图像分块压缩感知中的自适应测量率设定方法

传统的图像分块压缩感知(BCS, block compressed sensing)以相同的测量率对各块进行测量,但由于图像的空间特性不同,在重构图像时出现了块效应。通过自适应为各块设定不同的测量率,该问题可得到有效的解决。然而,已有的自适应测量率设定法需要在采集端获得原始数字图像,这在实际的压缩成像(CI, compressive imaging)设备中无法实现。为了克服这一缺陷,提出了一种更易于通过硬件实现的自适应测量率设定法。该方法利用在采集端可获得的CS测量值直接在测量域中估计各图像块的样本方差,再根据各块样本方差自适应地为每块设定测量率并实现码率控制。仿真实验结果表明,该方案重构图像的质量优于非自适应方案,但由于测量域估计块样本方差存在偏差,使其与直接利用块样本方差真实值的自适应方案相比,仍具有一定差距。     

基于帧间相关性的自适应采样率分块视频压缩感知

针对现有基于自适应采样率的分块视频压缩感知方案的单帧总采样率不可控的问题,提出了一种新的自适应采样率分配方案。首先,对当前帧图像块进行固定预采样;然后,根据预采样的测量值来估计图像块的变化程度,并计算该图像块与当前帧图像的复杂度比例;接下来,根据复杂度比例分配图像块自适应采样率,并将固定预采样及自适应采样的测量值合并为最终测量值。实验结果表明,与固定采样率算法相比,提出的方案在相同采样率下可获得1 dB左右的峰值信噪比增益。所提方案可获得高质量的重构图像,且总采样率可控,因此增强了自适应采样分块视频压缩感知方案的有效性和实用性。     

一种自适应采样率视频压缩感知方案

为了进一步提高视频压缩感知方案的重构图像质量,提出了一种新的自适应采样方案.在该方案中,根据不同图像块的稀疏度自适应分配采样率.在对各图像块分类判决时,首先判断图像块在离散余弦变换域的稀疏度,其次结合该图像块与其参考帧之间的时域相关性,确定图像块的分类.实验结果表明,与现有的自适应采样率分配方案相比,该算法可获得0.5 dB左右的峰值信噪比增益.     

基于自适应分块的高光谱图像压缩感知重构方法

在对高光谱图像采样重构的研究中，整体采样和固定分块采样没有考虑到高光谱图像复杂的纹理特征分布，使用了相同的测量矩阵导致图像的重构质量较差。针对此问题，该文提出基于2维图像熵自适应分块压缩感知重构方法(ABCS-IE)，该方法以图像2维熵作为高光谱图像纹理细节的度量，根据图像的纹理细节分布自适应改变图像子块的大小，然后为不同的图像块分配特定的采样值，根据分配的采样值设计专有的测量矩阵对图像块进行压缩测量，将采样测量值代入重构算法中进行重构。实验结果表明，与整体采样重构和固定分块采样重构相比，将该方法应用到压缩感知重构算法中对高光谱图像进行采样重构后，重构的图像在视觉效果上有明显的提高，取得的峰值信噪比(PSNR)和结构相似度(SSIM)最大，采样率为0.4时，PSNR提高了2～4 dB,SSIM最大提高了0.27，均方根误差(RMSE)和信息熵差值(ΔH)也有所降低，说明重构的图像更加接近原始图像。而且运算时间也减少了1～1.5 s。可见，该方法能充分利用高光谱图像的纹理特征，有效提高图像的重构质量，同时减少重构的运算时间。     

自适应小波包图像压缩感知方法

该文提出一种自适应小波包图像压缩感知方法。该方法选用小波包变换分解图像,基于数学期望和信息熵分析各个小波包系数块的属性,自适应地将其划分为低频信号、无价值信号、特殊处理信号和压缩感知处理信号等4种信号类型,再针对不同的信号类型设计对应的处理方法,适应不同特征的图像。通过此种方法,在图像压缩感知过程中,可以根据不同图像和小波包系数块自适应地选取采样值,来提高压缩感知质量。实验结果表明该文提出的自适应小波包图像压缩感知方法在相同采样值的前提下,不仅提高了图像的重构质量,同时也降低了算法的计算复杂度和所需存储空间。     

边缘和方向估计的自适应多尺度分块压缩感知算法

由于多尺度小波变换的分块压缩感知算法(MS-BCS-SPL）将每层子带信息进行分块时,使得每子带中各子块采用相同的采样率;但是,当不同的图像子块含有不同的边缘信息时,对这些子块采用相同的采样率会造成资源不合理的分配。因此在MS-BCS-SPL算法的基础上,利用图像块边缘信息的不同和图像块的方向性,将总的采样率自适应分配给各层子带中的各图像块,实现多尺度分块压缩感知的自适应采样。实验结果表明,在不同采样率,尤其较低采样率时,该算法不仅比MS-BCS-SPL算法采用了较少的采样数目,节约资源;而且比其可重构较高质量的图像。      

基于变采样率的多假设预测分块视频压缩感知

现有的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,这种平均分配采样率的测量方式忽略了视频中不同区域的结构复杂度和变化程度不同的事实。针对这一问题,该文根据视频帧间相关性的分布特点提出了一种自适应分配采样率的变采样率压缩感知方法。将图像块按照帧间相关性的大小分类并分配不同的采样率,重构过程采用变采样率多假设预测算法以充分利用帧间相关性。实验结果表明该文算法能够在低采样率下重构出高质量的视频图像,而且这种变采样率测量的方式有利于提高运动剧烈区域的重构质量。     

一种分块自适应压缩感知图像重构算法

CS理论中,在离散余弦变换下使用OMP算法重构图像时需要较高的测量值可以获得较好的重构效果,但是存在重构图像模糊的问题.为此,提出了基于离散余弦变换的图像分块自适应正交匹配追踪(BAD-OMP)算法.基于分块压缩感知技术,对图像进行均匀分块处理,根据图像块稀疏性进行自适应采样,再用均值滤波算法平滑处理,从而减少重构所需的测量值,降低块效应.仿真结果表明,采样率取0.1 ～0.35 时,BAD-OMP算法重构图像的PSNR值较OMP算法的PSNR值高9～1 1 dB,实现了在低采样率下获得较高的重构质量.     

联合非均匀采样和压缩感知的图像压缩算法

为了提高图像重构精度,改善纹理区域视觉效果,本文将压缩感知理论与图像压缩相结合,并提出了一种新的采样方法:在编码端对图像高频部分边缘点进行密集采样,对非边缘部分进行随机抽样,取代了传统压缩感知理论中直接使用测量矩阵获得低维观测值的过程。在解码端利用采样点位置信息构造块测量矩阵,使用光滑l0范数（Smoothed l0,SL0）重构算法实现重叠块重构,最终将其与图像低频部分下采样点插值放大结果合并实现高精度重构。实验结果表明:本文算法不仅可以提高整幅图像和纹理区域的重构精度,而且在低采样率或图像尺寸较小的情况下,算法效率也有明显提升。      

基于压缩感知的医学图像采样新方法研究

压缩感知基于信号的稀疏性或可压缩性,能够以低于奈奎斯特采样率的频率进行采样,从而直接获得压缩后的采样信号。本文将压缩感知的思想应用于医学图像,对已获得的图像进行压缩采样,以降低医学图像的存储空间。基于正交匹配追踪思想,提出分块双阈值正交匹配追踪方法,根据图像不同区域信息量的不同,采取分块处理并加入采样阈值,针对不同子图像块采取不同采样率,提高了采样效率;同时,在重构时加入判断阈值,可降低重构效果对采样阈值的依赖,减小了由于图像的特殊性或人为经验不足而使得采样阈值选取不当对图像重建质量的影响。实验表明,本文方法能够以较低的采样率实现较高的重构精度。     

Sampling adaptive block compressed sensing reconstruction algorithm for images based on edge detection

In this paper, a sampling adaptive for block compressed sensing with smooth projected Landweber based on edge detection （SA-BCS-SPL-ED） image reconstruction algorithm is presented. This algorithm takes full advantage of the characteristics of the block compressed sensing, which assigns a sampling rate depending on its texture complexity of each block. The block complexity is measured by the variance of its texture gradient, big variance with high sampling rates and small variance with low sampling rates. Meanwhile, in order to avoid over-sampling and sub-sampling, we set up the maximum sampling rate and the minimum sampling rate for each block. Through iterative algorithm, the actual sampling rate of the whole image approximately equals to the set up value. In aspects of the directional transforms, discrete cosine transform （DCT）, dual-tree discrete wavelet transform （DDWT）, discrete wavelet transform （DWT） and Contourlet （CT） are used in experiments. Experimental results show that compared to block compressed sensing with smooth projected Landweber （BCS-SPL）, the proposed algorithm is much better with simple texture images and even complicated texture images at the same sampling rate. Besides, SA-BCS-SPL-ED-DDWT is quite good for the most of images while the SA-BCS-SPL-ED-CT is likely better only for more-complicated texture images.     

帧间自适应语音信号压缩感知

近年来提出的压缩感知是一种以低于传统奈奎斯特速率对信号采样可得到精确恢复的理论。该理论很快应用于简化传统的采样硬件、缩短采样时间、以及减少数据的存储空间。针对语音信号的传输问题,本文提出一种帧间自适应语音信号压缩感知的方法。在离散余弦变换域的语音信号具有稀疏性的前提下,以大量语音信号帧的分析统计为依据,提出一种基于语音帧能量分级和帧间位置惯性的语音信号自适应压缩感知算法。实验结果表明,能量自适应可以显著地提高语音信号的恢复质量,而位置自适应可以明显地减少语音信号的恢复时间,从而本文提出的算法可以用较少的恢复时间获得较好的恢复效果。      

压缩感知重构算法研究

压缩感知技术突破了奈奎斯特准则的局限性,在图像处理方面有着广泛的应用。在精典TV重构算法的基础上通过对测量矩阵与迭代过程加以改进,以测量值基本逆变换(IY)作为迭代初值的IY-TV重构算法;TV算法有利于去除信号的中噪声,在迭代过程中与IY变换图像差值相联合重建原始信号。测量矩阵直接影响图像的重构质量,设计与该算法相适应的测量矩阵以提取更多的基本信息。实验表明,该算法可以在较低采样率时,同样重构出较高的图像质量。     

基于块稀疏度与自适应迭代的压缩感知方法

针对分块压缩感知算法在平滑块效应时损失了大量的细节纹理信息,从而影响图像的重构效果问题,提出了一种基于块稀疏信号的压缩感知重构算法。该算法先采用块稀疏度估计对信号的稀疏性做初步估计,通过对块稀疏度进行估算初始化阶段长,运用块矩阵与残差信号最匹配原则来选取支撑块,再运用自适应迭代计算实现对块稀疏信号的重构,较好地解决了浪费存储资源和计算量大的问题。实验结果表明,相比常用压缩感知方法,所提算法能明显减少运算时间,且能有效提高图像重构效果。     

图像压缩感知的基于GPU的并行重构算法研究

压缩感知是近几年出现的一种新型信号处理方法,它能够以远低于奈奎斯特采样速率进行采样,而且在采样的同时对信号进行了压缩。但它却是以解码端的复杂度为代价,复杂的重构算法对设备提出了较高的要求,此外,重构时间也限制了压缩感知在实际中的应用。利用GPU的强大运算能力,对现有算法进行优化的同时,在不同的并行环境下进行实验对比,将重构算法中复杂的矩阵操作模块转移到GPU上并行执行。实验结果表明,该算法可以有效地提高重构效率。     

压缩感知观测矩阵的优化算法

为克服基于压缩感知的图像重构算法存在的不足,文中对观测矩阵设计方法进行了改进,并根据稀疏信号的特点对观测矩阵加权,令奇异值分解得到的对角阵对角线上的元素全部为1。通过仿真实验表明,将改进后的矩阵作为压缩感知算法的观测矩阵,在大压缩比时PSNR值约提高(1~2 dB),在小压缩比较时PSNR值提高了(8~9 dB)。     

基于正交匹配追踪算法的语音信号重构研究

压缩感知理论是近年来提出的一种新兴的基于信号稀疏性的采样理论。正交匹配追踪算法是其中一种典型的重构方法,文中针对语音信号重构中存在的不足,采用正交匹配追踪算法对语音信号进行信号重构,相比于传统的压缩感知的重构算法更加地适用于对含噪语音、重构语音质量会更高,去噪效果也会更明显。为语音信号CS性能的基础性的研究提供了参考。