[發(fā)明專利]在多變量觀測下基于邊緣約束的圖像重構(gòu)方法

有效

• 申請?zhí)枺?/td>: 201510097078.4
• 申請日: 2015-03-05
• 公開（公告）號: CN104700436B
• 公開（公告）日: 2017-10-24
• 發(fā)明（設(shè)計）人: 劉芳;李婉;李玲玲;郝紅俠;焦李成;楊淑媛;尚榮華;張向榮;馬文萍
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06T9/00
• 分類號: G06T9/00
• 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(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及統(tǒng)計壓縮感知圖像重構(gòu)方法，可用于對自然圖像進行重構(gòu)。

背景技術(shù)

近幾年，在信號處理領(lǐng)域出現(xiàn)了一種新的數(shù)據(jù)理論壓縮感知CS，該理論在數(shù)據(jù)采集的同時實現(xiàn)壓縮，突破了傳統(tǒng)奈奎采集斯特采樣定理的限制，為數(shù)據(jù)采集技術(shù)帶來了革命性的變化，使得該理論在壓縮成像系統(tǒng)、軍事密碼學(xué)、無線傳感等領(lǐng)域有著廣闊的應(yīng)用前景。壓縮感知理論主要包括信號的稀疏表示、信號的觀測和信號的重構(gòu)等三個方面。其中設(shè)計快速有效的重構(gòu)算法是將CS理論成功推廣并應(yīng)用于實際數(shù)據(jù)模型和采集系統(tǒng)的重要環(huán)節(jié)。

在壓縮采樣領(lǐng)域，小波基是一組很好的稀疏基。圖像經(jīng)過小波分解后得到的分解系數(shù)，分為低頻部分和高頻部分，低頻部分包含原始圖像的低頻稀疏，通常認為是非稀疏的，而高頻部分包含圖像的水平、垂直、對角信息，具有良好的稀疏性。目前，經(jīng)常采用在小波域下對低頻全部保留，對高頻進行壓縮觀測的采樣方法。該采樣方法的優(yōu)點是可有效提高重構(gòu)圖像質(zhì)量。

Lihan He等人在文獻“Exploiting Structure in Wavelet-Based Bayesian Compressive Sensing”中提出基于小波樹結(jié)構(gòu)的貝葉斯壓縮感知圖像重構(gòu)方法。該方法對多尺度小波系數(shù)分層建立單高斯模型，并通過吉布斯采樣重構(gòu)圖像。但該方法將圖像展開成列向量進行觀測重構(gòu)，不僅沒有結(jié)合原始圖像數(shù)據(jù)的先驗，并且對計算機內(nèi)存要求很高，限制了處理圖像的大小。

Jiao Wu等人在文獻“Multivariate Compressive Sensing for Image Reconstruction in the Wavelet Domain:Using Scale Mixture Models”中提出基于混合尺度模型的多變量壓縮感知圖像重構(gòu)MPA。該方法對小波系數(shù)構(gòu)造多變量分布模型，抓住小波系數(shù)具有聚集性這一特點，對其統(tǒng)計相關(guān)性進行建模，但該方法忽略了保留下來的小波低頻系數(shù)對圖像重構(gòu)的指導(dǎo)作用，從而導(dǎo)致其不具有魯棒性，且重構(gòu)出的圖像不夠準確。

發(fā)明內(nèi)容

本發(fā)明的目的在于針上述已有技術(shù)的不足，提出一種在多變量觀測下基于邊緣約束的圖像重構(gòu)方法，以充分利用保留的低頻小波系數(shù)對圖像重構(gòu)的指導(dǎo)作用，提高重構(gòu)圖像的準確性。

現(xiàn)本發(fā)明目的技術(shù)思路是：通過對多變量測量矩陣建立多變量高斯模型，抓住小波的聚集性；通過邊緣檢測和相關(guān)性的聯(lián)合，指導(dǎo)確定小波系數(shù)的非零支撐；通過對非零支撐系數(shù)利用吉布斯采樣方法依次迭代更新，實現(xiàn)高質(zhì)量的壓縮感知圖像重構(gòu)。

根據(jù)上述思路，本發(fā)明的技術(shù)方案包括如下步驟：

1.一種在多變量觀測下基于邊緣約束的圖像重構(gòu)方法，包括如下步驟：

(1)接收方接收圖像發(fā)送方發(fā)送的正交隨機高斯觀測矩陣Φ、低頻小波分解系數(shù)L、水平高頻子帶多變量測量矩陣Y₁、垂直高頻子帶多變量測量矩陣Y₂和對角高頻子帶多變量測量矩陣Y₃，將三個高頻子帶多變量測量矩陣統(tǒng)一用Y表示；

(2)根據(jù)接收的觀測矩陣Φ、低頻小波分解系數(shù)L和高頻子帶多變量測量矩陣Y，通過邊緣檢測和相關(guān)性的指導(dǎo)得到非零系數(shù)組索引集合：u＝{s₁,s₂,...,s_i,...,s_c}，其中s_i代表第i個非零系數(shù)組的索引，i＝1,2,...,c，c為小于Φ的列數(shù)：

(2.1)將接收的低頻小波分解系數(shù)L和三個全部為零的高頻子帶進行小波逆變換，得到邊緣模糊圖像；

(2.2)對邊緣模糊圖像進行邊緣檢測，得到邊緣位置；

(2.3)提取邊緣模糊圖像中對應(yīng)邊緣位置的像素得到模糊邊緣；

(2.4)對模糊邊緣進行一層小波變換，得到模糊邊緣小波高頻系數(shù)和模糊邊緣小波低頻系數(shù)；將模糊邊緣小波高頻系數(shù)絕對值大于閾值h的位置設(shè)為1，小于閾值h的位置設(shè)為0得到初始模糊位置矩陣，將初始模糊位置矩陣按照多變量矩陣的形式排列成M×Q維的多變量模糊位置矩陣E，其中M為Φ的列數(shù)，Q為Y的列數(shù)，閾值h＝0.2；

(2.5)根據(jù)觀測矩陣Φ的轉(zhuǎn)置和高頻子帶多變量測量矩陣Y相乘得到的相關(guān)性矩陣Φ^T*Y,將該相關(guān)性矩陣的絕對值|Φ^T*Y|和多變量模糊位置矩陣E進行加權(quán)求和，得到系數(shù)重要性矩陣V＝|Φ^T*Y|+w*E，其中w為加權(quán)系數(shù)；