[發明專利]基于圖像塊聚類和稀疏字典學習的分塊壓縮感知重構方法

有效

• 申請號: 201410314084.6
• 申請日: 2014-07-03
• 公開（公告）號: CN104036519B
• 公開（公告）日: 2017-05-10
• 發明（設計）人: 武嬌;曹飛龍;銀俊成;武丹
• 申請（專利權）人: 中國計量學院
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06K9/62
• 代理公司: 杭州浙科專利事務所(普通合伙)33213
• 代理人: 吳秉中

1.基于圖像塊聚類和稀疏字典學習的分塊壓縮感知重構方法，其特征在于，包括以下步驟：

(1)、讀入圖像，把圖像分成子圖像塊；

步驟(1)中，子圖像塊有J個，子圖像塊大小為8×8；

(2)、對子圖像塊進行壓縮采樣，得到測量；

步驟(2)中，對每個子圖像塊以M/N的測量率進行壓縮采樣，得到測量y_j＝Φx_j，其中x_j是第j個子圖像塊的像素值構成的N維向量，Φ是N×N隨機欠采樣矩陣，N＝64，M是Φ中非零元素的個數，j＝1，...，J；

(3)、生成K-1個方向的邊緣圖像，對邊緣圖像進行PCA變換，生成K-1個PCA基，再取一個DCT基，構成K個初始方向基的集聯字典；

(4)、計算測量與各方向基之間的典型相關系數，將子圖像塊聚成K類；

(5)、利用多變量追蹤算法重構K個聚類中的子圖像塊X_k，k＝1，...，K；

步驟(5)中，利用多變量塊追蹤算法對K個聚類中的子圖像塊X_k，k＝1，...，K分別進行重構的方法如下：

(5a)計算K個方向基對應的協方差矩陣：

${\mathrm{\Σ}}_k=B_k{\mathrm{\Λ}}_k{B}_k^T+{\∈}_{0}I,k=1,...,K$

其中是第k類子圖像塊的協方差矩陣的PCA分解，B_k是協方差矩陣的特征向量構成的矩陣，Λ_k＝diag(λ₁，...，λ_N)是對角矩陣，λ₁，...，λ_N是協方差矩陣的特征值，∈₀是正則化參數，設定為10^-4，I為單位矩陣；

(5b)計算K個Wiener濾波矩陣：

W_k＝∑_kΦ^T(Φ∑_kΦ^T+σ²I)^-1，k＝1，...，K

其中σ²是噪聲方差，設定為10^-2；

(5c)初始化迭代次數l＝0，第k類子圖像塊的初始重構殘差矩陣k＝1，...，K，迭代終止誤差∈＝10^-2，Y_k是被由被聚到第k類中的y_k構成的集合；

(5c-1)計算殘差與ΦB₁，...，ΦB_K之間的典型相關系數，確定最大的典型相關系數的標識z_k，z_k∈{1，...，K}；

(5c-2)更新第k類子圖像塊的重構：W_zk是第z_k個Wiener濾波矩陣；

(5c-3)更新殘差：

(5c-4)將連續兩次殘差矩陣的F-范數的差的絕對值與迭代終止誤差∈進行比較，若則停止迭代；否則，給迭代次數l加1，轉至步驟(5c-1)；

(6)、利用重構的子圖像塊對K個方向基進行更新；

步驟(6)中，利用重構的子圖像塊重新估計每個聚類的協方差矩陣再通過協方差矩陣的PCA分解對K個方向基進行更新：

${\widetilde{\mathrm{\Σ}}}_k=\frac{1}{\left|C_k\right|}\underset{i\∈C_k}{\Σ}({\tilde{x}}_i-\frac{1}{\left|C_k\right|}\underset{i\∈C_k}{\Σ}{\tilde{x}}_i){({\tilde{x}}_i-\frac{1}{\left|C_k\right|}\underset{i\∈C_k}{\Σ}{\tilde{x}}_i)}^T+{\∈}_{0}I={\tilde{B}}_k{\widetilde{\mathrm{\Λ}}}_k{\tilde{B}}_k^T{\mathrm{\Σ}}_k+{\∈}_{0}I,$

其中C_k是第k個聚類中子圖像塊的標識集，是由方差矩陣的特征向量構成的PCA基，是由協方差矩陣的特征值構成的對角矩陣，k＝1，...，K；

(7)、判斷迭代重構的最大次數是否達到：指定的迭代重構次數等于2，如果未達到指定的迭代重構次數，返回步驟(4)；否則，繼續以下步驟；

(8)、將重構的子圖像塊拼接在一起，得到原始圖像的重構圖像；

(9)、輸出圖像。