[發明專利]基于結構字典的分塊圖像壓縮感知重建方法

有效

• 申請號: 201210155980.3
• 申請日: 2012-05-18
• 公開（公告）號: CN102708576A
• 公開（公告）日: 2012-10-03
• 發明（設計）人: 楊淑媛;焦李成;陳義光;劉芳;侯彪;王爽;馬文萍;齊智峰;謝冬梅
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T11/00
• 分類號: G06T11/00
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.一種基于結構字典的分塊圖像壓縮感知重建方法，包括如下步驟：

(1)獲取訓練樣本；

(2)圖像塊分類

2a)分別計算各個訓練樣本的方差；

2b)將方差小于平滑閾值的圖像塊歸為平滑類圖像塊，方差大于平滑閾值的圖像塊歸為非平滑類圖像塊；

2c)根據梯度計算方法分別計算各個非平滑類圖像塊中各像素水平方向與垂直方向的梯度，得到梯度矩陣；

2d)對梯度矩陣進行奇異值分解，得到左酉矩陣、對角矩陣和右酉矩陣；

2e)計算對角矩陣中的兩個奇異值的差與和，并計算兩者的比值；

2f)將比值與不規則閾值進行比較，若比值大于不規則閾值，則將非平滑類圖像塊歸為規則類圖像塊，否則，歸為不規則類圖像塊；

2g)利用下式計算規則類圖像塊指向值：

其中，θ為規則類圖像指向值，v₁和v₂為主分量，分別代表右酉矩陣的列向量；

2h)將-90°-90°指向的取值范圍均分為12個離散區間，將指向值在同一區間內對應的的規則類圖像塊歸為一類；

(3)訓練分類字典

3a)將分類得到的平滑類圖像塊、不規則類圖像塊及12個不同指向的圖像塊作為訓練樣本；

3b)進行字典訓練初始化設置；

3c)利用K-Singular?Value?Decomposition(KSVD)方法進行字典訓練，得到對應于各類圖像塊訓練樣本的分類冗余字典；

3d)根據余弦基公式，構造余弦基字典；

3e)將分類冗余字典與余弦基字典組成結構字典；

(4)構造觀測矩陣

4a)根據壓縮感知的低采樣特性，在0.2～0.4范圍內選擇采樣率；

4b)將采樣率與圖像塊像素數目相乘，得到對應采樣率的觀測矩陣維數

4c)隨機初始化相應維數的高斯隨機矩陣作為觀測矩陣；

(5)觀測圖像塊

5a)對原始圖像按同樣大小進行不重疊的逐次分塊處理，并將圖像塊按列依次拉為列向量，得到原始圖像矩陣；

5b)利用觀測矩陣對原始圖像矩陣進行相乘投影，得到觀測值矩陣；

(6)結構字典重建

6a)將觀測矩陣與步驟(3)所得的結構字典逐個對應相乘，得到恢復矩陣；

6b)利用正交匹配追蹤方法進行分塊壓縮感知圖像重建，得到重建解；

6c)將步驟(3)所得的結構字典與重建解相乘，得到重建圖像矩陣；

(7)獲取重建誤差

將原始圖像矩陣與在步驟(3)所得的結構字典下的逐個重建圖像矩陣的差平方求和，獲得重建誤差；

(8)重建圖像

8a)將重建誤差作為權重，對重建圖像矩陣進行加權求和，得到最終重建圖像矩陣；

8b)將最終重建圖像矩陣進行反分塊處理，得到最終的重建圖像；

(9)輸出重建圖像。

2.根據權利要求1所述的基于結構字典的分塊圖像壓縮感知重構方法，其特征在于，步驟(1)中所述的獲取訓練樣本的具體步驟如下：第一步，從數據庫中選取具有平滑特征、不規則特征及不同的指向信息等多種結構特征信息的多幅原圖像，分別對這些圖像進行下采樣，得到下采樣圖像；

第二步，將數據庫中選取的多幅原圖像與原圖像，構成訓練樣本庫；

第三步，將樣本庫中的圖像按同樣大小進行不重疊的逐次分塊，隨機抽取10000～40000個訓練圖像塊，并將其按列依次拉為列向量，作為訓練樣本。

3.根據權利要求1所述的基于結構字典的分塊圖像壓縮感知重構方法，其特征在于，步驟2b)所述的平滑閾值為10～30。

4.根據權利要求1所述的基于結構字典的分塊圖像壓縮感知重構方法，其特征在于，步驟2c)所述的梯度計算方法是指，將非平滑類圖像塊中每個像素點的水平分量與垂直分量分別減去其相鄰像素點的水平分量與垂直分量，得到該像素點的梯度，所有像素點的梯度構成一個梯度矩陣。