[發明專利]一種基于混合加權全變分和非局部低秩的圖像壓縮感知重構方法

有效

• 申請號: 201911055874.6
• 申請日: 2019-10-31
• 公開（公告）號: CN110830043B
• 公開（公告）日: 2023-07-18
• 發明（設計）人: 趙輝;劉衍舟;黃橙;王天龍
• 申請（專利權）人: 重慶郵電大學
• 主分類號: H03M7/30
• 分類號: H03M7/30;H04N19/176
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

1.一種基于混合加權全變分和非局部低秩的圖像壓縮感知重構方法，其特征在于，該方法具體包括以下步驟：

S1：首先對原始圖像進行CS處理，得到觀測圖像；然后利用平均曲率M構造的邊緣檢測器對觀測圖像進行分解，得到高頻部分和低頻部分；高頻部分包括圖像的邊緣細節和噪聲，低頻部分包括圖像的平坦區域；再對圖像的低頻部分進行二階全變分處理，對圖像的高頻部分進行一階加權全變分處理，權重系數由差分曲率構造，從而得到一個混合加權全變分模型；

S2：對觀測圖像進行樣本塊的提取，在給定的區域內，找到一定數目的樣本相似塊，并將圖像樣本塊和樣本相似塊按列聚合成為一個數據矩陣，從而得到一個非局部低秩模型；

S3：將混合加權全變分模型和非局部低秩模型聯合，得到最終的目標函數，并通過交替方向乘子法對目標函數進行優化求解。

2.根據權利要求1所述的一種基于混合加權全變分和非局部低秩的圖像壓縮感知重構方法，其特征在于，所示步驟S1中，利用基于二階梯度的平均曲率M構造一種邊緣檢測器，自適應的將圖像分解為高頻部分和低頻部分，對低頻部分使用傳統的二階全變分處理，對高頻部分使用一階加權全變分進行處理，其中，利用基于二階梯度的差分曲率邊緣檢測算子來構造權重系數，從而得到混合加權全變分模型；混合加權全變分模型表達式為：

其中，ω_i為像素點i的權重系數，α_i為邊緣檢測算子，u表示原始重構圖像，|Du|_i為一階全變分，|D²u|_i為二階全變分。

3.根據權利要求2所述的一種基于混合加權全變分和非局部低秩的圖像壓縮感知重構方法，其特征在于，所示步驟S1中，所述平均曲率為：

其中，u_x和u_y分別表示原始圖像當前像素點i沿水平方向和垂直方向的一階梯度，u_xx、u_xy、u_yx和u_yy表示原始圖像當前像素點沿不同方向的二階梯度。

4.根據權利要求3所述的一種基于混合加權全變分和非局部低秩的圖像壓縮感知重構方法，其特征在于，所示步驟S1中，邊緣檢測器通過設置閾值σ，自適應的判斷圖像的高頻與低頻部分，當M_i＞σ時，α_i為1，此時只有一階全變分模型作用于高頻部分；當M_i≤σ時，α_i為0，此時只有二階全變分模型作用于低頻部分。

5.根據權利要求3所述的一種基于混合加權全變分和非局部低秩的圖像壓縮感知重構方法，其特征在于，所示步驟S1中，像素點i的權重系數ω_i為：

其中，θ為常數，像素點i的差分曲率C_i＝||(u_ηη)_i|-|(u_ξξ)_i||。

6.根據權利要求2所述的一種基于混合加權全變分和非局部低秩的圖像壓縮感知重構方法，其特征在于，所示步驟S3中，將混合加權全變分模型與非局部低秩模型聯合，并將聯合模型作為正則項約束條件構建優化模型，即目標函數表示為：

其中，第一項為數據保真項，第二項為混合加權全變分正則項，第三項為非局部低秩正則項；λ₁和λ₂為正則項參數，ω_i為像素點i的權重，R_iu表示樣本塊u_i及其相似圖像塊組成的矩陣，L_i為低秩矩陣，Φ表示觀測矩陣，y表示觀測值，η為平衡參數，rank(·)表示矩陣的秩。