基于圖像塊聚類和稀疏字典學習的分塊壓縮感知重構方法
【專利摘要】基于圖像塊聚類和稀疏字典學習的分塊壓縮感知重構方法，屬于圖像處理【技術領域】，包括以下步驟：讀入圖像，把圖像分成子圖像塊；對子圖像塊進行壓縮采樣，得到測量；生成個方向的邊緣圖像，對邊緣圖像進行PCA變換，生成個PCA基，再取一個DCT基，構成K個初始方向基的集聯(lián)字典；計算測量與各方向基之間的典型相關系數(shù)，將子圖像塊聚成K類；利用多變量追蹤算法重構K個聚類中的子圖像塊；利用重構的子圖像塊對K個方向基進行更新；判斷迭代重構的最大次數(shù)是否達到：將重構的子圖像塊拼接在一起，得到原始圖像的重構圖像；輸出圖像。發(fā)明在兩種重構方式下能夠明顯減弱或去除重構圖像中的塊效應。本方法對自然圖像的重構效果好。
【專利說明】基于圖像塊聚類和稀疏字典學習的分塊壓縮感知重構方法
【技術領域】
[0001]本發(fā)明屬于圖像處理【技術領域】，具體涉及圖像的分塊壓縮感知重構方法，可用于對自然圖像進行重構。
【背景技術】
[0002]壓縮感知(Compressive Sensing, CS)是一種全新的信號采樣理論，由美國學者Candes 和 Donoho 等人于 2006 年正式提出，如:Donoho D L.Compressed sensing.1EEETransact1ns on Informat1n Theory, 2006, 52(4): 1289-1306 ；Candes E.Near optimalsignal recovery from random project1ns: Universal encoding strategies? IEEETransact1ns on Informat1n Theory, 2006, 52(12): 5406-525。傳統(tǒng)的 Nyquist 米樣理論先以高速率對信號進行采樣，然后再對數(shù)據(jù)進行壓縮；而CS將采樣與壓縮過程同步進行，直接以壓縮形式感知信號。由CS獲得的測量是原始信號在低維空間上的一組線性投影，測量的數(shù)量遠低于被感知信號的維數(shù)。理論證明在信號的稀疏或可壓縮性約束下，利用非線性優(yōu)化方法可以從少量測量獲得信號的精確或近似重構。CS理論突破了傳統(tǒng)Nyquist采樣在海量數(shù)據(jù)的采集、存儲和傳輸中面臨的資源浪費等瓶頸，使對高分辨信號的處理成為可能。
[0003]CS理論成 功應用于實際數(shù)據(jù)模型和采集系統(tǒng)的重要環(huán)節(jié)之一為設計有效的CS米樣方法和重構算法。在傳統(tǒng)CS的基礎上，Gan L.在Block compressed sensing ofnatural images.1n Proceedings of the Internat1nal Conference on Digital SignalProcessing, Cardiff, UK, July, 2007，403-406.一文中提出對自然圖像的分塊 CS 采樣重構方法。該方法將原始圖像分成若干大小相同的子圖像塊，在固定的稀疏字典下，使用相同的感知矩陣對每個子圖像塊進行獨立采樣和重構，將重構的子圖像塊拼在一起得到重構圖像。該方法的優(yōu)點是速度快，占用內(nèi)存??；存在的缺點是:(I)使用固定的稀疏字典不能靈活地刻畫圖像塊中存在的不同特征，如邊緣、紋理等；(2)子圖像塊之間看成是相互獨立的，重構過程沒有利用子圖像塊之間的相似性；(3)重構圖像存在明顯的塊效應。

【發(fā)明內(nèi)容】

[0004]本發(fā)明目的在于解決上述缺陷，而提出一種基于圖像塊聚類和稀疏字典學習的分塊壓縮感知重構方法。
[0005]實現(xiàn)本發(fā)明目的的技術方案是:以由表示不同方向的邊緣圖像生成的方向PCA基和一個DCT基的集聯(lián)作為初始稀疏字典；利用現(xiàn)有的典型相關分析技術，計算子圖像塊的CS測量與各方向基之間的典型相關系數(shù)對子圖像塊進行聚類；使用提出的多變量塊追蹤算法對每個聚類中的子圖像塊進行重構；利用每個聚類中重構的子圖像塊對各方向基進行更新。
[0006]基于圖像塊聚類和稀疏字典學習的分塊壓縮感知重構方法，包括以下步驟:
(I)、讀入圖像，把圖像分成子圖像塊；(2)、對子圖像塊進行壓縮采樣，得到測量；
(3)、生成[-1個方向的邊緣圖像，對邊緣圖像進行PCA變換，生成JT-1個PCA基，再取一個DCT基，構成K個初始方向基的集聯(lián)字典；
(4)、計算測量與各方向基之間的典型相關系數(shù)，將子圖像塊聚成K類；
(5)、利用多變量追蹤算法重構K個聚類中的子圖像塊
【權利要求】
1.基于圖像塊聚類和稀疏字典學習的分塊壓縮感知重構方法，其特征在于，包括以下步驟: (1)、讀入圖像，把圖像分成子圖像塊； (2)、對子圖像塊進行壓縮采樣，得到測量； (3 )、生成[-1個方向的邊緣圖像，對邊緣圖像進行PCA變換，生成[-1個PCA基，再取一個DCT基，構成K個初始方向基的集聯(lián)字典； (4)、計算測量與各方向基之間的典型相關系數(shù)，將子圖像塊聚成K類； (5)、利用多變量追蹤算法重構K個聚類中的子圖像塊=； (6)、利用重構的子圖像塊對K個方向基進行更新； (7)、判斷迭代重構的最大次數(shù)是否達到:如果未達到指定的迭代重構次數(shù)，返回步驟(4);如果未達到指定的迭代重構次數(shù)，繼續(xù)以下步驟； (8)、將重構的子圖像塊拼接在一起，得到原始圖像的重構圖像； (9)、輸出圖像。
2.如權利要求1所述的基于圖像塊聚類和稀疏字典學習的分塊壓縮感知重構方法，其特征在于，步驟(1)中，子圖像塊有J個，子圖像大小為8 X 8 ;步驟(2)中，對每個子圖像塊以Λ//Λ,的測量率進行壓縮采樣，得到測量;yj 二 Φχ)，其中xi是第j個子圖像塊的像素值，番是iV X Y隨機欠采樣矩陣,N = 64, M是Φ中非零元素的個數(shù),j = I……J。
3.如權利要求1所述的基于圖像塊聚類和稀疏字典學習的分塊壓縮感知重構方法，其特征在于，步驟(5)中，利用多變量塊追蹤算法對I個聚類中的子圖像塊Xk(k = L.....分別進行重構的方法如下: (5a)計算[個方向基對應的協(xié)方差矩陣:
4.如權利要求1所述的基于圖像塊聚類和稀疏字典學習的分塊壓縮感知重構方法，其特征在于，步驟(6)中，利用重構的子圖像塊重新估計每個聚類的協(xié)方差矩陣δ,,再通過協(xié)方差矩陣的PCA分解對Ir個方向基進行更新:
【文檔編號】G06T5/00GK104036519SQ201410314084
【公開日】2014年9月10日 申請日期:2014年7月3日 優(yōu)先權日:2014年7月3日
【發(fā)明者】武嬌, 曹飛龍, 銀俊成, 武丹 申請人:中國計量學院