專(zhuān)利名稱(chēng)：基于結(jié)構(gòu)字典的分塊圖像壓縮感知重建方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)ー步涉及一種壓縮感知理論框架下的基于結(jié)構(gòu)字典的分塊壓縮感知圖像重建方法，可用于壓縮觀測(cè)下各類(lèi)自然圖像的高質(zhì)量重構(gòu)。
背景技術(shù)：
為了得到高分辨率的圖像，傳統(tǒng)的圖像獲取方法中需要增加傳感器的數(shù)目，這會(huì)增大成像設(shè)備的成本與體積。壓縮感知理論是近幾年在信號(hào)處理領(lǐng)域發(fā)展起來(lái)的一種新的信息獲取與處理方法，它對(duì)稀疏或可壓縮信號(hào)同時(shí)進(jìn)行采樣與壓縮，使用低分辨的傳感設(shè)備就可以在終端精確重建信號(hào)，從而解決了傳統(tǒng)乃奎斯特采樣中對(duì)采樣速率要求的瓶頸問(wèn)題。在ニ維圖像壓縮感知重建中，如果對(duì)原始圖像整體進(jìn)行采樣，需要較高的計(jì)算復(fù) 雜度與硬件代價(jià)。之后發(fā)展起來(lái)的分塊圖像壓縮感知重建方法先把圖像分為固定大小的圖像塊，對(duì)所有的圖像塊進(jìn)行隨機(jī)投影，逐塊重建后再聚合成原圖像。此時(shí)，分塊重建具有易于運(yùn)輸和存儲(chǔ)等優(yōu)點(diǎn)，是實(shí)現(xiàn)圖像壓縮感知的ー個(gè)重要進(jìn)步。西安電子科技大學(xué)的專(zhuān)利申請(qǐng)“基于核回歸的壓縮感知圖像重構(gòu)方法”(公開(kāi)號(hào)CN102332153A，申請(qǐng)?zhí)?01110268034. 5，申請(qǐng)日2011年9月13日)中公開(kāi)了ー種基于核回歸的壓縮感知圖像重構(gòu)方法。該方法首先對(duì)圖像進(jìn)行分塊，利用正交匹配追蹤OMP算法和冗余離散余弦(DCT)字典對(duì)這些圖像塊進(jìn)行初步重構(gòu)，然后對(duì)圖像運(yùn)用核回歸方法得到圖像小塊的局部信息，利用鄰域圖像塊加權(quán)得到圖像小塊的非局部信息，最后利用圖像小塊的局部信息和非局部信息通過(guò)最小ニ乘求解得到重構(gòu)圖像小塊，對(duì)所有圖像小塊重復(fù)此類(lèi)操作，獲得最終SAR高分辨重建圖像。該專(zhuān)利申請(qǐng)存在的不足是，對(duì)不同圖像塊進(jìn)行初步重構(gòu)時(shí)采用的字典是單ー的冗余離散余弦字典，但不同的圖像塊一般具有不同的結(jié)構(gòu)特征，從而對(duì)具有不同結(jié)構(gòu)特征的圖像塊不能進(jìn)行最稀疏的表示，影響重建效果；另外，該專(zhuān)利有對(duì)具有紋理信息的圖像重建效果不理想的缺點(diǎn)。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)現(xiàn)有壓縮感知重構(gòu)技術(shù)中采用單一字典，難以最稀疏的表示具有不同結(jié)構(gòu)特征圖像塊的缺點(diǎn)，而影響圖像的最終重建效果的缺點(diǎn)，提出ー種基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法。本發(fā)明的思路是，首先基于圖像塊的結(jié)構(gòu)特征對(duì)圖像塊分進(jìn)行類(lèi)，然后以每類(lèi)圖像塊作為訓(xùn)練樣本，利用K-Singular Value Decomposition (KSVD)字典訓(xùn)練方法訓(xùn)練得到冗余字典與余弦基字典組成結(jié)構(gòu)字典，最后在分塊圖像壓縮感知重建時(shí)，利用基于重建誤差加權(quán)求和的方法獲得最終圖像。本發(fā)明的實(shí)現(xiàn)的具體步驟如下(I)獲取訓(xùn)練樣本；(2)圖像塊分類(lèi)
2a)分別計(jì)算各個(gè)訓(xùn)練樣本的方差；2b)將方差小于平滑閾值的圖像塊歸為平滑類(lèi)圖像塊，方差大于平滑閾值的圖像塊歸為非平滑類(lèi)圖像塊；2c)根據(jù)梯度計(jì)算方法分別計(jì)算各個(gè)非平滑類(lèi)圖像塊中各像素水平方向與垂直方向的梯度，得到梯度矩陣；2d)對(duì)梯度矩陣進(jìn)行奇異值分解，得到左酉矩陣、對(duì)角矩陣和右酉矩陣；2e)計(jì)算對(duì)角矩陣中的兩個(gè)奇異值的差與和，并計(jì)算兩者的比值；2f)將比值與不規(guī)則閾值進(jìn)行比較，若比值大于不規(guī)則閾值，則將非平滑類(lèi)圖像塊歸為規(guī)則類(lèi)圖像塊，否則，歸為不規(guī)則類(lèi)圖像塊；2g)利用下式計(jì)算規(guī)則類(lèi)圖像塊指向值
權(quán)利要求
1.ー種基于結(jié)構(gòu)字典的分塊圖像壓縮感知重建方法，包括如下步驟 (1)獲取訓(xùn)練樣本； (2)圖像塊分類(lèi) 2a)分別計(jì)算各個(gè)訓(xùn)練樣本的方差； 2b)將方差小于平滑閾值的圖像塊歸為平滑類(lèi)圖像塊，方差大于平滑閾值的圖像塊歸為非平滑類(lèi)圖像塊； 2c)根據(jù)梯度計(jì)算方法分別計(jì)算各個(gè)非平滑類(lèi)圖像塊中各像素水平方向與垂直方向的梯度，得到梯度矩陣； 2d)對(duì)梯度矩陣進(jìn)行奇異值分解，得到左酉矩陣、對(duì)角矩陣和右酉矩陣； 2e)計(jì)算對(duì)角矩陣中的兩個(gè)奇異值的差與和，并計(jì)算兩者的比值； 2f)將比值與不規(guī)則閾值進(jìn)行比較，若比值大于不規(guī)則閾值，則將非平滑類(lèi)圖像塊歸為規(guī)則類(lèi)圖像塊，否則，歸為不規(guī)則類(lèi)圖像塊； 2g)利用下式計(jì)算規(guī)則類(lèi)圖像塊指向值
2.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟(I)中所述的獲取訓(xùn)練樣本的具體步驟如下第一歩，從數(shù)據(jù)庫(kù)中選取具有平滑特征、不規(guī)則特征及不同的指向信息等多種結(jié)構(gòu)特征信息的多幅原圖像，分別對(duì)這些圖像進(jìn)行下采樣，得到下采樣圖像； 第二歩，將數(shù)據(jù)庫(kù)中選取的多幅原圖像與原圖像，構(gòu)成訓(xùn)練樣本庫(kù)； 第三步，將樣本庫(kù)中的圖像按同樣大小進(jìn)行不重疊的逐次分塊，隨機(jī)抽取10000 40000個(gè)訓(xùn)練圖像塊，并將其按列依次拉為列向量，作為訓(xùn)練樣本。
3.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟2b)所述的平滑閾值為10 30。
4.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟2c)所述的梯度計(jì)算方法是指，將非平滑類(lèi)圖像塊中每個(gè)像素點(diǎn)的水平分量與垂直分量分別減去其相鄰像素點(diǎn)的水平分量與垂直分量，得到該像素點(diǎn)的梯度，所有像素點(diǎn)的梯度構(gòu)成ー個(gè)梯度矩陣。
5.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟2f)所述的不規(guī)則閾值按照下式計(jì)算，當(dāng)概率密度函數(shù)P的曲線下降到水平位置時(shí)的變量R即為不規(guī)則閾值
6.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟3b)所述的初始化是指，將初始字典設(shè)為冗余離散余弦字典訓(xùn)練字典，稀疏度設(shè)為6，原子數(shù)目為256,迭代次數(shù)為30。
7.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟3d)所述的余弦基公式如下C=A kcos (, k (xcos Θ +ycos Θ )) 其中，C為余弦基值，k表示余弦基方向變換的頻率，在O I取值范圍內(nèi)取16個(gè)均勻分布的離散值，λ k表示余弦基的幅度，當(dāng)k取值為O或I吋，λ k取值1，否則，λ k取值7 ，Θ表示余弦基變換的方向，在O 取值范圍內(nèi)取16個(gè)均勻分布的離散值，x、y分別表示余弦基在水平方向和垂直方向像素點(diǎn)的值。
8.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟6b)所述的正交匹配追蹤方法是指，在字典中貪婪的選取與重建信號(hào)最相關(guān)的原子，對(duì)所選原子進(jìn)行加權(quán)求和重建原始信號(hào)。
9.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟8b)所述的反分塊處理是指，將最終重建圖像矩陣的列向量恢復(fù)為圖像塊，再將圖像塊逐個(gè)排列組成重建圖像。
全文摘要
本發(fā)明公開(kāi)了一種基于結(jié)構(gòu)字典的分塊圖像壓縮感知重建方法，克服了現(xiàn)有技術(shù)中分塊壓縮感知重建時(shí)由于單一字典對(duì)具有不同結(jié)構(gòu)的圖像塊不能最稀疏的表示，而導(dǎo)致重建效果不理想的缺點(diǎn)，實(shí)現(xiàn)步驟為(1)構(gòu)造訓(xùn)練樣本庫(kù)；(2)圖像塊分類(lèi)；(3)訓(xùn)練結(jié)構(gòu)字典；(4)構(gòu)造觀測(cè)矩陣；(5)觀測(cè)圖像塊；(6)結(jié)構(gòu)字典重建；(7)獲取重建誤差；(8)重建圖像；(9)輸出重建圖像。采用基于圖像塊在所有結(jié)構(gòu)字典下誤差的加權(quán)求和方法進(jìn)行重建，明顯的提高了重建質(zhì)量。
文檔編號(hào)G06T11/00GK102708576SQ201210155980
公開(kāi)日2012年10月3日 申請(qǐng)日期2012年5月18日 優(yōu)先權(quán)日2012年5月18日
發(fā)明者侯彪, 劉芳, 楊淑媛, 焦李成, 王爽, 謝冬梅, 陳義光, 馬文萍, 齊智峰 申請(qǐng)人:西安電子科技大學(xué)