基于非局部相似性和交替迭代优化算法的图像压缩感知

压缩感知理论突破了信号带宽对奈奎斯特采样定理的限制,并且实现了在数据采样的同时进行压缩。目前压缩感知系统通常利用图像在某个变换域具有稀疏性的先验知识,从少量观测值中重构原始图像。本文利用图像像素的邻域结构信息及图像子块的相似性,将图像的非局部相似性作为先验知识运用到压缩感知图像重构中。结合图像的非局部相似性及其在变换域的稀疏性先验知识,提出了基于非局部相似性和交替迭代优化算法的图像压缩感知重构算法,该算法利用迭代阈值法和非局部全变差来交替迭代求解变换域的稀疏性优化问题和非局部相似性的优化问题。实验结果表明,本文算法可以有效提高图像重构的视觉效果和峰值信噪比。      

融合解析模型和综合模型的压缩感知算法

如何利用更多的图像先验知识来提高图像的重构质量是压缩感知的一个关键问题.本文将综合稀疏模型与近几年提出的Cosparse解析模型结合,利用图像在综合字典和解析字典下的稀疏性提出了一种融合两种稀疏先验的图像重构算法,并利用交替方向乘子法(ADMM)求解对应的复杂优化问题.为进一步提高算法性能,该算法还充分利用了图像中任意位置图像块的稀疏性.实验结果表明,本文算法能有效提高图像重构质量.     

基于非局部相似块低秩的压缩感知图像重建算法

传统的压缩感知重建算法利用信号在某个特征空间下的稀疏性构建目标优化函数,但没有充分考虑信号的局部特性和结构化属性,影响了算法的重建性能和算法的适应性.本文考虑图像的非局部自相似性(NonlocalSelf-Similarity,NLSS),提出一种基于图像相似块低秩的压缩感知图像重建算法,将图像恢复问题转化为聚合的相似块矩阵秩最小问题.算法以最小压缩感知重建误差为约束构建优化模型,并采用加权核范数最小化算法(Weighed Nuclear Norm Minimization,WNNM)求解低秩优化问题,很好地挖掘了图像自身的信息和结构化稀疏特征,保护了图像的结构和纹理细节.多个测试图像、不同采样率下的实验证明了算法的有效性,特别是在低采率下对于纹理较为丰富的图像,提出的算法图像重建质量较明显的优于最新的同类算法.     

基于变分模型的块压缩感知重构算法

为了提高现有块压缩感知重构算法的性能,提出了基于全变分和混合变分模型的块压缩感知（简称BCS-TV和BCS-MV）算法。该方法以块为单位进行图像采样,以自然图像正则项的稀疏性为先验条件,通过变型的增广拉格朗日交替方向乘子法(ALM-ADMM),在整幅图像范围内逼近目标函数来重构原始图像。与以前基于一致性块采样的压缩感知工作对比,该算法的PSNR约提高1.5 dB,SSIM约提高0.05,运行速度较稳定,特别适合具有固定传输时延的多媒体数据处理场合。     

基于非局部相似度约束的多通道复用压缩遥感成像方法

结合压缩感知成像原理和遥感成像系统的物理可实现性,提出了采用掩膜编码的多通道复用压缩成像方法.首先,采用多组随机二值伯努利分布的掩膜为不同光学通道视场进行压缩编码,在单位积分时间内采集重构图像所需的欠采样数据.然后,针对传统的全变分范数最小化的重构方法易受遥感图像局部突出特征干扰的问题,提出了以遥感图像空间域非局部相似度为正则化重构标准的先验约束.实验结果验证了此压缩成像方法的可行性.与传统算法相比,此重构算法能够在保留图像细节的同时实现有效重构.     

基于块稀疏度与自适应迭代的压缩感知方法

针对分块压缩感知算法在平滑块效应时损失了大量的细节纹理信息,从而影响图像的重构效果问题,提出了一种基于块稀疏信号的压缩感知重构算法。该算法先采用块稀疏度估计对信号的稀疏性做初步估计,通过对块稀疏度进行估算初始化阶段长,运用块矩阵与残差信号最匹配原则来选取支撑块,再运用自适应迭代计算实现对块稀疏信号的重构,较好地解决了浪费存储资源和计算量大的问题。实验结果表明,相比常用压缩感知方法,所提算法能明显减少运算时间,且能有效提高图像重构效果。     

基于图像块整体稀疏性与流形投影的压缩成像

如何利用自然图像本身固有的先验知识来提高重构图像质量是压缩成像系统的一个关键问题.本文在压缩成像系统中融合图像块整体稀疏性与流形特性,提出了一种高质量压缩成像算法.在该算法中,图像块由字典稀疏表示,同时还可由一组与图像块位于同一低维流形上的近邻点线性逼近,从而使稀疏重建信号分布在原始信号所处的流形附近.另外本文充分利用了图像中任意位置处图像块的稀疏性先验知识,使得压缩成像算法在低采样率下能重构出质量较高的图像.     

面向压缩感知的块稀疏度自适应迭代算法

块稀疏信号是一种典型的稀疏信号,目前在块稀疏信号的压缩感知问题中,大多数信号重构算法要求信号的块稀疏度已知且算法复杂度高.针对实际应用中信号块稀疏度未知的情况,提出了一种块稀疏度自适应迭代算法,用于信号重构.首先,该算法初始化一个块稀疏度,其值按设定步长进行增加.对每一个块稀疏度的迭代,算法都会找到信号支撑块的一个子集,并修正更新上一次找到的信号支撵块,最后找到信号的整个支撑块,从而重构出源信号.该算法不需要信号的块稀疏度作为先验知识,而且算法复杂度低.仿真实验表明,该算法的重构概率较已有大多数块稀疏信号重构算法的重构概率高,在块稀疏信号的压缩感知问题中具有实际意义.     

视频压缩感知中基于结构相似的帧间组稀疏表示重构算法研究

基于视频帧内图像的非局部相似性和帧间信号的相关性,本文提出了一种基于结构相似的帧间组稀疏表示重构算法（SSIM-InterF-GSR）,有效地提高了视频压缩感知的重构性能.在SSIM-InterF-GSR算法中,提出以结构相似度（SSIM）作为相似块匹配准则,在当前帧和参考帧内搜索匹配块生成相似块组,以相似块组的稀疏性作为正则项重构当前帧.同时,还提出了阶梯递减匹配块个数调整方案用于SSIM-InterF-GSR重构算法的迭代过程.仿真结果表明,相比于目前最好的视频压缩感知重构算法（Up-Se-AWEN-HHP）,本文算法获得了更好的重构质量,最多可提升4~5dB.     

非合作跳频信号参数的盲压缩感知估计

针对非合作跳频通信系统采样速率高,先验信息少等问题,论文提出基于盲压缩感知重构理论参数估计算法。利用稀疏编码与正交基变换交替迭代的思想实现信号精确重构,并根据重构结果直接对跳频信号进行参数估计。与传统的压缩感知理论相比,盲压缩感知理论避免了对信号先验信息的需求,有效解决了非合作通信系统中先验信息少的问题。首先,建立信号模型,然后利用正交块对角盲压缩感知算法（Orthonormal Block Diagonal Blind Compressed Sensing,OBD-BCS）实现信号的重构,并估算出跳变频率及跳变周期。通过实验分析,该方法可以在低信噪比环境下恢复信号原始结构及信息,完成参数估计。      

基于局部自回归模型的压缩感知视频图像递归重建算法

 结合预估和残差补偿的递归重建算法是一种有效的压缩感知视频图像重建算法.针对现有算法中'预估’精度不高的问题,本文基于视频序列中相邻图像的内容相似性和单幅图像的非局部自相似性,分析了相邻图像局部图像块的相似匹配性,并以此作为视频图像的相关性先验,提出了一种基于局部自回归模型的图像预估重建算法.预估算法中当前图像像素点的自回归参数由参考图像中相似图像块的灰度信息通过学习获得.实验结果表明,与同类算法相比,本文预估算法所对应的递归重建算法可获得更高质量的视频图像重建结果.     

半张量积低存储压缩感知方法研究

由于随机观测矩阵的随机性,存在数据存储量大、内存占用率高、数据计算量大以及难以面向大规模实际应用等问题.为此,提出了一种可有效降低随机观测矩阵所占存储空间的半张量积压缩感知（STP-CS）方法.利用该方法,构建低维随机观测矩阵,经奇异值分解（SVD）优化后对原始信号进行采样,并利用拟合0-范数的迭代重加权方法进行重构.实验利用2维灰度图像进行测试,并对重构图像的峰值信噪比,结构相似度等指标进行了统计和比较.实验结果表明,本文所述的STP-CS方法在不改变随机观测矩阵数据类型的前提下,可将观测矩阵减小至传统CS模型中观测矩阵所占内存空间的1/256（甚至更低）,同时仍保持很高的重构质量.     

基于结构组全变分模型的图像压缩感知重建

针对基于传统全变分(TV)模型的图像压缩感知(CS)重建算法不能有效地恢复图像的细节和纹理,从而导致图像过平滑的问题,该文提出一种基于结构组全变分(SGTV)模型的图像压缩感知重建算法。该算法利用图像的非局部自相似性和结构稀疏特性,将图像的重建问题转化为由非局部自相似图像块构建的结构组全变分最小化问题。算法以结构组全变分模型为正则化约束项构建优化模型,利用分裂Bregman迭代将算法分离成多个子问题,并对每个子问题高效地求解。所提算法很好地利用了图像自身的信息和结构稀疏特性,保护了图像细节和纹理。实验结果表明,该文所提出的算法优于现有基于全变分模型的压缩感知重建算法,在PSNR和视觉效果方面取得了显著提升。     

基于非局部稀疏编码的超分辨率图像复原

基于压缩感知的超分辨率图像复原方法通常采用局部稀疏编码策略,对每一图像块独立编码,易产生人工的分块效应。针对上述问题,该文提出一种基于非局部稀疏编码的超分辨率图像复原方法。该算法在字典训练和图像编码过程中分别运用图像的非局部自相似先验知识,即利用低分辨率图像的插值图像训练字典,并通过计算相似块局部编码的加权平均,得到每一图像块的非局部稀疏编码。仿真实验表明,所提算法能够获得更优的复原效果,并且对于含噪图像具有较强的鲁棒性。     

基于图变换和DWT-SVD的鲁棒图像水印算法北大核心CSCD

针对图像水印算法在攻击强度较大时鲁棒性差的问题,提出了一种基于图变换(graph-based transform,GBT)、离散小波变换(discrete wavelet transform,DWT)和奇异值分解(singular value decomposition,SVD)的鲁棒图像水印算法。首先对载体图像进行不重叠分块处理,挑选出像素方差值较高的子块进行DWT得到其低频系数矩阵,然后对低频系数矩阵依次进行GBT和SVD得到奇异值矩阵,最后将水印信息嵌入到奇异值矩阵的最大奇异值中。实验结果表明,Pirate图像结构相似度(structural similarity,SSIM)达到0.97以上时,本文算法能有效抵抗噪声、滤波、JPEG压缩、剪切和交换行列等攻击,归一化互相关系数(normalization coefficient,NC)值均在0.9以上。     

1-Bit压缩感知盲重构算法

1-Bit压缩感知(CS)是压缩感知理论的一个重要分支。该领域中二进制迭代硬阈值(BIHT)算法重构精度高且一致性好,是一种有效的重构算法。该文针对BIHT算法重构过程需要信号稀疏度为先验信息的问题,提出一种稀疏度自适应二进制迭代硬阈值算法,简称为SABIHT算法。该算法修正了BIHT算法,首先通过自适应过程自动调节硬阈值参数,然后利用测试条件估计信号的稀疏度,最终实现不需要确切信号稀疏度的1-Bit压缩感知盲重构。理论分析和仿真结果表明,该算法较好地实现了未知信号稀疏度的精确重建,并且与BIHT算法相比重构精度及算法复杂度均相当。     

基于稀疏正则化结合NLS的超分辨率图像重建

为了保持高光谱(HS)超分辨率重建过程中的频谱一致性和边缘锐度,提出一种基于空间谱结合非局部相似性的超分辨率重建算法。首先,使用HS图像生成模型,采用稀疏正则化解决全色(PAN)图像和HS图像重建的病态问题求逆;然后分析了从高空间分辨率到低空间分辨率数据生成的丰度系数映射;最后利用非局部相似性,设计空间谱联合正则化项。实验结果表明,本文算法重建图像在PSNR,SSIM和FSIM方面明显高于其他优秀算法,在SAM和ERGAS方面明显低于其他优秀算法,在光谱失真方面丢失最少,仅有2%-3%,低于其他算法30%左右,且重建效果更加清晰自然。     

一种基于全变差模型的欠采样图像重构方法

基于全变差范数最小化模型,构造了一种新的图像重构算法;利用欠采样域内的融合信息,结合构造的图像重构算法,提出了一种基于压缩感知理论的图像融合模型.数值实验表明,构造的重构算法与传统算法相比,在一定程度上减少了所需的采样数量;提出的融合模型对多类图像具有较优的融合效果.     

基于专家场先验模型的图像超分辨重建算法

为了进一步提高图像超分辨率重建的质量,针对非局部集中稀疏表示算法中重建图像的噪声问题,提出了一种基于专家场先验模型的图像超分辨率重建改进算法。首先,利用专家场模型从图像训练集中学习整幅图像的先验知识建立全局先验模型;然后将学习到的先验信息用于非局部集中稀疏表示模型求解最优稀疏表示系数;最后,得到高分辨率图像估计。该算法在超分辨率重建迭代运算的同时,同步更新专家场模型参数,因此在不显著增加运算复杂度的情况下,通过选取合适的先验约束,有效地增强了图像重建的效果。实验结果表明:相比非局部集中稀疏表示算法,文中算法对无噪和有噪降质图像均能取得较好的峰值信噪比结果,并且能够进一步提高有噪图像的去噪效果。