DMD编码哈达玛变换高灵敏成像

为了增强探测器在微弱光信号条件下的成像质量,提出了一种利用哈达玛变换(Hadamard Transform,HT)实现高灵敏探测的成像方法。基于探测器噪声独立于信号,且每次测量噪声也相互独立的假设,分析了在哈达玛编码成像与经典成像中,噪声对图像信噪比的影响。推导出编码成像的信噪比提升与编码模板长度n有关,约为经典成像信噪比的n/2 倍。同时采用分区编码的方式,减小了高分辨率图像的编码时间。实验结果表明,与经典成像方式相比,采用分区编码的哈达玛变换成像方法明显的提高了图像的信噪比,同时可以在高分辨率图像条件下,缩短编码时间。     

一种改进的基于区域梯度——能量的图像融合方法

针对区域梯度法、区域能量法重构图像峰值信噪比较低、均方根误差较高的现象,提出了一种改进的基于区域梯度-能量的压缩感知图像融合方法。该方法首先构造正交小波变换矩阵,并使用小波变换使图像稀疏化,然后采用哈达玛矩阵作为测量矩阵对稀疏信号进行测量得到测量值,分别计算测量值对应的梯度值及能量值,依据绝对值取大法及加权平均法对测量值进行融合,最后对融合后的测量值进行图像重构。实验结果表明,该方法比单独使用区域梯度法或区域能量法具有较好的图像融合效果。     

哈达玛变换光谱仪压缩系统研究

基于数字微镜器件（Digital Micro-mirror Device,DMD）的哈达玛变换光谱技术是一种新型的光谱成像技术,在国内很少有专门的文献介绍[1-3]。文中先介绍了本实验采用的哈达玛光谱仪样机的原理以及哈达玛成像光谱仪优于传统模板的独特之处,即获得多通道高能量高信噪比的光谱数据,然后描述对采集到的数据做高信噪比,高分辨率压缩处理,最后说明此方法实时性强、图像失真小、实用价值高、应用范围广。     

基于压缩感知高反光成像技术研究

高反光物体成像时反射的光强容易超出传感器接收光强的最大量化值,使得采集图像部分区域图像失真,严重影响信息传递。为了改善高反光成像饱和区域中数据丢失的状况,该文结合压缩感知这一新的采样理论提出基于压缩感知高反光成像方法,利用特定测量矩阵对目标图像进行线性采样,将CCD图像传感器的单个光强采样值与测量矩阵中的分布数据对应结合,对整合后的数据用算法进行恢复重建实现被测目标在高光环境中成像。以峰值信噪比和灰度直方图作为客观评定标准。实验表明,该成像方法鲁棒性较强、可行性较高,直方图检测饱和像素占比为0%,峰值信噪比为58.37 dB实现了在高光环境下不含饱和光成像,为压缩感知在成像应用中提供了新的方向。     

基于线性混合模型的高光谱图像分布式压缩感知

为了实现高光谱图像的有效压缩采样与重构,对分布式压缩采样的高光谱数据应用线性混合模型进行重构。首先,在图像采集阶段,针对高光谱图像的空谱特性,应用分布式压缩采样策略对高光谱数据进行采集;在数据重构阶段,应用高光谱图像的线性混合模型假设,先对压缩数据进行端元数目的估计,再利用估计的端元数来估计丰度矩阵,根据端元特征信号的稀疏性质提取端元矩阵,从而重构出原始的高光谱数据,抛弃了压缩感知重构算法中高计算复杂性的欠定问题求解。实验结果表明:在压缩采样数据为总数据的20%时,重构的平均信噪比比压缩投影主成分分析算法提高了15 dB以上,同时该方法还便于获得端元和丰度信息。所设计的压缩感知方案采样方式简单,重构速度快、精度高,可应用于星载或机载的高光谱压缩感知成像。     

基于自适应非线性网络的压缩感知重构算法

针对传统压缩感知(CS)进行复杂的迭代运算,重构时间长且质量差等问题,结合深度学习方法,提出一种自适应非线性测量卷积神经网络(NMECNN)的压缩感知重构算法。本算法将图像整体宽高进行压缩,作为测量网络替代传统的随机测量矩阵进行图像重建,同时利用多个扩张卷积层和上采样PixelShuffle方法获取图像不同尺度细节信息。通过与其他文献进行实验对比,本算法在不同采样率下,平均峰值信噪比(PSNR)分别高于MSRNets算法1 dB,0.7 dB,0.82 dB,1.61 dB;结构相似性(SSIM)值分别高0.03,0.04,0.24,0.10个单位,重构时间在CPU上比MSRNet算法快0.175 5 s, 0.399 8 s,0.41 s,0.396 s。最后通过大数据集与噪声实验,验证了本算法图像重构质量明显提高,重构时间大幅缩短,具有很强的抵抗噪声攻击能力。     

基于深度学习的二值测量矩阵自适应构建方法

在基于压缩感知的计算鬼成像领域中,测量矩阵的设计问题一直是被研究的对象.理想的测量矩阵需要满足较高的采样效率、较好的重构效果和较低的硬件实现要求.为了减轻测量矩阵的设计与实现难度,提出了一种基于深度学习的二值测量矩阵的构建方法.该方法通过卷积操作模拟图像的压缩采样过程,并利用设计的采样网络对图像数据进行训练,以自适应的方式对测量矩阵进行迭代更新.仿真与实验结果表明,构建的测量矩阵能够在较低采样率条件下得到高质量的重构图像,进一步促进了计算鬼成像的实际应用.     

基于CCD图像传感器的压缩成像方法北大核心CSCD

压缩感知理论将信号采样和压缩同时进行,且采样频率远低于奈奎斯特频率,为低分辨率采样高分辨率成像提供了可能。为此,提出一种基于CCD图像传感器的压缩成像方法,利用CCD图像传感器模拟像素值串行输出不可重复使用的特点,对图像进行单次测量,构造半循环半随机测量矩阵对CCD图像传感器输出的模拟值进行压缩测量,基于增广拉格朗日法和交替方向法的最小全变分算法(TVAL3)算法解压缩重构图像。该成像方法测量矩阵的稀疏性较强,能较好地恢复原始图像,同时模拟/数字负担及量化编码的复杂度大大降低,成像系统结构简单,实用性强。仿真结果表明,所提成像算法重构的图像主客观质量较好。     

压缩感知重构算法在“鬼”成像中的应用研究

“鬼”成像（GI）提供了一种用常规手段很难达到的特殊的获取图像方法,在量子光学领域是近些年来的前沿和热点之一。本文中,主要研究压缩感知（CS）的重构算法在“鬼”成像中的应用。我们使用具有高斯分布的热光源强度分布,来作为压缩感知的测量矩阵,分别以离散余弦变换(DCT)和离散小波变换(DWT)作为压缩感知中图像物体的稀疏矩阵,利用正交匹配追踪算法,最终获得基于压缩感知重构算法的“鬼”成像。研究结果表明,压缩比为0.5时,基于离散余弦变换基的压缩“鬼”成像（DCT-CS）和基于小波变换基的压缩“鬼”成像(DWT-CS),比“鬼”成像原始重建算法有超过10dB的峰值信噪比提升;同时,基于DCT-CS算法的重建质量要优于DWT-CS算法。      

联合非均匀采样和压缩感知的图像压缩算法

为了提高图像重构精度,改善纹理区域视觉效果,本文将压缩感知理论与图像压缩相结合,并提出了一种新的采样方法:在编码端对图像高频部分边缘点进行密集采样,对非边缘部分进行随机抽样,取代了传统压缩感知理论中直接使用测量矩阵获得低维观测值的过程。在解码端利用采样点位置信息构造块测量矩阵,使用光滑l0范数（Smoothed l0,SL0）重构算法实现重叠块重构,最终将其与图像低频部分下采样点插值放大结果合并实现高精度重构。实验结果表明:本文算法不仅可以提高整幅图像和纹理区域的重构精度,而且在低采样率或图像尺寸较小的情况下,算法效率也有明显提升。      

Hadamard编码调制关联成像的阈值处理研究

关联成像是一种通过单像素探测器以成像时间换取空间分辨率的新颖成像方案,然而,其存在重建质量低、数据采集时间长的问题。Hadamard编码调制计算关联成像能够实现高效率的成像,显著提高了关联成像方案的适用性,但是其独特的图像噪声集中现象是影响其实用化亟待解决的难题。通过分析Hadamard矩阵作为测量矩阵计算关联成像重建结果的噪声特点,基于图像分割理论,提出了一种利用阈值处理和形态学图像增强的Hadamard编码调制关联成像噪声压制方案,并通过实验验证了该方案的可行性,获得接近8 dB的光学图像增强。该方案对二值图像和灰度图像都有比较好的效果,其工作促进了关联成像技术的实用化。     

基于灰度共生矩阵的多尺度分块压缩感知算法

针对图像边缘与轮廓不能精确重构的问题,提出了一种基于灰度共生矩阵的多尺度分块压缩感知算法。该算法利用三级离散小波变换将图像分解为高频部分和低频部分。通过灰度共生矩阵的熵分析高频部分图像块的纹理复杂度,并根据图像块纹理进行再分块、自适应分配采样率。采用平滑投影Landweber算法重构图像,消除分块引起的块效应。对多种图像进行压缩重构仿真,实验结果表明,无观测噪声情况、采样率为0.1时,本算法在Mandrill图像上得到的峰值信噪比(PSNR)为25.37dB,比现有非均匀分块算法提高了2.51dB。不同噪声水平下,本算法的PSNR比无噪时仅下降了0.41~2.05dB。对于纹理复杂度较高的图像,本算法的重构效果明显优于非均匀分块算法,对噪声具有较好的鲁棒性。     

多层离散小波变换系数的稀疏向量构造的改进

融合离散小波变换和压缩感知的图像压缩方案很好避免了采用离散余弦变换和压缩感知时所带来的块效应,但当前基于单层离散小波变换的算法压缩比较低,基于多层离散小波变换的算法重构质量不佳。为了解决这些不足,根据离散小波变换系数的特点,对现有基于多层离散小波变换的算法提出了改进。图像经小波变换后,保留图像最高层低频系数,高频系数的构造方式给予适当改进。实验结果表明,与现有算法相比,重构图像的PSNR值得到2～4 dB提高。     

基于小波变换和改进SVD的红外图像去噪

针对小波变换红外图像去噪需要已知噪声先验知识的缺点,提出了一种基于分块奇异值分解的正交小波变换红外图像去噪新算法。首先对红外图像进行离散正交小波变换,并对高频图像采用改进的分块奇异值分解估计小波系数,其中对奇异向量采用傅里叶变换进行了修正;最后将低频图像与估计的高频图像通过小波反变换得到去噪图像。仿真结果表明,该图像去噪算法能在无噪声先验知识条件下有效去除图像噪声,信噪比有了明显提高,并获得了良好的主观视觉效果。     

基于图形小波变换的遥感图像表示与去噪

离散小波变换(Discrete Wavelet Transform,DWT)通常用于图像的表示。然而,对于具有不规则形状边缘的图像,尤其是对于纹理和细节信息较多的遥感图像,DWT却很难有效表示,进而影响后续去噪效果。针对该问题,提出了一种基于图形小波变换(Graphic Wavelet Transform,GWT)的图像去噪方法。首先,将图像表示为图形信号,并通过该图形信号的谱表示构造相应的变换矩阵;然后,设计了一种改进自适应阈值的图像去噪方法,在GWT变换域内对图像去噪。实验结果表明,与常用的图像去噪方法相比,所提算法能够提供更好的图像主观质量。采用均方根误差(Root Mean Square Error,RMSE)和峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)作为客观指标,结果表明,采用所提方法得到的重建图像客观质量更优。     

小波模极大值点的信号稀疏表示及重建

作为压缩感知理论的前提,稀疏表示要求信号本身是稀疏的或者在某种正交基下可以稀疏表示。本文针对信号本身及小波变换后均不够稀疏的情况,提出一种基于模极大值点的信号稀疏表示算法。该算法在小波变换的基础上,利用小波分解的结构,对各层高频小波系数通过寻找其模极大值点的方法进行稀疏化,然后通过测量矩阵得到它的测量值,对测量点数进行熵编码以实现数据压缩传输。解码时,采用正交匹配追踪算法得到模极大值点的估计值,最后通过交替投影法重构出原信号。仿真结果表明,与经典压缩感知算法相比,该算法恢复信号的质量有较大提高,且由于稀疏度增大,所以信号具有更好的可压缩性,实验表明本文算法对复杂信号效果更明显。      

利用边缘信息的多尺度分块压缩感知自适应采样方法

在小波域多尺度压缩感知框架下,被完整保留的低频系数存在着许多可利用的图像信息。本文在分析了不同尺度之间、以及同一尺度之内的系数块存在能量差异的基础上,提出了利用边缘信息的多尺度分块压缩感知自适应采样方法(EAS)。该方法首先利用低频系数提取出边缘信息,然后将边缘信息分块,加权计算每个块的边缘信息度,根据边缘信息度判断每个系数块的能量大小,将其转换成每个子块的自适应采样率,从而实现多尺度分块压缩感知的自适应采样。采用医学图像,含有复杂纹理的自然图像和含有严重噪声的SAR图像三类测试数据,验证了EAS方法的性能。数值实验结果表明,EAS方法对不同的压缩感知算法均有很大的提升,能够显著提高图像的重构质量和视觉效果。