压缩感知在医学图像压缩中的应用

调研压缩感知的数学理论基础和常用方法,包括稀疏变换、测量矩阵和重构算法,利用Matlab软件实现压缩感知实验,比较几种测量矩阵的性能,提出双阈值分块正交匹配追踪重构算法。根据图像不同区域信息量的不同,采取分块处理的方法并加入采样阈值,针对不同子图像块采取不同采样率,提高采样效率;加入判断阈值,降低重构效果对采样阈值的依赖。实验结果表明,该方法能够以较低的采样率实现较高的重构精度,使压缩感知在医学图像压缩方面得到了较好应用。     

基于多重解析字典学习和观测矩阵优化的压缩感知

文中提出了一种基于子空间解析字典学习和观测矩阵优化的图像压缩感知算法.该算法根据图像的局部方向特征,将整个图像空间分成多个子空间,并且采用几何共轭梯度算法分别在各个子空间学习解析字典,以实现对不同子空间图像块的最优稀疏表示.在图像重构过程中,首先在所有的子空间对每个图像块分别进行估计,然后根据稀疏表示最小误差准则获得每个图像块的最优估计.为了进一步提高图像重构质量,文中通过对不同子空间的图像块进行线性判别分析获得优化观测矩阵.实验表明文中算法可以实现高质量的压缩感知图像重构.     

基于灰度共生矩阵的图像自适应分块压缩感知方法

分块压缩感知的提出很好地弥补了大尺寸图像占用资源多、重构耗时长等不足,但重构后的图像存在明显的块效应。针对现有图像纹理复杂度分析不够准确,导致自适应采样率分配后块效应降低不理想的问题,提出了一种基于灰度共生矩阵的图像自适应分块压缩感知方法。该方法通过共生矩阵分析图像的纹理特性,自适应分配采样率,在总采样率不变的前提下使纹理复杂度高的子块获得较高的采样率,纹理复杂度低的子块获得较低的采样率,并用SAMP(Sparsity Adaptive Matching Pursuit)算法实现重构。仿真结果显示,所提方法能够有效地解决块效应问题,尤其对于局部图像而言,重构图像的画质得到了明显改善。     

基于差分的稀疏度自适应重构算法

针对压缩感知贪婪迭代重构算法要求给定信号稀疏度或迭代阈值的缺点,提出一种基于差分的稀疏度自适应重构算法.该算法在信号稀疏度未知的情况下,利用测量矩阵Φ与残差的相关系数的变化的不均衡特性,来选择重构信号的支撑集,以此逼近原始信号的稀疏度,达到重构的效果.仿真结果表明,在相同采样率下,文中算法可以获得较好的重构效果,尤其在采样率较低(采样率≤0.5)的情况下,这种优势更加明显.     

基于稀疏带状矩阵的二维图像重建

压缩传感（Compressed Sensing,CS）是数据采样同时实现压缩的新理论、新技术。针对大图像重构时采用的测量矩阵维数高,所需存储空间过大的问题,引入稀疏带状概念,提出了稀疏带状测量矩阵,可减少测量矩阵独立随机元,根据图像按列逐步处理的方式,测量矩阵维数大大降低。实验结果表明基于稀疏带状测量矩阵的逐列图像重构算法在保证重建质量的情况下,计算速度也大大提升。     

基于互交替投影的块稀疏正交匹配追踪算法

针对块稀疏信号,理论分析和实验验证均表明算法精确重构的充分条件与矩阵块相关性和子相关性有关。在此基础上,提出了一种基于互交替投影的块稀疏正交匹配追踪算法(mutual alternating projection-block or-thogonal matching pursuit,MAP-BOMP)。该算法利用互交替投影方法不断构造新的测量矩阵和感知矩阵,使得矩阵块相关性和子相关性都很小,从而提高重构概率,并给出明确的算法收敛条件,降低了计算复杂度。通过与大多数已有块稀疏信号重构算法进行实验仿真对比,该算法在重构效果和重构速度上均优于其他算法。     

图像自适应分块的压缩感知采样算法

目的 在图像压缩感知过程中,不管是整体采样还是固定分块采样,都不能充分利用图像的稀疏性,存在采样率与图像重构质量的矛盾。提出了一种基于图像纹理变化的自适应分块感知采样算法ABCS(adaptive block compressed sensing),再结合JPEG量化思想,在不降低图像重构质量的前提下降低采样率,更大地提高压缩比。方法 首先进行图像预分块,计算分析各块纹理复杂度,当图像块纹理复杂度低于相应阈值,选择最佳采样率对各块观测采样,当图像块纹理复杂度高于相应阈值,需再分块,重复上述步骤,达到最小16×16块时停止分块。当最小块的纹理复杂度高于最大阈值采用JPEG量化编码,其他块选择匹配的采样率,以压缩感知方式压缩。结果 ABCS算法与典型的压缩感知重构算法结合并与其原始算法比较,在相近采样率条件下,图像重构质量提高明显,尤其在低采样率下性能更佳,如20%采样率下重构图像PSNR值达到30 dB左右。结论 提出的自适应的分块采样充分利用图像的稀疏分布,提高压缩感知的效率;高复杂纹理块采用JPEG编码处理,避免了重构质量差的缺点,同时减少了重构时间。     

基于块稀疏度估计的压缩感知自适应重构算法

块稀疏信号是一类具有特殊结构的稀疏信号。针对块稀疏信号块稀疏度未知的情况,提出了一种基于块稀疏度估计的自适应重构算法并将其应用于压缩感知。算法首先对信号的块稀疏度进行初步估计计算得到一个支撑块索引集合的估计值,利用得到的估计值对残差进行初始化;接着对测量矩阵的子块和当前残差进行相关性匹配操作以选取信号的支撑块集合;然后依据正则化原则再次对由相关性匹配操作得到的信号支撑块集合进行筛选;最后通过迭代过程获得信号最终的支撑块集合。仿真实验结果表明,提出的算法与现有的块稀疏信号自适应重构算法比较,具有较好的重构成功概率,且算法的平均运行时间更短。     

Contourlet域方向子带稀疏表示的图像压缩感知

为了提高压缩感知中图像的稀疏表示性能, 提出了一种Contourlet域方向子带稀疏表示的图像压缩感知算法。将图像Contourlet分解后的多个高频子带根据方向正交特点进行重组, 采用随机高斯矩阵对重组后的子带分别进行测量, 实现压缩采样; 利用正交匹配追踪法重建各子带系数, 并进行Contourlet反变换重构原图像。实验结果表明, 在相同采样率下, 算法重构图像的主观视觉效果和峰值信噪比都优于小波压缩感知算法。     

分段迭代匹配追踪图像重构算法

目的 压缩采样匹配追踪（CoSaMP）算法虽然引入回溯的思想,但其原子选择需要大量的观测值且在稀疏度估计不准确时,会降低信号重构精度,增加重构时间,降低重构效率。为提高CoSaMP算法的重构精度,改善算法的重构性能,提出了一种基于广义逆的分段迭代匹配追踪（StIMP）算法。方法 为保证迭代时挑选原子的精确性和快速性,对观测矩阵广义逆化,降低原子库中原子的相干性;原子更新结合正交匹配追踪（OMP）算法筛选原子的准确性与CoSaMP算法的回溯性,将迭代过程分为两个阶段：第1阶段利用OMP算法迭代K/2次;第2阶段以第1阶段OMP算法迭代所得的残差和原子为输入,并采用CoSaMP算法继续迭代,同时改变原子选择标准,从而精确快速地重构出稀疏信号。结果 对于1维的高斯随机信号,无论在不同的稀疏度还是观测值下,相比于OMP、CoSaMP、正则化正交匹配追踪（ROMP）算法和傅里叶类圆环压缩采样匹配追踪（FR-CoSaMP）算法,StIMP算法更加稳健,且具有更高重构成功率;对于2维图像信号,在各个采样率下,StIMP算法的峰值信噪比（PSNR）均高于其他重构算法,在采样率为0.7时,StIMP算法的平均PSNR值比OMP、CoSaMP、ROMP和FR-CoSaMP算法分别高2.14 dB、1.20 dB、3.67 dB和0.90 dB,平均重构时间也较OMP、CoSaMP和FR-CoSaMP算法短。结论 提出了一种改进的重构算法,对1维高斯随机信号和2维图像信号均有更好的重构效率和重构效果,与原算法和现有的主流图像重构方法相比,StIMP算法更具高效性和实用性。     

基于局部颜色空间特征的图像检索

基于图像中主要物体的尺寸动态地对图像分块来获得颜色的空间分布特征,并选取了符合人眼感知特性的HSV颜色空间进行非均匀量化,提取各个分块的主色及其所占的百分比作为颜色综合特征矢量,根据所提出的综合特征矢量给出相应的相似度计算方法,同时构造出相似矩阵进行基于颜色内容的图像检索,能通过调整各个分块的权值来进一步提高检索的精度,最后将文中提出的方法与传统的全局直方图方法相比较,可知文中的方法因为利用了动态分块的方法,考虑了颜色的空间信息以及权值的调整,从而取得了比较好的检索结果。     

使用二分图邻接矩阵的压缩传感图像快速重建

针对压缩传感中高维投影计算采用稀疏性较差的普通随机测量矩阵,从而导致计算复杂度高,重构性能不佳这一难题,提出一种基于二分图邻接矩阵的压缩传感图像快速重建算法。该算法在满足测量矩阵的RIP条件下,充分利用二分图邻接矩阵的稀疏性与二值性,将时间复杂度由传统算法的O(N·logN)降低至O(N)。实验结果表明,算法在保证图像重构质量情况下大大提高了运算性能,尤其对于色彩(灰度)变化平缓图像,该算法性能更加优越。     

基于子块的区域生长的彩色图像分割算法

提出了一种基于图像子块的区域生长算法,应用于彩色图像分割。首先将图像划分成多个不重叠子块,然后利用从CIE L*a*b*颜色空间中提取出的每个子块的颜色和纹理特征,先进行子块内颜色聚类,达到子块分类的目的,再根据生长准则进行基于分类子块的区域生长,实现对自然彩色图像的分割。实验结果证明了算法的有效性,分割结果符合人的主观感知。     

基于样本扩充和改进2DPCA的单样本人脸识别

针对大多数人脸识别方法在单个训练样本条件下识别性能下降的问题,提出了结合多种样本扩充方法和改进二维主成分分析(2DPCA)的人脸识别算法。通过分析各种样本扩充方法的优缺点,用多种样本扩充方法来生成虚拟样本,以充分利用单一样本所提供的信息。采用改进的2DPCA方法对生成的虚拟样本进行特征提取,对训练样本进行分块,并用类内平均值规范后的分块来构造总体散布矩阵。在ORL和Yale人脸库上的实验表明,所提出的方法在识别性能方面优于普通的2DPCA方法,优于单一的样本扩充方法。     

Self-adaptive sampling rate assignment and image reconstruction via combination of structured sparsity and non-local total variation priors

Compressive sensing (CS) is an emerging approach for acquisition of sparse or compressible signals. For natural images, block compressive sensing (BCS) has been designed to reduce the size of sensing matrix and the complexity of sampling and reconstruction. On the other hand, image blocks with varying structures are too different to share the same sampling rate and sensing matrix. Motivated by this, a novel framework of adaptive acquisition and reconstruction is proposed to assign sampling rate adaptively. The framework contains three aspects. First, a small part of sampling rate is employed to pre-sense each block and a novel approach is proposed to estimate its compressibility only from pre-sensed measurements. Next, two assignment schemes are proposed to assign the other part of the sampling rate adaptively to each block based on its estimated compressibility. A higher sampling rate is assigned to incompressible blocks but a lower one to compressible ones. The sensing matrix is constructed based on the assigned sampling rates. The pre-sensed measurements and the adaptive ones are concatenated to form the final measurements. Finally, it is proposed that the reconstruction is modeled as a multi-objects optimization problem which involves the structured sparsity and the non-local total variation prior together. It is simplified into a 3-stage alternating optimization problem and is solved by an augmented Lagrangian method. Experiments on four categories of real natural images and medicine images demonstrate that the proposed framework captures local and nonlocal structures and outperforms the state-of-the-art methods.     

一种基于分块压缩感知的鲁棒图像散列算法

图像散列算法是一种把数字图像映射为一个基于内容的简短二进制比特串的技术,它具有鲁棒性、安全性、紧凑性和单向性等特点,已被广泛应用于图像鉴别与图像识别领域中。本文提出一种基于分块压缩感知的鲁棒图像散列算法,其设计利用了压缩感知采样阶段的计算保密及线性运算的特点。该算 法通过对图像进行分块,利用压缩感知理论在密钥的控制下将图像块随机投影为一个测量值向量序列,并把每个测量值向量量化为一个比特,得到一个长度可由分块策略调整的二进制散列值。实验结果表明,本文算法在鲁棒性、安全性和运算速度等方面具有良好的性能。     

Block Compressed Sensing Using Random Permutation and Reweighted Sampling for Image Compression Applications

Block compressed sensing (BCS) has great potential in image compression applications for its low storage requirement and low computational complexity. However, the sampling efficiency of traditional BCS is very poor since some blocks actually are not sparse enough to apply compressed sensing (CS). In order to improve the sampling efficiency, a novel BCS with random permutation and reweighted sampling (BCS-RP-RS) for image compression applications is proposed. In the proposed method, two effective strategies, including random permutation and reweighted sampling, are used simultaneously to guarantee all blocks of image signals sparse enough to apply CS. As a result, better sampling efficiency can be achieved. Simulation results show that the proposed approach improves the peak signal-to-noise ratio (PSNR) of the reconstructed-images significantly compared with the conventional BCS with random permutation (BCS-RP) approach.     

结合KL距离与图像域分块的SAR图像分割

提出一种结合KL(Kullback-Leibler)距离和图像域分块的SAR图像分割算法.首先,利用规则划分技术将图像域划分成若干规则子块,以子块为处理单元,假设子块内像素服从高斯分布,并构建特征场概率模型;其次,采用广义Potts模型定义刻画邻域子块相关性的标号场概率模型,根据贝叶斯定理,得到后验概率模型;再次,采用KL距离定义刻画同质区域间统计分布差异的异质性系数,并通过非约束吉布斯表达式构建概率分布函数,结合后验概率和吉布斯概率分布函数建立图像分割模型;然后,设计M-H(Metropolis-Hastings)采样方法,包括改变子块标号操作和分裂子块操作,模拟上述分割模型,从而获得最优分割结果;最后,通过对所提出算法和对比算法的SAR图像分割结果进行分析,充分验证了所提出算法的有效性和优越性.     

序列图像的非局部均值超分辨率重建算法及GPU实现

针对序列图像超分辨率重建非局部均值(Non-Local Means, NLM)算法重建结果图像边缘区域过平滑的问题,提出了一种局部参数自适应改进方法,首先将整幅图像划分为图像子块,然后根据图像子块平均像素信息计算出其对应的滤波参数, 这样有助于减少因整幅图像使用统一滤波参数而导致的某些高频信息的丢失。实验结果表明,和经典NLM重构算法相比,改进算法重建出的结果图像的轮廓边缘更清晰,字符辨识度更高;在算法实现方面,图像重构程序在CPU/GPU平台上实现,使用GPU并行化加速的程序比单CPU运算的程序,加速比最高可达到30倍,显著缩短重构程序计算时间,提高了该图像超分辨率重建算法应用于实际场所的可能性。     

基于可视色差与区域生长的彩色图像分割

提出了一种基于可视色差和分块区域生长的彩色图像分割算法,首先将待处理图像划分成若干大小相同的子块,在CIEL*a*b*颜色空间中计算每个子块的色彩均值和方差值,根据方差值对子块分类,利用可视色差对颜色均匀子块分类、合并,获得初始分割区域,利用四叉树算法对纹理子块分裂合并,然后从初始分割区域开始生长、合并,并删除小颜色块。实验结果证明了算法的有效性,分割结果符合人的主观感知。