空间频率与方向特征相结合的自适应采样压缩感知算法

在分块压缩感知采样过程中,为根据图像块特征更合理的分配采样率,提出一种基于纹理特征的图像分块自适应采样压缩感知算法.首先使用空间频率提取图像块纹理信息;其次根据纹理信息将图像块分为平滑块或纹理块,并确定各块的基础采样率;再使用基础采样率对平滑块采样,在基础采样率的基础上结合小波域系数统计特征调整纹理块子带系数采样率;最后使用平滑投影Landweber重建图像.实验结果证明,与已有的图像分块压缩感知算法相比,当压缩率适中时,无论是视觉效果还是客观指标方面,该算法均能明显地提高图像信号重建质量.     

深度图像的分块自适应压缩感知

针对基于空域上下采样的深度编码框架中,由边缘信息损失带来的视点绘制质量下降的问题,提出了一种面向视点绘制质量的深度图像分块自适应压缩采样方法。在基于分块压缩感知和光滑Landweber投影重构的BCS_SPL框架下,利用图像块的方差表征其边缘信息,并据此进行自适应采样,以提高深度图像重构和视点合成质量。结果表明,在相同的采样率下,相比上下采样和BCS_SPL方法,本文提出的分块自适应压缩感知方法在绘制视点的PSNR和主观质量上都有提高。     

基于多尺度的自适应采样图像分块压缩感知算法

基于分块的压缩感知算法适用于图像信号的处理,通过平滑迭代阈值投影法可以快速重构图像,但存在低采样率下重构图像质量较差的缺点。基于全变差分的分块压缩感知算法,在一定程度上能提升重构效果,但降低了运算速度。针对以上算法的不足,提出基于多尺度的自适应采样图像分块压缩感知算法。根据小波分解后不同层对重构结果影响所占权重不同的特性,自适应分配给每一层不同的采样率,并在重构时将平滑迭代阈值投影法应用到每一层的每一个子带的分块上。实验结果表明,与传统的迭代阈值投影法相比在重构质量上提高了1~3 d B,在重构速度上与迭代阈值投影法相当并优于全变差分法。     

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。     

基于投影率预分配的分块式压缩感知

分块式压缩感知可以降低运算复杂度及运算存储空间,但是采用相同的压缩投影率进行观测投影,会影响重建图像的整体效果,因为图像所含信息量的分布是不均匀的,图像块之间所含信息量有很大的差别。基于此,提出一种投影率预分配的思想应用于图像的压缩感知。该算法通过计算每个图像块在像素平面的估计熵,来代表每个图像块所含信息量的多少,为每个图像块分配适应于本块信息量的投影率,自适应地改变每个图像块的观测值数量。实验结果表明,与分块压缩感知方法相比,在相同的压缩投影率下可以得到更好的重构质量,或者在保证重构质量的前提下,所需观测值数目更少,降低了存储空间。     

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。     

一种基于最小二乘优化的快速压缩感知算法

压缩感知方法可以以远低于传统采样定理规定的采样率对信号采样。针对压缩感知重构信号的时间较长且随信号增大以极高速率快速增长的问题,提出了面向图像信号的快速压缩感知算法FBWRFI。FBWRFI基于最小二乘方法实现信号的优化重构,利用新定义的整体相关性度量参数选择针对图像信号的最相关原子,引入分块重构理论并重新设计分块大小和测量矩阵,有效降低了重构操作的计算复杂度和计算规模。实验结果表明,FBWRFI算法可以显著降低信号的重构时间,并使随信号增大而高速增长的重构时间的增长趋势变为线性,证明了算法的有效性。     

自适应多尺度分块压缩感知算法

目的 基于小波域的多尺度分块压缩感知重构算法忽略了高频信号在重构过程中的作用,丢失了大量的边缘与细节信息。针对上述问题,提出一种自适应多尺度分块压缩感知算法,不仅合理利用低频信息还充分利用图像的高频信息,在图像细节复杂度提高的情况下保证图像重构质量的提高。方法 首先进行3层小波变换,得到一个低频信号和9个高频信号,分别进行小波逆变换后分成大小相同互不重叠的块,对低频部分采用2维邻块边缘自适应加权滤波的方法进行处理,对高频部分采用纹理自适应分块采样,最后利用平滑投影Landweber（SPL）算法对其进行重构。结果 与已有的分块压缩感知算法、基于边缘和方向的分块压缩感知算法和基于纹理和方向的分块压缩感知算法相比,本文算法在不同的采样率下,性能均有所提升,代表细节信息的高频信号得到充分重建,改进的算法所得到的重建图像具有较高的分辨率,尤其对细节较为丰富的图像进行重建后具有较高的峰值信噪比;2维邻块边缘自适应加权滤波有效的去除了重建图像的块效应,且重建时间平均减少了0.3 s。结论 将三层小波变换后的高频分量作为纹理部分,利用自适应多尺度分块重建出图像的轮廓与边缘;将低频分量直接视为平坦部分,邻块边缘自适应加权滤波重建出图像细节,不仅充分利用了图像的高低频信息,还减少了平坦块检测过程,使得重建时间有效缩短。经实验验证,本文算法重建图像质量较好,尤其是对复杂图像明显消除了块效应,边缘和纹理细节较清晰。因此主要适用于纹理细节较复杂的人脸图像、建筑图像和遥感图像等。     

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。     

基于物联网技术的小波域分块压缩感知算法的图像重构系统设计

针对低照明度重构图像分辨率不高、重构时间长的问题,提出了基于小波域分块压缩感知算法的图像重构系统。建立低照明度图像采样模型,采用图像的景深自适应调节方法进行小波域分块压缩感知和信息融合处理。利用多尺度的Retinex算法进行小波域分块压缩感知和信息提取,提取图像的信息熵特征量。采取图像自适应增强方法进行低照度图像增强处理,使用物联网技术进行低照明度图像的三维信息重构,结合细节增强方法进行低照度图像增强处理,完成重构系统设计,实现透射率图的轮廓检测和特征重构。仿真结果表明,采用该方法进行低照明度图像重构的分辨率较高,边缘感知能力较好,且重构耗时较短,实际应用效率较高。     

一种改进的图像分块压缩感知模型

分块压缩感知用于图像获取可以解决传统压缩感知在重构时运算量大的问题,但是运用分块压缩感知却使重构图像的质量有所降低。提出了一种改进的图像分块压缩感知算法。该算法通过对观测矩阵加权,保证了图像低频部分在重构时获得更大的精度,提高了图像的质量。另外,算法根据各图像块不同纹理复杂性,自适应地改变观测值数目,使得在保证图像质量的前提下,重构所需的总观测值数目更少。实验证明了该算法的有效性。     

融合空间位置与结构信息的压缩感知图像重建方法

针对低采样率下分块压缩感知重建图像视觉效果不佳的问题,提出一种融合空间位置与结构信息的压缩感知图像重建方法（SLSI）。首先,对观测值进行线性映射得到图像块的初步估计值;然后,基于块分组重建支路和全图重建支路对图像的空间位置信息和结构信息进行提取、增强和融合;最后,通过加权策略融合双支路的输出得到最终重建全图。在块分组重建支路中,根据图像块的数据特点分配重建资源。在全图重建支路中,主要通过双边滤波和结构特征交互模块对相邻图像块像素进行信息交互。实验结果表明,与基于非迭代重建网络（ReconNet）、基于非局部约束的多尺度重建网络（NL-MRN）等压缩感知重建方法相比,由于结合了像素间强自相关性这种图像先验,在采样率为0.05的情况下,所提方法在压缩感知领域常用的测试图像数据上的峰值信噪比（PSNR）和结构相似度（SSIM）分别平均提升了2.617 5 dB和0.105 3,重建图像的视觉效果较好。     

基于纹理自适应全变分滤波的图像分块压缩感知优化算法

图像分块压缩感知重构模型通过分块方式解决了压缩感知中观测矩阵过大带来的计算复杂度较高和存储空间较大的问题,但分块重构时会产生块效应,其需要通过去块效应滤波加以消除。现有的滤波方法并未考虑图像纹理细节恢复问题,造成了重构质量的降低。为解决该问题,首先提出了一种基于灰度熵的纹理自适应采样方法。随后分析了分块压缩感知中块效应的产生和经自适应采样后块效应得到缓解的原因,并将全变分滤波引入到图像分块压缩感知平滑投影迭代重构过程之中,提出了一种基于图像分块纹理信息的双树离散小波硬阈值滤波和全变分滤波的自适应加权滤波模型,用其取代原平滑投影迭代算法的滤波过程,在自适应采样缓解块效应的基础上,更有效地保存图像的细节信息。仿真实验表明,与多种已有方案相比,该方案可显著提升重建图像的主客观质量,同时可有效保留图像的纹理细节。     

动态场景红外图像的压缩感知域高斯混合背景建模

针对动态场景下红外图像的背景模型构建问题,提出一种基于压缩感知（Compressed sensing,CS）域高斯混合模型（Gaussian mixture model,GMM）的背景建模方法.该方法不是对图像中的每个像素建立高斯混合模型,而是对图像局部区域的压缩感知测量值建立高斯混合模型.1）通过提取红外图像轮廓的角点特征,估计相邻帧图像间的相对运动参数以对图像进行校正与配准;2）将每帧图像网格化为适当数目的局部子图,利用序列图像构建每个局部子图的压缩感知域高斯混合背景模型;3）采用子空间学习训练稀疏字典,通过子空间追踪对可能含有目标的局部子图进行选择性稀疏重构;4）通过背景减除实现前景目标检测.以红外图像数据集CDnet2014和VIVID PETS2005进行实验验证,结果表明:该方法能建立有效的动态场景红外图像背景模型,对成像过程中所受到的场景动态变化、背景扰动等具有较强的鲁棒性,其召回率、精确率、F-measure等性能指标及处理速度较之于同类算法具有明显优势.     

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.