[發明專利]一種基于多字典改進型壓縮感知框架的內窺鏡圖像感知重構方法

有效

• 申請號: 201811515947.0
• 申請日: 2018-12-12
• 公開（公告）號: CN109658467B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 李勝;陳強;何熊熊;孫明軒
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06V10/772;G06V10/774
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于多字典改進型壓縮感知框架的內窺鏡圖像感知重構方法，其特征在于：所述方法包括以下步驟：

步驟1，大量的內窺鏡圖像訓練出多個獨立同分布的字典，過程如下：

1.1令Ψ代表字典矩陣，將大量的內窺鏡圖像均勻的分成P個子集，從每個子集當中隨機抽取等量的內窺鏡圖像，然后將圖像轉為灰度值尺度為0～255的灰度圖像，對這些圖像按大小為8*8的像素塊進行切割，切割下來的像素塊分別拉成列原子大小為64*1的像素條，按一個子集為一組分別，將一個組的像素條拼成組成P個行尺度為64的原始信號矩陣，列尺度由抽取的圖像數量和圖像的大小決定，基于這些原始信號矩陣引入K次奇異值分解算法，使用并行計算的能力，P條線路同時訓練，由于數據是均勻隨機抽取得到的，所以可以得到P個獨立同分布字典；

1.2K-SVD多字典訓練優化方程為：

其中Ψ_(t)∈R^64×100，t＝1,2,...,P是訓練得到的P個字典，Y_(t)是原始信號矩陣，Φ∈R^20×64是感知矩陣，S是稀疏系數，且S是一個正整數；

步驟2，針對大尺寸內窺鏡圖像設計基于多字典的感知矩陣優化算法，目標函數使用多字典進行迭代梯度下降，過程如下：

2.1考慮圖像應用場景，設計感知矩陣優化目標函數的格拉姆矩陣逼近單位矩陣的同時，引入基于弗羅貝尼烏斯范數的正則化懲罰項來減小感知矩陣的能量；

2.2目標函數為：

其中G_t∈R^100×100代表目標格拉姆矩陣，是弗羅貝尼烏斯范數，λ代表正則化項的權衡因子，用來權衡最優化問題中逼近單位陣和感知矩陣能量的相互影響，該目標函數的優化目標是得到一個較好的適用于大尺寸圖像的感知矩陣；

2.3考慮到秩約束，上述目標函數其實是一個非凸函數，將字典矩陣視為一個變量，采用隨機梯度下降的平均梯度策略優化，分別計算基于P個字典的目標函數關于感知矩陣的梯度：

其中G_t是目標格拉姆矩陣，再求P個目標函數關于感知矩陣梯度的平均值：

是梯度平均值，作為感知矩陣更新的梯度變量值，帶入變步長梯度下降公式中得到更新后的感知矩陣：

其中α是梯度下降的變步長參數，α_i＝0.1*e^-0.01*i，i是迭代次數，當迭代次數達到設定閾值時，終止迭代，得到優化后的感知矩陣；

步驟3，利用多字典進行圖像重構，其過程如下：

用訓練好的感知矩陣來采樣原信號X，得到原圖像的采樣測量值為Y：

Y＝ΦX????????????????????????????(6)

這里應用經典的正交匹配追蹤算法(OMP)來計算得到壓縮感知中的稀疏系數S，代入P個字典經由正交匹配追蹤算法解出P個稀疏系數，P個稀疏系數可以組成P個重構圖像結果：

X_(t)＝Ψ_(t)S_(t)??????????????????????????(7)

其中t＝1,2,...,P，X_(t)是由第t個字典重構得到的恢復信號，Ψ_(t)是第t個字典，S_(t)是第t個稀疏系數，再求P個恢復信號的平均值：

其中平均值X是基于多字典的改進型壓縮感知框架得到的最終重構圖像。