图像自适应分块的压缩感知采样算法

目的 在图像压缩感知过程中,不管是整体采样还是固定分块采样,都不能充分利用图像的稀疏性,存在采样率与图像重构质量的矛盾。提出了一种基于图像纹理变化的自适应分块感知采样算法ABCS(adaptive block compressed sensing),再结合JPEG量化思想,在不降低图像重构质量的前提下降低采样率,更大地提高压缩比。方法 首先进行图像预分块,计算分析各块纹理复杂度,当图像块纹理复杂度低于相应阈值,选择最佳采样率对各块观测采样,当图像块纹理复杂度高于相应阈值,需再分块,重复上述步骤,达到最小16×16块时停止分块。当最小块的纹理复杂度高于最大阈值采用JPEG量化编码,其他块选择匹配的采样率,以压缩感知方式压缩。结果 ABCS算法与典型的压缩感知重构算法结合并与其原始算法比较,在相近采样率条件下,图像重构质量提高明显,尤其在低采样率下性能更佳,如20%采样率下重构图像PSNR值达到30 dB左右。结论 提出的自适应的分块采样充分利用图像的稀疏分布,提高压缩感知的效率;高复杂纹理块采用JPEG编码处理,避免了重构质量差的缺点,同时减少了重构时间。     

基于压缩感知的信号欠采样和重建研究

为了实现基于压缩感知理论的信号欠采样和重建,采用模拟信息转换器和正交匹配追踪（0rthogonal Matching Pursuit,OMP）算法对正弦脉冲信号的欠采样和信号重建进行了仿真分析。通过Matlab仿真分析验证了压缩感知理论在信号欠采样和重建过程中的可行性,通过对此在不同信噪比下的效果发现,在高信噪比时,性能较好,可以为信号采样系统和信号恢复处理系统的设计应用提供理论参考。最后,总结讨论了压缩感知在射频和无线通信领域的应用价值。     

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。     

基于改进StOMP算法图像压缩感知重构*

在图像压缩感知重建中,一些算法能够取得好的重构效果,但耗时较长;一些算法耗时较短,但又不能取得精确解。针对重构效果和耗时不能兼得的问题,本文基于小波域稀疏,选用常规观测矩阵进行观测采样,通过对观测结果预定义滤波、选取信号硬阈值,引入共轭梯度下降算法,对分段正交匹配追踪（StOMP）重建算法进行改进。提出重建图像的边缘相似度概念,并对不同压缩比下的观测信号重建进行实验仿真。结果表明,相对于改进前StOMP算法,改进后StOMP算法在迭代收敛时间较短的情况下,重构效果提升。在主观评价上,重建图像噪声点明显减少;客观评价上,PSNR值提高,达到预期效果。     

记忆梯度追踪压缩感知图像重构

目的：重构算法是压缩感知理论的关键问题之一,为了减少压缩感知方向追踪算法重建时间,并确保相对较高的重建精度,提出了一种非单调记忆梯度追踪（memory gradient pursuit,MGP）重构信号处理算法。方法：该算法建立在方向追踪框架下,采用正则化正交匹配策略实现了原子集的快速有效选择,对所选原子集利用非单调线性搜索准则确定步长,用记忆梯度算法计算更新方向,从而得到稀疏信号估计值。结果：该算法充分利用记忆梯度算法在Armijo线搜索下全局收敛性快速稳定的优点避免收敛到局部最优解,提升收敛效率。提出的MGP算法运行时间上比近似共轭梯度追踪算法缩短30%,可以精确重构一维信号和二维图像信号。结论：实验结果表明,该算法兼顾了效率和重建精度,有效提高信号重建性能,在相同测试条件下优于其他同类的重构算法。     

基于HPS和FPGA的图像压缩感知编解码系统

针对图像编码与重构系统的实际需求,设计了一种基于HPS和FPGA的图像处理系统。该系统实现了图像的实时采集、压缩、传输和重构。系统采用DE1-So C开发板,在FPGA中设计了D5M摄像头、SDRAM、VGA的IP核,在QSYS中利用AXI和Avalon总线连接IP核,利用Linux C编程在HPS中实现了图像的压缩感知(CS)编码和传输,在MATLAB上位机中接收压缩数据并实现图像的重构,减少了FPGA资源使用和设计复杂度。结果表明,该系统能够实现任意自然图像的处理,图像压缩比约为8%,PSNR约为41 d B,应用灵活,可移植性强,能够满足实际工程的需要。     

压缩感知在Micro-CT图像超分辨重建中的应用

Micro-CT成像中重建图像的分辨率往往受到X射线的辐射剂量和探测器单元的孔径及大小的限制。在不改变原有成像参数的前提下,通过将重建图像网格的上采样以及重建图像的稀疏性假设先验,提出一种基于全变差模型的Micro-CT图像超分辨率重建模型。基于扩展梯度投影方法,将模型解耦分解为沿保真项的梯度方向下降、TV去噪、两步迭代结果线性组合这3步交替迭代求解。对模拟图像和实际数据进行了仿真测试,并同传统的滤波反投影方法进行了比较。实验结果表明,该算法能够有效提高重建图像的分辨率。     

分块可压缩传感的图像重构模型

可压缩传感或可压缩采样（Compressed Sensing或Compressive Sampling 简称CS）是数据采样同时实现压缩的新理论、新技术。分块CS（Block Compressed Sensing）的图像重构算法采用相同的采样算子以块×块的方式获取图像,解决了现有的CS方法中可压缩采样算子所需存储较大的问题,而且算法中应用线性算子、凸集投影法和Contourlet变换域的硬阈值法进一步优化恢复图像,能更有效捕获图像的复杂结构。实验结果表明分块CS的图像重构算法较现有的其他CS方法实现代价更低,且在相同CS观测数条件下,计算速度几乎相同的同时图像质量提高了3~4 dB。     

基于差值信号稀疏模型的分布式压缩感知

利用无线传感器网络的空间相关性,构建了一种差值信号稀疏模型,该模型适用于对同一物理现象或事件进行监测的传感器网络应用。在差值信号稀疏模型的基础上,提出了一种适用于该模型的分布式压缩感知算法,该算法能够在节点间不通信的情况下实现对差值信号的编码。仿真结果表明,与单独重构相比,提出的算法可以用更少的观测值联合重构出信号群,以能量有效的方式满足了无线传感器网络的应用。     

基于结构化稀疏模型的压缩感知重构改进算法

目前,标准的CS重构算法仅利用信号和图像在小波变换下的稀疏先验信息,而并没有利用变换系数具有的结构化特性。为了能够快速精确地重建原始信号,将结构化稀疏模型与SP算法、CoSaMP算法相结合,提出了压缩感知重构的改进算法。另外,将基于双树复小波变换的系数结构模型融入上述算法,进一步提高重构性能。实验结果表明,所提出的算法可获得更高的图像重建质量。     

基于稀疏预处理和循环观测的语音压缩感知

基于压缩感知原理提出将语音信号DCT域上的小系数在一定阈值下置零预处理来改善变换域稀疏性;用三种方法构造循环观测矩阵作为观测矩阵来代替高斯随机矩阵,并证明了构造的观测矩阵与DCT基之间的非相关性;利用OMP正交匹配追踪方法对观测信号进行恢复。仿真实验结果表明,预处理后使用循环观测在不同压缩率下有更低的重构误差,同时分析各帧信噪比情况保证在比较低的压缩率下仍能得到良好的主观评估。     

基于压缩感知理论的图像融合

像素级图像融合需要对待融合图像的像素灰度进行综合分析与处理,而巨大的数据量给图像融合带来了极大的不便。压缩感知理论的兴起提供了一种新的数据采集和压缩方法 ,它利用图像的部分信息重构原始图像,有效减轻了图像处理的计算复杂度。本文基于对压缩感知理论的研究,把压缩感知的方法应用于图像融合,并尝试通过对压缩感知观测矩阵的改进提高融合质量。文中设计出一种适应于DCT域的射线采样矩阵,通过与随机生成的观测矩阵融合效果的比较,证明该方法取得了良好的融合效果。     

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。     

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。     

基于分布式压缩感知的联合检测与跟踪算法

多基雷达系统对隐身目标的检测与跟踪具有良好的效果,但是在集中式融合框架下应用于 多基雷达的检测与跟踪算法具有计算复杂、计算量大的缺点.对此,提出一种应用于 多基雷达系统的基于分布式压缩感知的联合检测与跟踪算法.首先,应用分布式紧凑感知 矩阵追踪算法直接重构出表征目标状态空间信息的稀疏网格反射向量;然后,应用检测 前跟踪算法得到精确的目标运动状态和轨迹.仿真实验表明了所提出算法的有效性.     

基于压缩感知的后退型自适应匹配追踪算法

基于压缩感知理论的重建关键在于从压缩感知得到的低维数据中精确恢复出原始的高维稀疏数据。针对目前大多数算法都建立在稀疏度已知的基础上,提出一种后退型固定步长自适应匹配追踪重建算法,能够在稀疏度未知的条件下获得图像的精确重建。该算法通过较大固定步长的设置,保证待估信号支撑集大小的稳步快速增加;以相邻阶段重建信号的能量差为迭代停止条件,在迭代停止后通过简单的正则化方法向后剔除多余原子保证精确重建。实验结果表明,该算法在保证测量次数的条件下可以获得快速的精确重建。     

结合压缩感知与非局部信息的图像超分辨率重建

针对现有的超分辨率重建算法只考虑图像块的灰度信息,而忽略了纹理信息,并且大多数非局部方法在强调非局部信息的同时,没有考虑局部信息的问题,提出一种结合压缩感知与非局部信息的图像超分辨率重建算法。首先,根据图像块的结构特征计算像素之间的相似性,同时考虑了图像块的灰度信息和纹理信息;然后,合并图像的局部和非局部信息来估计相似像素的权重,构造结合局部和非局部信息的正则项;最后,将图像的非局部信息引入到压缩感知框架中,通过迭代收缩算法求解稀疏表示系数。实验结果表明,所提算法与现有的基于学习的超分辨率算法相比,重建图像的峰值信噪比和结构相似度取值更高,并且在恢复图像纹理细节的同时有效抑制了噪声。     

基于压缩感知理论的3维人脸快速重建

形变模型是当前人脸重建研究中的一种主要方法。针对形变模型方法中模型构建的缺陷,提出一种基于压缩感知理论的快速三维人脸重建方法。首先,利用压缩感知理论估计三维原型人脸与目标人脸的形状相似性,根据相似性对原型样本进行筛选并构建相应的形变模型,提高建模精度和效率;然后,利用特征点信息进行稀疏模型匹配,并结合径向基函数插值重建生成特定的三维人脸,提高重建表面的平滑性。在BJUT三维数据库和CAS_PEAL二维数据库上的实验结果表明,与经典方法相比,本文方法能够有效地提高重建精度和速度,重建人脸具有较强真实感。     

基于变采样率压缩感知的视频压缩研究

业界分块视频压缩感知通常对所有图像块均采用相同的测量矩阵进行测量,这种方式未考虑到视频中不同区域的变化程度不同的事实。在视频帧间相关性的基础上提出一种自适应分配采样率的方法,即在编码端根据图像块的帧间相关性大小分类并分配不同的采样率;在解码端使用全变差算法以充分利用帧间相关性。为减小网络环境影响,此算法不区分参考帧与非参考帧,并对每一帧作相同处理。实验结果表明,该方法能够在较低采样率下重构出较高质量的视频图像,并且缩短计算时间。     

Parallel compressive sampling matching pursuit algorithm for compressed sensing signal reconstruction with OpenCL

Compressive sensing (CS) is a new signal processing method, which was developed recent years. CS can sample signals with a frequency far below the Nyquist frequency. CS can also compress the signals while sampling, which can reduce the usage of resources for signal transmission and storage. However, the reconstruction algorithm used in the corresponding decoder is highly complex and computationally expensive. Thus, in some specific applications, e.g., remote sensing image processing for disaster monitoring, the CS algorithm usually cannot satisfy the time requirements on traditional computing platforms. Various studies have shown that many-core computing platforms such as OpenCL are among the most promising platforms that are available for real-time processing because of their powerful floating-point computing capabilities. In this study, we present the design and implementation of parallel compressive sampling matching pursuit (CoSaMP), which is an OpenCL-based parallel CS reconstruction algorithm, as well as some optimization strategies, such as access efficiency, numerical merge, and instruction optimization. Based on experiments using remote sensing images with different sizes, we demonstrated that the proposed parallel algorithm can achieve speedups of about 41 times and 58 times on AMD HD7350 and NVIDIA K20Xm platforms, respectively, without modifying the application code.