[發(fā)明專利]一種基于壓縮感知的圖像處理方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201710413963.8
• 申請(qǐng)日: 2017-06-05
• 公開（公告）號(hào): CN107330946A
• 公開（公告）日: 2017-11-07
• 發(fā)明（設(shè)計(jì)）人: 孫娜;劉繼文;肖東亮;儲(chǔ)汪兵
• 申請(qǐng)（專利權(quán)）人: 中國(guó)農(nóng)業(yè)大學(xué)
• 主分類號(hào): G06T9/00
• 分類號(hào): G06T9/00
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司11002
• 代理人: 王瑩

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理領(lǐng)域，更具體地，涉及一種基于壓縮感知的圖像處理方法及裝置。

背景技術(shù)

在圖像的傳輸過程中，通常傳輸之前需要對(duì)圖像進(jìn)行采樣，然后進(jìn)行傳輸。在接收方需要根據(jù)采樣數(shù)據(jù)對(duì)原始圖像進(jìn)行重構(gòu)。

傳統(tǒng)的奈奎斯特理論表明，當(dāng)采樣頻率至少為信號(hào)帶寬的兩倍時(shí)才可以精確重構(gòu)原始信號(hào)。該方法的缺點(diǎn)是采樣率和復(fù)雜度太高，并且很多冗余信息在采樣后會(huì)被丟棄，造成了資源的浪費(fèi)。針對(duì)以上缺點(diǎn)，一種全新的信號(hào)處理理論，即壓縮感知理論于2006年被提出。對(duì)于許多實(shí)際信號(hào)，例如圖像信號(hào)，當(dāng)以某種適當(dāng)?shù)幕瘮?shù)來表示時(shí)，由于其系數(shù)大多數(shù)接近于零或等于零，因此信號(hào)是稀疏或可壓縮的。將采樣與壓縮合并為一個(gè)環(huán)節(jié)，不僅會(huì)提高效率，而且也節(jié)約了成本。

目前已有的壓縮感知重構(gòu)算法中，好多都需要稀疏度作為先驗(yàn)條件，比如正交匹配追蹤(Orthogonal Matching Pursuit,OMP)，正則化匹配追蹤(Regularized Orthogonal Matching Pursuit,ROMP)，分段正交匹配追蹤(Stage wise Orthogonal Matching Pursuit,StOMP)，壓縮采樣匹配追蹤(Compressed Sampling Matching Pursuit,CoSaMP)。當(dāng)然，也有的算法不需要這個(gè)先驗(yàn)條件，如稀疏度自適應(yīng)匹配追蹤(Sparsity Adaptive Matching Pursuit,SAMP)，正則化稀疏度自適應(yīng)匹配追蹤(Regularized Adaptive Matching Pursuit,RAMP)，稀疏度自適應(yīng)壓縮采樣匹配追蹤(Sparsity Adaptive Compressed Sampling Matching Pursuit,SACSMP)。以上重構(gòu)算法各有缺點(diǎn)，或者在稀釋度估計(jì)不精確時(shí)會(huì)影響重構(gòu)精度，或者重構(gòu)耗時(shí)較長(zhǎng)影響用戶體驗(yàn)等等，最終影響重構(gòu)質(zhì)量。

發(fā)明內(nèi)容

本發(fā)明提供一種克服上述問題或者至少部分地解決上述問題的基于壓縮感知的圖像處理方法及裝置。

根據(jù)本發(fā)明的一個(gè)方面，提供一種基于壓縮感知的圖像處理方法，包括：

S1，對(duì)接收到的二維圖像的信號(hào)進(jìn)行小波變換和高斯測(cè)量矩陣處理，獲得所述二維圖像的所有列的測(cè)量向量和感知矩陣Θ；

S2，基于所述二維圖像的每一列的測(cè)量向量y和感知矩陣Θ，利用稀疏度自適應(yīng)壓縮采樣匹配追蹤算法對(duì)原始信號(hào)進(jìn)行重構(gòu)，其中原子選擇進(jìn)行正則化處理，迭代過程進(jìn)行變步長(zhǎng)處理，獲得所述原始信號(hào)的稀疏逼近信號(hào)

S3，基于所述二維圖像的所有列的稀疏逼近信號(hào)，重構(gòu)原始二維圖像。

根據(jù)本發(fā)明的另一個(gè)方面，還提供一種基于壓縮感知的圖像處理裝置，包括：

初始處理模塊，用于對(duì)接收到的二維圖像的信號(hào)進(jìn)行小波變換和高斯測(cè)量矩陣處理，獲得所述二維圖像的所有列的測(cè)量向量和感知矩陣Θ；

信號(hào)重構(gòu)模塊，用于基于所述二維圖像的每一列的測(cè)量向量y和感知矩陣Θ，利用稀疏度自適應(yīng)壓縮采樣匹配追蹤算法對(duì)原始信號(hào)進(jìn)行重構(gòu)，其中原子選擇進(jìn)行正則化處理，迭代過程進(jìn)行變步長(zhǎng)處理，獲得所述原始信號(hào)的稀疏逼近信號(hào)以及

圖像恢復(fù)模塊，用于基于所述二維圖像的所有列的稀疏逼近信號(hào)，重構(gòu)原始二維圖像。

本發(fā)明提出一種基于壓縮感知的圖像處理方法及裝置，提出一種改進(jìn)的稀疏度自適應(yīng)壓縮采樣匹配追蹤算法，原子選擇進(jìn)行正則化處理，迭代過程進(jìn)行變步長(zhǎng)處理，將二維圖像信號(hào)的每一列向量作為輸入信號(hào)進(jìn)行重構(gòu)處理，還原原始圖像；相對(duì)于現(xiàn)有技術(shù)，效率更高，并且基于變步長(zhǎng)處理進(jìn)一步縮短了迭代次數(shù)，可以得到最逼近的稀疏度信號(hào)，解決信號(hào)重構(gòu)耗時(shí)較長(zhǎng)以及稀疏度估計(jì)不準(zhǔn)確的問題。

附圖說明

圖1為本發(fā)明實(shí)施例一種基于壓縮感知的圖像處理方法流程圖；

圖2為本發(fā)明實(shí)施例改進(jìn)的稀疏度自適應(yīng)壓縮采樣匹配追蹤算法流程圖；

圖3為本發(fā)明實(shí)施例稀疏度K對(duì)重構(gòu)性能影響的仿真示意圖；

圖4為本發(fā)明實(shí)施例測(cè)量次數(shù)對(duì)重構(gòu)性能影響的仿真示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

如圖1所示，一種基于壓縮感知的圖像處理方法，包括：

S1，對(duì)接收到的二維圖像的信號(hào)進(jìn)行小波變換和高斯測(cè)量矩陣處理，獲得所述二維圖像的所有列的測(cè)量向量和感知矩陣Θ；