基于DFT基的矿井视频监控图像分块压缩感知方法

针对矿井视频监控图像受噪声干扰影响大,采用常规的图像采样和压缩方法存在图像模糊和传输时间过长等问题,提出了一种矿井视频监控图像分块压缩感知方法。该方法通过建立矿井视频监控图像分块压缩感知模型,在井下图像采集节点利用稀疏随机矩阵进行压缩采样,然后在地面监控中心利用正交匹配追踪( OMP )算法重构图像。研究结果表明,采用本文算法的重构图像误差小、重构时间短,所需信号采样点数少;与扰频Hadamard矩阵相比,采用稀疏随机矩阵和高斯随机矩阵作为观测矩阵对图像信号重构的峰值信噪比( PSNR)提高4 dB~5 dB;本文算法与基于小波基的算法相比,信号重构的PSNR提高1 dB~4 dB,重构时间缩短至少80％以上。     

基于压缩感知的改进MPEG-2编码方案

为寻找压缩感知在视频编码上的应用并提高MPEG-2的编码效率,提出了基于压缩感知和MPEG-2的改进方案。该视频编码改进方案从标准重构方法与像素域最小全变分重构算法中选出最终重构方法,使最终重构出的图像具有较小均方误差和。像素域最小全变分重构算法的提出,基于原始图像的梯度比残差图像的梯度更稀疏这个特征。实验结果表明,所提出的方案对于各类序列都有性能的提升。对于有比较锐利边缘物体的序列,平均峰值信噪比(PSNR)提高0.5dB以上;而对于具有较多平坦区域或复杂纹理的序列,平均PSNR也有0.26dB~0.41dB的提高。     

基于分离Bregman迭代协同稀疏性的图像压缩感知恢复算法

目前存在的CS恢复算法中大都采用固定的基函数,也就是在确定的域中对信号进行分解,比如:DCT域、小波域和梯度域,但这些域都忽略了自然信号的非平稳特性,缺乏自适应能力,从而不能够将图像分解得足够稀疏,也就使得CS恢复的效果很差,限制了CS在图像方面的应用。提出了一种基于分离Bregman迭代方法求解协同稀疏模型正则化的图像压缩感知恢复算法,能够在有效地刻画图像的局部平滑性和非局部自相似性的同时,获得更高质量的图像恢复效果。实验证明了本文提出算法的有效性,并且在峰值信噪比PSNR方面,比目前主流最好的算法高1 dB。     

基于小波域隐马尔可夫模型的信号超分辨率重建

提出一种基于小波域隐马尔可夫模型(WHMM)的信号超分辨率重建算法。根据贝叶斯原理和最大后验概率估计理论,将WHMM作为先验知识给出一般信号的超分辨率重建模型;详细推导了重建问题的Euler-La-grange方程及对数似然函数的导数计算,将信号的超分辨率重建归结为一个简单线性方程组的求解;最后采用期望最大化(EM)算法和共轭梯度算法交替迭代计算WHMM的模型参数和高分辨率重建信号。一维和二维测试信号的实验结果表明该方法在有效抑制噪声的同时,能够很好地重建出信号的高频细节。在相同的信号降质条件下,针对一维情形,本文重建方法的峰值信噪比(PSNR)较三次插值和Tikhonov正则化方法平均提高2.3994 dB和4.474 2 dB;针对二维情形,本文重建方法的PSNR较双三次插值和Tikhonov正则化方法平均提高1.1741 dB和0.648 7 dB。     

基于压缩感知的声纳图像超分辨率重建算法

超分辨率重建通用方法中,图像分解后对应小波基只能有效稀疏表示单一成分,往往只侧重边缘成分而忽略了光滑成分等。针对这个问题,本文改进了一种基于压缩感知的声纳图像超分辨率重建算法。该算法基于三种不同稀疏字典小波变换模型,运用一种基于K-均值聚类算法的结构化字典训练法,并采用Newton-Raphson法进行迭代算法处理,实现声纳图像压缩感知的超分辨率重建。最后通过仿真实验,验证了此种算法的可行性和有效性。实验结果表明,该算法获得的超分辨率图像能够很好地重建并保持原图像的特征,能高效地改善并提高重建质量。     

基于Moreau-包络的近似平滑迭代磁共振图像重建算法

针对基于压缩感知（CS）的磁共振成像（MRI）稀疏重建中存在的两个非平滑正则项问题,提出了一种基于Moreau包络的近似平滑迭代算法（PSIA）。基于CS的经典MRI稀疏重建是求解一个由最小二乘保真项、小波变换稀疏正则项和总变分（TV）正则项线性组合成的目标函数最小化问题。首先,对目标函数中的小波变换正则项作平滑近似;然后,将数据保真项与平滑近似后的小波正则项的线性组合看成一个新的可以连续求导的凸函数;最后,采用PSIA对新的优化问题进行求解。该算法不仅可以同时处理优化问题中的两个正则约束项,还避免了固定权重带来的算法鲁棒性问题。仿真得到的体模图像及真实磁共振图像的实验结果表明,所提算法与四种经典的稀疏重建算法：共轭梯度（CG）下降算法、TV1范数压缩MRI（TVCMRI）算法、部分k空间重建算法（RecPF）和快速复合分离算法（FCSA）相比,在图像信噪比、相对误差和结构相似性指数上具有更好的重建结果,且在算法复杂度上与现有最快重建算法即FCSA相当。     

基于聚类结构自适应稀疏表示的高光谱遥感图像修复研究

高光谱影像(Hyper-Spectral Image,HSI)的图像修复是其数据应用中重要的一个环节,最终会影响后续工作的准确性。提出一种新的基于聚类结构自适应稀疏表示的高光谱遥感图像的修复算法,该方法的优点是根据遥感图像地物的特征进行自适应地块大小选择,并对像素聚类后各个波段图像按照字典学习算法进行稀疏表示,通过稀疏逼近实现高光谱遥感图像的修复。实验结果表明:利用自适应获得的稀疏系数能更好地表示高光谱图像,图像的峰值信噪比(Peak Signal-toNoise Ratio,PSNR)为26.6dB,比其他研究的算法有所提高。该方法可以应用于遥感图像处理流程中,提高图像的应用潜力。     

基于谱图小波变换的图像压缩编码方法

针对小波变换图像压缩编码方法在高压缩比下得到的重构图像质量往往较差的问题,提出了一种基于谱图小波变换的编码方法.该方法首先将图像转化成图,利用谱图小波变换分解图得到谱图小波系数,这些系数的能量随着尺度的增加而衰减,然后根据谱图小波系数的特性对SPECK算法进行改进,最后对谱图小波系数进行量化,利用改进的SPECK算法对量化后的系数进行压缩编码,并在图像数据量压缩的同时从稀疏系数中恢复原始图像.实验结果表明,该编码方法对自然图像的压缩具有高效性,相比小波变换的压缩方法,重建图像的PSNR有所提高且变化平稳,与此同时还得到更大的压缩比.     

基于张量奇异值分解的动态核磁共振图像重建

本文为了改善动态MR图像重建质量,提出了一种结合张量奇异值分解和全变分稀疏模型(TV)的动态核磁共振图像重建算法。算法对动态MR图像进行了低秩约束规范和稀疏约束规范,分别使用了张量奇异值分解阈值方法和全变分稀疏变化基方法求解。实验结果和重建视觉效果表明,在相同采样率下本文算法与单独使用全变分方法,k-t SLR方法,单独使用张量奇异值分解方法相比重建质量更优,在峰值信噪比(PSNR),均方差(MSE)和结构相似性度量(SSIM)的评价指标上有所提高,对图像去噪去模糊重建有具体的应用价值。     

基于压缩感知的EMT探伤和图像重建

为改善EMT逆问题的欠定性,提高探伤过程中裂纹图像重建质量,本文提出一种基于压缩感知原理的EMT探伤和图像重建方法.其本质是通过压缩感知弱化问题的求解条件,进而有效改善EMT逆问题的欠定性.本文采用压缩感知技术对EMT探伤信号进行处理,并引入了相应的图像重建算法.其中,信号处理包括选取恰当的稀疏变换基对原始信号进行稀疏表示,将稀疏处理后的原始信号进行投影;图像重建过程则采用了两种算法,分别是基于最小L1范数的迭代重加权最小二乘(IRLS)法和基于匹配追踪原理的压缩采样匹配追踪(CoSaMP)算法.仿真和实验结果均表明,IRLS图像重建算法和CoSaMP图像重建算法的图像重建质量都要好于传统的EMT图像重建算法,尤其是CoSaMP算法的图像重建质量更佳.     

基于过完备字典稀疏表示的图像超分辨率研究

提出一种基于过完备字典稀疏表示的通用图像超分辨率算法。利用过完备字典代替稀疏基,采用学习的方法得到低分辨率图像和高分辨率图像之间的关系,最终从高分辨率图像块的字典中重构出超分辨率图像。实现了基于matlab的稀疏表示(omp算法)和字典更新(K-SVD算法)的字典学习算法,并通过仿真实验,以PSNR等指标论证了编码算法的有效性。     

基于双正则化参数的在线字典学习超分辨率重建

基于学习的单图超分辨率重建算法能获得较好的超分效果,但存在重建图像伪影较为明显的问题。为解决这一问题,提出了一种基于双正则化参数的在线字典学习超分辨率重建算法。在字典学习过程中运用在线字典学习方法（Online Dictionary Learning,ODL）,并在稀疏字典生成阶段和图像重建阶段分别设置了两个不同的正则化参数。实验中生成的目标高分辨率图像PSNR比经典的稀疏编码超分方法（Sparse Coding Super-Resolution,SCSR）平均提高了0.39dB,较好地恢复图像边缘锐度和纹理细节的同时有效地抑制了伪影。ODL和双正则化参数的引入,提高了字典训练的精度,使字典训练和图像重建阶段的稀疏系数独立可调,实验中能够有效地消除伪影,提升了超分辨率重建的效果。     

一种改进小波阈值函数的光纤光栅传感信号去噪方法

光纤布拉格光栅( FBG)传感信号中存在的噪声严重影响了其中心波长的检测精度,因此必须进行去噪处理。本文针对传统的小波软、硬阈值函数去噪的不足,提出了一种改进的对数阈值函数,并确定了最优的小波基和分解尺度。仿真表明,本文提出的改进阈值函数去噪后信噪比( SNR)较大,均方根误差( RMSE)较小,其中信噪比比传统的软、硬阈值方法提高了1.5 dB~4 dB。最后通过实验验证了本文方法的去噪效果。     

基于压缩感知的超分辨率图像重建

压缩感知(CS)利用图像稀疏表示的先验知识,从少量的观测值中重建出原始图像。将CS理论应用于单幅图像超分辨率(SR),提出一种基于两步迭代收缩算法和全变分(TV)稀疏表示的图像重建方法。该方法无需任何训练集,仅需单幅低分辨率实现图像重建。算法在测量矩阵里加入下采样低通滤波器以使SR问题满足应用CS理论的有限等距性质;采用TV正则化函数,利用两步迭代法引入TV去噪算子,可以更好地重建图像边缘。实验结果证明,与已有的超分辨率方法相比,在不同的放大倍数下所提方法重建图像视觉效果更好,在峰值信噪比(PSNR)的评价指标上有显著的提高(4~6dB),且实验证实滤波器的引入决定算法的重建质量。     

基于压缩感知理论的分类量化图像编码方法*

针对矢量量化压缩速度慢、图像复原效果不理想等问题,根据图像小波分解后高频子带稀疏的特点,提出了一种基于压缩感知（compressed sensing,CS）理论的分类量化图像编码算法。仿真结果表明,与LBG矢量量化编码算法相比,重构图像质量得到极大提升,在相似压缩比下,该算法取得了较好的效果,PSNR 平均有1～3 dB 的明显提高;在相似信噪比（PSNR）下,该算法在图像压缩方面也有很大改进。     

基于L1和L2混合范式的序列图像超分辨率重建

针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L₁和L₂混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到亚像素级,进而可以利用图像间的互补信息提高图像分辨率;其次利用L₁和L₂混合范式的优点,用BTV正则化算法解决重建的病态性反问题;最后进行序列图像超分辨率重建。实验数据显示算法可以降低图像均方误差,并将峰值信噪比(PSNR)提高1.2 dB~5.2 dB。实验结果表明,提出的算法能够有效地滤除高斯和脉冲噪声,保持图像边缘,提高图像可辨识度,可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。     

稀疏系数独立可调的单图超分辨率重建

针对基于学习的超分辨率重建图像边缘锐度较好但伪影较明显的问题,提出一种改进的稀疏系数独立可调的超分算法以消除伪影。由于字典训练阶段高分辨率图像和低分辨率图像均已知,认为高维图像空间和低维图像空间对应的稀疏系数不同,故此阶段运用在线字典学习方法分开训练生成较精确的高分字典和低分字典;而在图像重建阶段低分图像已知而高分图像未知,认为两空间的稀疏系数是近似相同的。通过在这两个阶段设置不同的正则化参数,可独立地调整相应的稀疏系数以获得最好的超分效果。实验结果表明,目标高分图像峰值信噪比(PSNR)相比稀疏编码超分方法平均提高了0.45 dB,同时结构相似性(SSIM)指标增加了0.011。超分图像有效地抑制了伪影,并能够较好地恢复图像边缘锐度和纹理细节,提升了超分效果。     

一种基于Fourier-小波矩的PET图像重建方法

正电子发射断层图像(PET)重建问题是一种不适定问题,通常需要采用正则化方法以抑制噪声,提高重建质量.本文提出一种新的非正则化重建方法,即基于Fourier-小波基函数的特征重建算法.Fourier-小波基函数结合了小波基函数和Fourier调和函数的特征,使我们便于对其进行小波分析和Fourier分析.在本文的算法中,我们采用迭代方法,计算图像的Fourier-小波矩(FWM),并由FWM恢复图像.此外我们利用Fourier-小波基函数的旋转不变性节省算法存储空间,简化计算,并且利用此性质,推导出一种类似Row-Action(RA)方法的快速收敛算法,以提高收敛速度.我们将FWM算法同几种常用算法进行了比较,实验结果表明,FWM算法的重建效果同传统的MAP算法接近,具有较好的应用前景.     

基于改进StOMP算法图像压缩感知重构*

在图像压缩感知重建中,一些算法能够取得好的重构效果,但耗时较长;一些算法耗时较短,但又不能取得精确解。针对重构效果和耗时不能兼得的问题,本文基于小波域稀疏,选用常规观测矩阵进行观测采样,通过对观测结果预定义滤波、选取信号硬阈值,引入共轭梯度下降算法,对分段正交匹配追踪（StOMP）重建算法进行改进。提出重建图像的边缘相似度概念,并对不同压缩比下的观测信号重建进行实验仿真。结果表明,相对于改进前StOMP算法,改进后StOMP算法在迭代收敛时间较短的情况下,重构效果提升。在主观评价上,重建图像噪声点明显减少;客观评价上,PSNR值提高,达到预期效果。     

基于多字典学习和图像块映射的超分辨率重建

针对单一冗余字典在稀疏表示图像超分辨率重建结果出现不清晰、伪影以及重建过程编码效率不高、运算时间过长的问题,提出一种基于多字典学习和图像块映射的超分辨率重建方法。该方法在传统稀疏表示的框架下,首先探索局部图像块的梯度结构信息,按梯度角度将训练样本块分类;然后为每个子类样本集学习高低分辨率字典对,再结合最近邻思想应用生成的字典,为每个子类计算从低分辨率块到高分辨率块映射的函数;最后将重建过程简化为输入块和映射函数的乘积,在保证提高重建质量的同时减少了图像重建的时间。实验结果表明,所提算法在视觉效果有较大的提升,同时与锚点邻域回归算法相比,评价参数峰值信噪比(PSNR)平均提高约0.4 dB。