[發(fā)明專利]基于壓縮感知的目標重構(gòu)方法

有效

• 申請?zhí)枺?/td>: 201210007428.X
• 申請日: 2012-01-11
• 公開（公告）號: CN102592269A
• 公開（公告）日: 2012-07-18
• 發(fā)明（設計）人: 侯彪;焦李成;程曦;王爽;張向榮;馬文萍
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

技術領域

本發(fā)明屬于圖像處理技術領域，涉及自然圖像的重構(gòu)，具體的說就是一種加入目標先驗知識的壓縮感知目標重構(gòu)方法，可用于目標檢測。

背景技術

壓縮感知(Compressive?Sensing)是一個介于數(shù)學和信息科學的新方向，由Candes、Terres?Tao等人提出，挑戰(zhàn)傳統(tǒng)的采樣編碼技術，即Nyquist采樣定理。壓縮感知理論為信號采集技術帶來了革命性的突破，它采用非自適應線性投影來保持信號的原始結(jié)構(gòu)，以遠低于奈奎斯特頻率對信號進行采樣，通過數(shù)值最優(yōu)化問題準確重構(gòu)出原始信號。美國Rice大學已經(jīng)根據(jù)壓縮感知理論設計出的單像素相機，美國國防部先進計劃研究署正在支持壓縮感知技術的研究，在通用電氣(GE)醫(yī)療集團的參與下，威斯康辛大學的一個研究小組正在把壓縮感知技術與HYPR和VIPR技術結(jié)合，以提高特定種類磁共振掃描的速度，在某種情況下可以達到原來速度的幾千倍。

信號或者圖像重構(gòu)是壓縮感知理論的核心問題，目前已有的壓縮感知重構(gòu)方法有：內(nèi)點法，梯度投影法，匹配追蹤法MP，正交匹配追蹤法OMP，貝葉斯壓縮感知Byes。這些壓縮感知重構(gòu)方法存在以下不足：

1)由于重構(gòu)過程中沒有加入目標的先驗知識，因此這些方法只能用于整個場景的重構(gòu)，沒有突出場景中目標的功能，無法尋找場景中感興趣的目標，工作人員需要對重構(gòu)出的整幅圖像再做處理才能確定目標的位置；

2)對采樣率有較高的要求，因此給采樣硬件設備帶來很大的負擔。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對上述已有方法的不足，提出一種基于壓縮感知的目標重構(gòu)方法，以在采樣率較低的情況下重構(gòu)出場景中的目標，并使目標相對于背景清晰突出，在重構(gòu)圖像的同時檢測出目標。

實現(xiàn)本發(fā)明目的地技術思路是：首先通過混合因子分析模型對目標建模，得到目標的概率密度函數(shù)，再對要重構(gòu)的整幅圖像分塊，然后對每一小塊圖像分別進行壓縮感知重構(gòu)，將訓練得到的目標的概率密度函數(shù)作為目標的先驗知識加入到重構(gòu)過程。具體步驟包括如下：

(1)通過混合因子分析模型對目標進行高斯混合建模，得到目標的概率密度：

其中：x°為目標的訓練樣本，χ_t為高斯混合模型中包含的各個高斯分布的均值，Ω_t為高斯混合模型中包含的各個高斯分布的協(xié)方差，λ_t為高斯混合模型中各個高斯分布的權重，T為高斯混合模型中包含的高斯分布的個數(shù)；

(2)將目標所在的整幅圖像均勻分成大小相同的小塊，小塊的大小與目標的訓練圖像的大小相同并且保證目標完整的在某一小塊上；

(3)對每一小塊圖像分別進行重構(gòu)：

(3a)對每一小塊圖像x分別進行隨機觀測得到它的隨機觀測向量y：

y＝Φx+v

其中：x為待重構(gòu)的小塊圖像，它的維數(shù)為N，y為小塊圖像的隨機觀測向量，Φ為的高斯隨機觀測矩陣，v為觀測時產(chǎn)生的噪聲服從零均值的高斯分布，它的維數(shù)為N，其中N＝1024；

(3b)根據(jù)以下貝葉斯公式從隨機觀測向量y中恢復出小塊圖像x：

其中：p(x/y)為后驗概率密度，p(x°)為訓練出的目標的概率密度，p(y/x)為條件概率密度，為高斯混合模型中各個高斯分布的權值，為高斯混合模型中各個高斯分布的協(xié)方差，R為觀測時產(chǎn)生的噪聲的協(xié)方差的倒數(shù)，為高斯混合模型中各個高斯分布的均值，該均值即為小塊圖像x的重構(gòu)圖像；

(4)將步驟(3)中重構(gòu)出的小塊圖像拼湊還原為原始的完整圖像，得到重構(gòu)出的整幅圖像并輸出。

本發(fā)明與現(xiàn)有技術相比具有以下優(yōu)點：

1)本發(fā)明由于將目標的概率密度作為目標的先驗知識加入到重構(gòu)過程，因而能夠在采樣率較低的情況下將目標清晰地重構(gòu)出來，減輕采樣硬件設備的負擔，節(jié)省資源和費用；

2)本發(fā)明由于對整幅圖像分塊，再對每一小塊圖像重構(gòu)，提高了重構(gòu)速度，節(jié)省了時間。

仿真實驗結(jié)果表明，本發(fā)明能在采樣率較低的情況下將目標清晰地重構(gòu)出來從而突出場景中的目標，達到檢測目標的目的。

附圖說明

圖1本發(fā)明的實現(xiàn)流程圖；

圖2本發(fā)明仿真實驗使用的原圖；

圖3在采樣率為20％時用本發(fā)明和現(xiàn)有加權二范數(shù)方法對圖2的重構(gòu)結(jié)果圖；

圖4在采樣率為40％時用發(fā)明和現(xiàn)有加權二范數(shù)重構(gòu)方法對圖2重構(gòu)的結(jié)果圖。

具體實施方式

參照圖1，本發(fā)明的具體實施步驟如下：