[發(fā)明專利]基于圖像塊聚類和稀疏字典學(xué)習(xí)的分塊壓縮感知重構(gòu)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410314084.6
• 申請(qǐng)日: 2014-07-03
• 公開(kāi)（公告）號(hào): CN104036519B
• 公開(kāi)（公告）日: 2017-05-10
• 發(fā)明（設(shè)計(jì)）人: 武嬌;曹飛龍;銀俊成;武丹
• 申請(qǐng)（專利權(quán)）人: 中國(guó)計(jì)量學(xué)院
• 主分類號(hào): G06T11/00
• 分類號(hào): G06T11/00;G06K9/62
• 代理公司: 杭州浙科專利事務(wù)所(普通合伙)33213
• 代理人: 吳秉中

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及圖像的分塊壓縮感知重構(gòu)方法，可用于對(duì)自然圖像進(jìn)行重構(gòu)。

背景技術(shù)

壓縮感知(Compressive Sensing，CS)是一種全新的信號(hào)采樣理論，由美國(guó)學(xué)者Cand?s和Donoho等人于2006年正式提出，如：Donoho D L. Compressed sensing. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306；Cand?s E. Near optimal signal recovery from random projections: Universal encoding strategies? IEEE Transactions on Information Theory, 2006, 52(12): 5406-525。傳統(tǒng)的Nyquist采樣理論先以高速率對(duì)信號(hào)進(jìn)行采樣，然后再對(duì)數(shù)據(jù)進(jìn)行壓縮；而CS將采樣與壓縮過(guò)程同步進(jìn)行，直接以壓縮形式感知信號(hào)。由CS獲得的測(cè)量是原始信號(hào)在低維空間上的一組線性投影，測(cè)量的數(shù)量遠(yuǎn)低于被感知信號(hào)的維數(shù)。理論證明在信號(hào)的稀疏或可壓縮性約束下，利用非線性優(yōu)化方法可以從少量測(cè)量獲得信號(hào)的精確或近似重構(gòu)。CS理論突破了傳統(tǒng)Nyquist采樣在海量數(shù)據(jù)的采集、存儲(chǔ)和傳輸中面臨的資源浪費(fèi)等瓶頸，使對(duì)高分辨信號(hào)的處理成為可能。

CS理論成功應(yīng)用于實(shí)際數(shù)據(jù)模型和采集系統(tǒng)的重要環(huán)節(jié)之一為設(shè)計(jì)有效的CS采樣方法和重構(gòu)算法。在傳統(tǒng)CS的基礎(chǔ)上，Gan L. 在Block compressed sensing of natural images. In Proceedings of the International Conference on Digital Signal Processing, Cardiff, UK, July, 2007, 403-406. 一文中提出對(duì)自然圖像的分塊CS采樣重構(gòu)方法。該方法將原始圖像分成若干大小相同的子圖像塊，在固定的稀疏字典下，使用相同的感知矩陣對(duì)每個(gè)子圖像塊進(jìn)行獨(dú)立采樣和重構(gòu)，將重構(gòu)的子圖像塊拼在一起得到重構(gòu)圖像。該方法的優(yōu)點(diǎn)是速度快，占用內(nèi)存小；存在的缺點(diǎn)是：(1) 使用固定的稀疏字典不能靈活地刻畫圖像塊中存在的不同特征，如邊緣、紋理等；(2) 子圖像塊之間看成是相互獨(dú)立的，重構(gòu)過(guò)程沒(méi)有利用子圖像塊之間的相似性；(3) 重構(gòu)圖像存在明顯的塊效應(yīng)。

發(fā)明內(nèi)容

本發(fā)明目的在于解決上述缺陷，而提出一種基于圖像塊聚類和稀疏字典學(xué)習(xí)的分塊壓縮感知重構(gòu)方法。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是：以由表示不同方向的邊緣圖像生成的方向PCA基和一個(gè)DCT基的集聯(lián)作為初始稀疏字典；利用現(xiàn)有的典型相關(guān)分析技術(shù)，計(jì)算子圖像塊的CS測(cè)量與各方向基之間的典型相關(guān)系數(shù)對(duì)子圖像塊進(jìn)行聚類；使用提出的多變量塊追蹤算法對(duì)每個(gè)聚類中的子圖像塊進(jìn)行重構(gòu)；利用每個(gè)聚類中重構(gòu)的子圖像塊對(duì)各方向基進(jìn)行更新。

基于圖像塊聚類和稀疏字典學(xué)習(xí)的分塊壓縮感知重構(gòu)方法，包括以下步驟：

（1）、讀入圖像，把圖像分成子圖像塊；

（2）、對(duì)子圖像塊進(jìn)行壓縮采樣，得到測(cè)量；

（3）、生成個(gè)方向的邊緣圖像，對(duì)邊緣圖像進(jìn)行PCA變換，生成個(gè)PCA基，再取一個(gè)DCT基，構(gòu)成K個(gè)初始方向基的集聯(lián)字典；

（4）、計(jì)算測(cè)量與各方向基之間的典型相關(guān)系數(shù)，將子圖像塊聚成K類；

（5）、利用多變量追蹤算法重構(gòu)K個(gè)聚類中的子圖像塊；

（6）、利用重構(gòu)的子圖像塊對(duì)K個(gè)方向基進(jìn)行更新；

（7）、判斷迭代重構(gòu)的最大次數(shù)是否達(dá)到：如果未達(dá)到指定的迭代重構(gòu)次數(shù)，返回步驟(4)；如果未達(dá)到指定的迭代重構(gòu)次數(shù)，繼續(xù)以下步驟；

（8）、將重構(gòu)的子圖像塊拼接在一起，得到原始圖像的重構(gòu)圖像；

（9）、輸出圖像。

進(jìn)一步，步驟（1）中，子圖像塊有個(gè)，子圖像大小為；步驟（2）中，對(duì)每個(gè)子圖像塊以的測(cè)量率進(jìn)行壓縮采樣，得到測(cè)量；，其中是第個(gè)子圖像塊的像素值，是隨機(jī)欠采樣矩陣，，是中非零元素的個(gè)數(shù)，。

進(jìn)一步，步驟（5）中，利用多變量塊追蹤算法對(duì)個(gè)聚類中的子圖像塊分別進(jìn)行重構(gòu)的方法如下：

(5a) 計(jì)算個(gè)方向基對(duì)應(yīng)的協(xié)方差矩陣：

，

其中是第類子圖像塊的協(xié)方差矩陣的PCA分解，是對(duì)角矩陣，是正則化參數(shù)，設(shè)定為；

(5b) 計(jì)算個(gè)Wiener濾波矩陣：

，

其中是噪聲方差，設(shè)定為；