低的重建计算复杂度。     

基于非局部相似模型的压缩感知图像恢复算法

针对压缩感知(Compressed sensing, CS)图像恢复问题, 提出了一种基于非局部相似模型的压缩感知恢复算法, 该算法将传统意义上二维图像块的稀疏性扩展到相似图像块组在三维空间上的稀疏性, 在提高图像表示稀疏度的同时进一步提高了压缩感知图像恢复效率, 恢复图像在纹理和结构保持方面都得到了很大的提升. 在该算法模型求解过程中, 使用增广拉格朗日方法将受限优化问题转换为非受限优化问题, 为减少计算复杂度, 还使用了基于泰勒展开的线性化技术来加速算法求解. 实验结果表明, 该算法的图像恢复性能优于目前主流的压缩感知图像恢复算法.     

Contourlet域方向子带稀疏表示的图像压缩感知

为了提高压缩感知中图像的稀疏表示性能, 提出了一种Contourlet域方向子带稀疏表示的图像压缩感知算法。将图像Contourlet分解后的多个高频子带根据方向正交特点进行重组, 采用随机高斯矩阵对重组后的子带分别进行测量, 实现压缩采样; 利用正交匹配追踪法重建各子带系数, 并进行Contourlet反变换重构原图像。实验结果表明, 在相同采样率下, 算法重构图像的主观视觉效果和峰值信噪比都优于小波压缩感知算法。     

基于DCS的WMSN多视角视频编解码

为了有效解决无线多媒体传感器网络中多视角视频监控传输数据量大以及网络能量、资源受限的问题,提出了一种基于分布式压缩感知的高压缩率多视角视频编解码方法.对多视角视频序列进行分组处理,并将图像组分为关键帧和非关键帧;对关键帧采用基于压缩感知(compressed sensing,CS)的编解码方法进行处理;而在非关键帧的编码端采用联合稀疏表示方法对残差图像稀疏表示,解码端利用帧间时间相关性和多视角空间相关性预测生成当前视频帧,并借助差异补偿方法进一步提高预测准确性,同时提高了重构效果.实验结果表明,该方法取得较高的压缩率,重构出的图像质量比参考方法更高,且PSNR值得到了较大的提高.     

图像的多成分混合字典压缩感知表示及重构

信号分解的稀疏程度决定了压缩感知重构信号的精度,针对标准正交基稀疏程度的不足,提出了基于混合字典的压缩感知图像分解和重构方法。构建匹配图像边缘和纹理的二维Gabor字典,将图像在离散余弦字典与建立的二维Gabor字典上进行混合稀疏分解,得到图像的光滑成分、边缘成分和纹理成分。对得到的稀疏成分进行CS观测,通过求解一个优化问题重构图像。实验结果表明,构造的混合字典能够对图像进行更加稀疏的表示,在相同的采样率下,图像的重构质量优于标准正交基分解。     

基于帐篷混沌观测矩阵的图像压缩感知

针对目前典型的随机观测矩阵在不确定性、硬件实现、存储方面的缺陷,利用混沌序列优异的伪随机性,设计了一种基于帐篷混沌序列的观测矩阵。该矩阵的参数和初始值一旦确定,每一时刻的状态是可以完全重现的,克服了随机观测矩阵需要大量实验求平均来降低不确定性的缺点。仿真实验中,分别利用帐篷混沌观测矩阵和3种典型的随机观测矩阵对不同数据量的图像信号进行压缩与重构,结果表明:所设计的帐篷混沌观测矩阵不但重构性能优于随机观测矩阵,而且也克服了随机观测矩阵在硬件实现、存储方面的缺陷,大大减少了存储空间和传输带宽的压力。     

小波子带最优方向性选择和压缩感知的图像编解码

传统贝叶斯压缩感知方法所存在的局部优化问题导致了重构图像存在着较大的误差。本文提出一种基于小波自适应最优方向选择和压缩感知的图像编码方法,该方法依据图像小波变换的低频子带与高频子带所存在的相关性差异,对低频系数进行基于小波最优方向选择的编解码,以保证图像主要信息的重构质量;而针对高频子带的稀疏特性进行基于压缩感知的随机测量,以保证图像的编码效率。实验结果表明,与传统的压缩感知算法相比,本文所提出算法的解码图像具有更好的主观质量,同时在相同码率下解码图像的PSNR平均提高1~2dB。     

基于压缩感知理论的WSNs时序信号分段压缩算法

针对压缩感知理论(CS)应用在无线传感器网络中时序信号在传输过程存在压缩比率低、通信能耗高等问题,提出了一种时序信号分段压缩算法来解决在信号稀疏度未知及高稀疏度条件下,压缩感知数据重构算法中存在的重构效率低,重构精度差,影响网络生命周期的问题.该算法将采集数据中非零元素个数作为分段依据,通过减少段内非零元素组合数量来提高信号重构精度,同时利用了压缩感知理论特性实现了对信号的高压缩率.实验结果表明,在以混沌量子免疫克隆重构(Q-CSDR)算法为重构算法、在信号盲稀疏度及稀疏度高于40的条件下,能够以大于0.4的压缩比率对信号进行压缩,其重构信号的均方误差小于0.01,能够延长网络寿命2倍左右.     

一种基于压缩感知理论的纹理分类方法

针对传统纹理分类方法计算复杂的问题,本文基于bag-of-words模型提出了一种简单、新奇的纹理分类方法。在特征提取阶段,使用NSCT滤波器对局部图像块进行映射投影,然后通过观测矩阵提取其随机测量值特征;在纹理分类阶段,直接将随机特征嵌入到bag-of-words环境,并且直接在压缩域内进行学习和分类。利用纹理图像的稀疏性,本文提出的特征提取方法简单,并且在性能和复杂度上都优于传统特征提取方法。最后使用CUReT数据库进行数值试验,并与patch、patch-MRF、MR8、LBP四种最经典的方法进行比对,本文方法在分类精度以及实时性上有重要的改进。     

基于压缩感知的无线传感网络数据压缩

无线传感器网络（Wireless Sensor Networks,WSN）负责感知、采集、处理和监控环境数据,但是容易受限于资源。压缩感知（Compressed Sensing,CS）理论表明,利用最优化理论,稀疏信号可以从少量的非自适应线性投影中高概率精确恢复。根据CS理论设计WSN的数据压缩方法只依赖于信号内在的结构和内容,而不是信号的带宽,弥补了WSN的不足;提出了基于稀疏随机投影的编码方法;仿真结果表明系统在满足误差要求条件下构造的数据包减少至结点数目的30%,提高了WSN通信效率,降低了系统能耗。     

压缩感知综述

压缩感知理论的诞生使得采样速率与信号的结构和内容相关,并以低于奈奎斯特采样定理要求的频率采样、编码和重构。在实际应用中,为解决数据冗余和资源浪费的瓶颈问题开拓了一条新道路,也为其他学科发展提供了新的契机。从发展历史和研究现状等方面入手,对稀疏表示、测量矩阵的构造、稀疏重构算法和主要应用方面进行了详细的梳理和研究。对当前研究的热点、难点作了分析和探讨,并指出了未来的发展方向和应用前景。