基于稀疏分解的分块图像压缩编码算法

以压缩感知理论为基础,将匹配追踪(Matching Pursuit,简称MP)算法运用到图像的压缩编码中.首先,阐述了原子库的构建方法,之后,采用分块感知压缩图像分解方法,降低了分解的运算复杂度,最后,针对传统MP算法编码率不高的问题,利用MP原子能量与位置分布特点,对原子系数和位置参数进行编码,并提出了MP原子编码方法.实验结果表明,采用分块感知压缩图像分解方法,能有效地降低稀疏分解的计算复杂度,其压缩编码方法在保持传统MP图像编码优势的前提下,能有效地提高编码性能和编码率,体现了稀疏分解较传统分解方法的优势.     

基于切片映射张量分析的高光谱图像压缩

高光谱图像拥有着巨大的数据量,给数据的存储和传输带来了巨大的压力,因此高光谱图像的有效压缩具有重要的实际意义.基于在传统的Tucker张量分解方法,提出一种基于切片映射的张量分解方法,并将其用于高光谱图像的压缩.该方法不仅消除了高光谱图像波段间的谱间冗余,还消除了每个波段上的空间冗余.所提议方法的最大特点是对传统的高光谱图像数据张量逼近方法进行了GLRAM算法三维推广的改进,使其计算复杂度显著减小,从而有效缩短了高光谱图像的压缩时间.同时,在一定的压缩比的情况下,通过所提议的方法可以查询找到一个最佳的核心张量的维度——(K_1,K_2,K_3),使其信噪比达到最大.真实高光谱数据的实验结果表明,所提议的算法较现有方法表现出了更好的压缩效果,并且具有很高的信噪比.     

基于张量分析和小波包变换的高光谱图像压缩

高光谱图像拥有巨大的数据量,造成其保存和传输非常不便,因此高光谱图像的压缩显得尤为重要.提出一种基于张量Tucker分解和小波包变换的高光谱图像压缩算法.首先,该算法利用Tucker分解的性质,充分提取高光谱图像中各个模式下的信息,并利用其中包含有空间信息的光谱模式对高光谱图像的光谱维进行解相关.然后,运用比经典Mallat小波分解更为有效的小波包变换对光谱去相关后保留下来的主成分进行JPEG2000压缩.实验结果表明,本算法压缩性能远远好于经典的三维小波算法,并且由于张量分解的应用,不论在码率失真表现还是信息保真度上,本算法均比基于一维主成分分析的高光谱压缩算法更具优势.     

结合随机投影和稀疏表示的图像融合方法

引入压缩感知理论解决基于稀疏表示的图像融合方法中融合质量和数据压缩问题,探索在达到一定融合质量的同时降低融合所需计算代价的方法.该方法首先利用随机投影对待融合图像数据进行压缩,再对压缩数据进行稀疏表示得到稀疏系数,根据融合影响因子确定融合稀疏表示系数获得融合图像.实验验证了该算法的合理性和有效性,及在较低压缩比下具有与传统方法可比拟的融合质量.     

稀疏分解及其在图像压缩中的应用研究

主要针对涉及图像稀疏分解及其在压缩中应用的关键问题进行研究,研究内容集中在图像稀疏分解的快速算法、图像稀疏分解的效果及如何更好地把稀疏分解的结果数据应用到图像压缩编码中。在理论上,提出了稀疏分解中过完备原子库的集合划分。基于集合划分方法提出了基于FFT的稀疏分解算法和改进算法。针对基于FFT的稀疏分解算法的不足,提出了基于FHT的稀疏分解算法。利用智能计算方法(如遗传算法、蚁群算法、量子遗传算法和粒子群算法等)实现图像稀疏分解。使计算速度基本能够满足需要。在稀疏分解的基础上,分析了分解数据的分布规律,针对其分布和低比特率图像压缩的要求,提出了多种压缩编码方案,如对结果数据排序差分编码方法和指数预测编码方案。     

基于块稀疏表达模式的高光谱图像压缩

针对高光谱图像压缩算法存在的解码端计算复杂度高,且没有充分考虑高光谱图像结构特征信息等问题,提出了一种基于块稀疏表达模式的高光谱图像压缩方法.主要通过在编码端利用结构字典对稀疏系数进行结构化压缩编码,避免解码端非线性重构,以达到缩短高光谱图像重构时间的目的.实验证明该方法在压缩比较低(0.015 9)时依然能获得较高的重构精度(峰值信噪比为22.240 3,结构相似度为0.511 4).     

一种压缩感知下的NSCT-Zernike的鲁棒数字水印方案

为了达到水印抗几何攻击鲁棒性高的要求,提出一种在压缩感知下的非下采样轮廓波变换结合伪Zernike矩的鲁棒数字水印方案. 利用非下采样轮廓波变换对载体图像进行三层分解提取其低频分量,通过一维离散小波变换对低频分量进行稀疏化以获取稀疏基,构造稀疏基的测量矩阵,并对其进行压缩感知处理得到新的低频分量,计算其Zernike矩,通过量化调制正则化伪Zernike矩幅值的方式将水印信息嵌入. 利用正则化正交匹配追踪算法进行图像压缩感知的重构. 仿真与实验分析表明,当峰值信噪比达到40 dB以上时,本文算法提取水印的NC值和误码率较为理想.      

基于NSCT变换和压缩感知的图像融合

针对NSCT变换分解得到的各个方向子带稀疏度不同的问题,文中提出了1种基于改进的CS_NSCT图像融合方法。首先对待融合图像进行NSCT分解,接着对得到的高频分量采用自适应的压缩感知方法进行压缩,并在压缩域融合后重构;对低频分量采用DCT能量准则融合,最后对融合后的高低频分量进行NSCT重构。仿真实验结果表明,文中方法在减少了数据量的同时有效提高了图像的熵值、标准偏差、平均梯度等指标。     

基于迭代加权L1正则化的高光谱混合像元分解

为了提高高光谱图像混合像元分解的精度,对基于稀疏性的线性混合像元分解方法进行研究。采用一种迭代加权的L1正则化方法进行高光谱混合像元分解,给出相应的模型和算法。通过引入多步加权L1优化求解过程,且根据当前解修正下一步迭代的权值,能更好地利用混合像元丰度系数的稀疏性。试验结果表明,基于迭代加权L1正则化的高光谱混合像元分解精度比基于传统L1正则化的方法高,特别适用于信噪比较高的高光谱图像。     

一种基于贝叶斯压缩感知的图像修复方法

图像修复是利用图像中已知区域信息对破损区域进行信息填充,以弥补信息的损失.传统的修复方法依赖图像的结构来确定,使图像达到人眼主观可以接受的程度.基于贝叶斯压缩感知的图像修复方法首先对受损图像进行稀疏变换,利用贝叶斯压缩感知得到稀疏系数的后验分布函数,求得分布函数的均值和方差,将均值作为图像的稀疏系数的估计,方差作为噪声的估计.仿真结果验证了该方法可以提高图像的修复质量.     

基于压缩感知观测值的数字图像水印算法

根据压缩感知理论具有计算保密性这一特点,提出一种新的基于压缩感知观测值的数字图像水印算法.首先对载体图像进行小波变换,得到稀疏后的小波系数矩阵;然后对小波系数矩阵的不同频率部分,用不同的观测矩阵进行压缩感知,得到压缩后的观测值;再将水印嵌入至小波高频系数部分的观测值中,使用子空间追踪算法恢复稀疏信号,进而通过小波反变换得到加密图像.实验结果表明:该算法具有信息安全性,能满足水印不可见性和鲁棒性要求;相比同类算法,该算法的水印提取过程更加灵活与安全.     

基于压缩感知观测值的数字图像水印算法

根据压缩感知理论具有计算保密性这一特点,提出一种新的基于压缩感知观测值的数字图像水印算法.首先对载体图像进行小波变换,得到稀疏后的小波系数矩阵;然后对小波系数矩阵的不同频率部分,用不同的观测矩阵进行压缩感知,得到压缩后的观测值;再将水印嵌入至小波高频系数部分的观测值中,使用子空间追踪算法恢复稀疏信号,进而通过小波反变换得到加密图像.实验结果表明:该算法具有信息安全性,能满足水印不可见性和鲁棒性要求;相比同类算法,该算法的水印提取过程更加灵活与安全.     

顺序小波包图像压缩感知方法

针对压缩感知中测量次数不确定的问题,提出了顺序小波包图像压缩感知方法.该方法选用小波包变换分解图像,降低信号稀疏度,将图像划分为大小相等的小波包系数块,利用小波包系数块数学期望与稀疏度之间的关系,对初始采样信号y0的长度进行预测;同时变长设置顺序压缩感知过程中采样信号y1,…,yn的长度,来减少解压缩端重构次数以及两端的通信次数,从而解决传统顺序压缩感知方法中存在的不足.实验表明该方法在重构次数和重构精度上优于传统顺序压缩感知方法.     

基于压缩感知的图像水印算法研究

提出一种基于压缩感知和非采样Contourlet变换的数字图像水印算法.首先使用NSCT变换对载体图像进行稀疏分解,对低频系数矩阵进行Arnold置乱;然后采用高斯观测矩阵对系数矩阵进行压缩感知测量,在感知域(压缩信号)中进行水印嵌入;最后使用OMP算法恢复重组的低频矩阵信号,使用NSCT逆变换重构图像.算法中,测量矩阵同时充当了密钥的作用,增强了算法的安全性,此外Arnold变换也增强了水印的不可见性和安全性.仿真实验证明,所提算法对加噪、滤波、旋转具有较高的鲁棒性.     

基于小波分解的语音自适应压缩感知

根据语音信号经过小波分解后低频分量和高频分量的特点,提出分别对他们进行自适应压缩感知。首先对信号的低频分量用训练的过完备基进行稀疏分解,降低了稀疏分解过程中的计算量。然后详细描述了改进自适应观测矩阵的产生,以及对低频和高频分量分别进行自适应观测。最后通过OMP重构算法分别对低频和高频分量进行重构,通过小波合成还原出原始信号。实验表明,语音信号在基于小波分解的自适应压缩感知方案中具有良好的重构性能。     

基于小波稀疏基的压缩感知遥感图像融合算法

针对遥感图像融合提出了一种基于小波稀疏基的压缩感知算法,该算法利用IHS变换法得到的高空间分辨率融合图像有尖锐边缘及小波变换能较好的保持光谱信息的优势,将多光谱图像的I分量和全色图像进行小波变换;根据其高低频分量的特点,对其低频分量采用小波稀疏基的系数加权融合法,高频分量采用边缘提取法分别进行融合,最后进行小波逆变换和IHS逆变换得到最终融合结果。实验结果表明,不同的小波稀疏基系数对融合结果有较大的影响,且所选算法的融合效果优于系数最大值法及传统融合方法。     

基于压缩感知的图像自适应编码算法

利用压缩感知理论对图像进行固定采样率的压缩并重构时,由于图像各个块的稀疏程度不同,低采样率很难保证图像各块都具有较高的重构质量,而高采样率又会造成资源的浪费.为了解决上述问题,提出了一种基于压缩感知的图像自适应编码算法,该算法首先判断图像各块在DCT域的稀疏度,然后根据判断结果对图像各块进行自适应的压缩采样,从而确保图像在较低采样率下能获得较高的重构质量.实验结果表明,运用所提自适应编码算法在采样率平均值为44%时,重构图像的平均PSNR值可达到35,dB以上,并且重构图像所有块的PSNR值分布比较集中,从而使得图像具有较好的主观质量.     

基于CS与K-SVD的欠定盲源分离稀疏分量分析

为了提高盲源分离的准确率,提出了结合压缩感知(CS)与K均值奇异值分解(K-SVD)的稀疏分量分析方法进行盲源分离.首先,分析欠定盲源分离估计源信号与压缩感知问题的等价性,建立压缩感知框架;其次,在此框架下利用K-SVD方法训练稀疏字典;最后利用经典追踪算法计算得到稀疏分量,结合传统的两步法,进行盲源分离.大量实验表明...     

基于主元分析和压缩感知的人脸识别算法

针对压缩感知理论中的核心问题,即如何通过有限的测量值以较高的重建率重构稀疏信号,提出了基于主元分析和压缩感知的人脸识别方法（PSL0）.该算法利用双向二维主成分分析提取图像行列2个方向的特征并进行降维,建立反映人脸特征投影矩阵,作为压缩感知算法的超完备基,将每一幅待识别图像的特征向量作为测量值,用基于平滑l0范数快速稀疏表示（SL0）算法求解l0范数最小化问题,寻求图像在该超完备基上的稀疏表示,以得到一组最优稀疏系数重构各类图像,求取测试图像与各类重构图像的最小残差进行分类识别.实验结果表明,该算法在同类算法中获得了较高的人脸识别率及较好的重建效果.     

基于边缘提取与图像融合的压缩感知补偿算法

针对测量数据极稀疏情况下,某些压缩感知方法在多种类噪声干扰环境下进行图像传输存在重构效果模糊、图像细节欠佳的问题,提出1种基于图像边缘提取与融合技术的压缩感知补偿算法.首先,在发送端预提取图像边缘特征作为压缩感知测量值的重要补充,随后,在接收端进行边缘解码与压缩感知重构,最后,使用空间域方法实现2者融合.实验结果表明,该方法可以以较小的传输代价获得更加清晰、全面的图像细节特征,可增强原算法抵抗噪声、尤其是稀疏性噪声的能力,具有一定的应用价值.