基于DFT基的矿井视频监控图像分块压缩感知方法
发布时间：2021-04-13 05:53
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 d B5 d B;本文算法与基于小波基的算法相比,信号重构的PSNR提高1 d B4 d B,重构时间缩短至少80%以上。
【文章来源】：传感技术学报. 2017,30(01)北大核心CSCD
【文章页数】：7 页
【部分图文】：
井下视频监控原始图像
第1期张帆，闫秀秀:基于DFT基的矿井视频监控图像分块压缩感知方法3结果与分析笔者通过建立矿井图像的重构误差数学模型，利用MATLAB对提出的算法进行仿真分析，仿真原始图像采用煤矿井下视频监控图像，如图3所示，图像像素为512×512。图3(a)为理想无噪声图像，图3(b)为在图3的基础上加入均值为0，方差为10的高斯噪声(含噪图像的PSNＲ为33．3021dB)。图3井下视频监控原始图像考虑到井下环境噪声干扰因素对图像信号重构的影响，需要通过评价模型考察原始图像经稀疏表示、压缩采样和重构之后所得的重构误差。峰值信噪比(PSNＲ)表示峰值信号与噪声的比值，它是表征图像重构效果的重要指标［21］，PSNＲ评价模型定义如下:PSNＲ=10log10L2MSE(9)MSE=1MN∑Mi=1∑Nj=1‖A(i，j)－A'(i，j)‖22(10)式中，MSE为均方误差，是原始图像A(i，j)与重构图像A'(i，j)之间的灰度差，即表示噪声信号，M和N是图像矩阵维度数(图像像素);L是图像最大灰度值即表示一个像素点占用的2进制位数，通常8bit的图像L为255;PSNＲ为峰值信噪比，单位为dB，PSNＲ值越大，表示重构误差越小，两幅图像相似度越高。本文采用式(11)的压缩比衡量图像信号的压缩程度。压缩比越小，所需采样的点数越多，压缩程度越大。其中M为原始块信号的长度，N为观测矩阵观测压缩后的长度。r=N/M(11)在采用不同矿井图像分块尺度和观测矩阵条件下，利用tic、toc函数对，我们进一步考察本文提出的基于DFT基矿井图像分块压缩感知算法的重构时间。同时，与基于一维小波基的矿井图像分块压缩感知算法相比较，以验证本文所提出算法对矿井图像压缩采样和信号重构效果。3．1不同观测矩阵对图像重构的对比由于基于压缩感知理论的图像数据采集?
第1期张帆，闫秀秀:基于DFT基的矿井视频监控图像分块压缩感知方法3结果与分析笔者通过建立矿井图像的重构误差数学模型，利用MATLAB对提出的算法进行仿真分析，仿真原始图像采用煤矿井下视频监控图像，如图3所示，图像像素为512×512。图3(a)为理想无噪声图像，图3(b)为在图3的基础上加入均值为0，方差为10的高斯噪声(含噪图像的PSNＲ为33．3021dB)。图3井下视频监控原始图像考虑到井下环境噪声干扰因素对图像信号重构的影响，需要通过评价模型考察原始图像经稀疏表示、压缩采样和重构之后所得的重构误差。峰值信噪比(PSNＲ)表示峰值信号与噪声的比值，它是表征图像重构效果的重要指标［21］，PSNＲ评价模型定义如下:PSNＲ=10log10L2MSE(9)MSE=1MN∑Mi=1∑Nj=1‖A(i，j)－A'(i，j)‖22(10)式中，MSE为均方误差，是原始图像A(i，j)与重构图像A'(i，j)之间的灰度差，即表示噪声信号，M和N是图像矩阵维度数(图像像素);L是图像最大灰度值即表示一个像素点占用的2进制位数，通常8bit的图像L为255;PSNＲ为峰值信噪比，单位为dB，PSNＲ值越大，表示重构误差越小，两幅图像相似度越高。本文采用式(11)的压缩比衡量图像信号的压缩程度。压缩比越小，所需采样的点数越多，压缩程度越大。其中M为原始块信号的长度，N为观测矩阵观测压缩后的长度。r=N/M(11)在采用不同矿井图像分块尺度和观测矩阵条件下，利用tic、toc函数对，我们进一步考察本文提出的基于DFT基矿井图像分块压缩感知算法的重构时间。同时，与基于一维小波基的矿井图像分块压缩感知算法相比较，以验证本文所提出算法对矿井图像压缩采样和信号重构效果。3．1不同观测矩阵对图像重构的对比由于基于压缩感知理论的图像数据采集?
【参考文献】：
期刊论文
[1]基于压缩感知理论的WSNs时序信号分段压缩算法[J]. 刘洲洲,徐继良,韩莹,王晓柱. 传感技术学报. 2016(01)
[2]一种煤矿井下图像压缩方法[J]. 杨磊,黄友锐,唐超礼,曲立国,陈珍萍,韩涛. 工矿自动化. 2015(08)
[3]基于块稀疏贝叶斯学习的体域网心电压缩采样[J]. 彭向东,张华,刘继忠. 传感技术学报. 2015(03)
[4]压缩感知在无线传感器网络数据采集中的应用[J]. 王泉,张纳温,张金成,吕方旭,王钰,陈可伟. 传感技术学报. 2014(11)
[5]煤矿智能视频监控中雾尘图像的清晰化研究[J]. 张谢华,张申,方帅,曹洋. 煤炭学报. 2014(01)
[6]一种基于块稀疏贝叶斯学习的压缩图像融合算法[J]. 刘哲,顾淑音,南炳炳,李强. 光子学报. 2013(11)
[7]信号压缩重构的正交匹配追踪类算法综述[J]. 杨真真,杨震,孙林慧. 信号处理. 2013(04)
[8]一种新的分块压缩传感图像重建算法[J]. 佘青山,徐平,罗志增,刘栋良. 东南大学学报(自然科学版). 2011(S1)
[9]基于压缩感知的煤矿井下语音通信系统[J]. 马丽娜,曹新德. 安徽理工大学学报(自然科学版). 2011(03)
[10]基于压缩感知的低功耗高效率CMOS图像传感器设计[J]. 赵士彬,姚素英,徐江涛. 传感技术学报. 2011(08)
本文编号：3134745
【文章来源】：传感技术学报. 2017,30(01)北大核心CSCD
【文章页数】：7 页
【部分图文】：
井下视频监控原始图像
第1期张帆，闫秀秀:基于DFT基的矿井视频监控图像分块压缩感知方法3结果与分析笔者通过建立矿井图像的重构误差数学模型，利用MATLAB对提出的算法进行仿真分析，仿真原始图像采用煤矿井下视频监控图像，如图3所示，图像像素为512×512。图3(a)为理想无噪声图像，图3(b)为在图3的基础上加入均值为0，方差为10的高斯噪声(含噪图像的PSNＲ为33．3021dB)。图3井下视频监控原始图像考虑到井下环境噪声干扰因素对图像信号重构的影响，需要通过评价模型考察原始图像经稀疏表示、压缩采样和重构之后所得的重构误差。峰值信噪比(PSNＲ)表示峰值信号与噪声的比值，它是表征图像重构效果的重要指标［21］，PSNＲ评价模型定义如下:PSNＲ=10log10L2MSE(9)MSE=1MN∑Mi=1∑Nj=1‖A(i，j)－A'(i，j)‖22(10)式中，MSE为均方误差，是原始图像A(i，j)与重构图像A'(i，j)之间的灰度差，即表示噪声信号，M和N是图像矩阵维度数(图像像素);L是图像最大灰度值即表示一个像素点占用的2进制位数，通常8bit的图像L为255;PSNＲ为峰值信噪比，单位为dB，PSNＲ值越大，表示重构误差越小，两幅图像相似度越高。本文采用式(11)的压缩比衡量图像信号的压缩程度。压缩比越小，所需采样的点数越多，压缩程度越大。其中M为原始块信号的长度，N为观测矩阵观测压缩后的长度。r=N/M(11)在采用不同矿井图像分块尺度和观测矩阵条件下，利用tic、toc函数对，我们进一步考察本文提出的基于DFT基矿井图像分块压缩感知算法的重构时间。同时，与基于一维小波基的矿井图像分块压缩感知算法相比较，以验证本文所提出算法对矿井图像压缩采样和信号重构效果。3．1不同观测矩阵对图像重构的对比由于基于压缩感知理论的图像数据采集?
第1期张帆，闫秀秀:基于DFT基的矿井视频监控图像分块压缩感知方法3结果与分析笔者通过建立矿井图像的重构误差数学模型，利用MATLAB对提出的算法进行仿真分析，仿真原始图像采用煤矿井下视频监控图像，如图3所示，图像像素为512×512。图3(a)为理想无噪声图像，图3(b)为在图3的基础上加入均值为0，方差为10的高斯噪声(含噪图像的PSNＲ为33．3021dB)。图3井下视频监控原始图像考虑到井下环境噪声干扰因素对图像信号重构的影响，需要通过评价模型考察原始图像经稀疏表示、压缩采样和重构之后所得的重构误差。峰值信噪比(PSNＲ)表示峰值信号与噪声的比值，它是表征图像重构效果的重要指标［21］，PSNＲ评价模型定义如下:PSNＲ=10log10L2MSE(9)MSE=1MN∑Mi=1∑Nj=1‖A(i，j)－A'(i，j)‖22(10)式中，MSE为均方误差，是原始图像A(i，j)与重构图像A'(i，j)之间的灰度差，即表示噪声信号，M和N是图像矩阵维度数(图像像素);L是图像最大灰度值即表示一个像素点占用的2进制位数，通常8bit的图像L为255;PSNＲ为峰值信噪比，单位为dB，PSNＲ值越大，表示重构误差越小，两幅图像相似度越高。本文采用式(11)的压缩比衡量图像信号的压缩程度。压缩比越小，所需采样的点数越多，压缩程度越大。其中M为原始块信号的长度，N为观测矩阵观测压缩后的长度。r=N/M(11)在采用不同矿井图像分块尺度和观测矩阵条件下，利用tic、toc函数对，我们进一步考察本文提出的基于DFT基矿井图像分块压缩感知算法的重构时间。同时，与基于一维小波基的矿井图像分块压缩感知算法相比较，以验证本文所提出算法对矿井图像压缩采样和信号重构效果。3．1不同观测矩阵对图像重构的对比由于基于压缩感知理论的图像数据采集?
【参考文献】：
期刊论文
[1]基于压缩感知理论的WSNs时序信号分段压缩算法[J]. 刘洲洲,徐继良,韩莹,王晓柱. 传感技术学报. 2016(01)
[2]一种煤矿井下图像压缩方法[J]. 杨磊,黄友锐,唐超礼,曲立国,陈珍萍,韩涛. 工矿自动化. 2015(08)
[3]基于块稀疏贝叶斯学习的体域网心电压缩采样[J]. 彭向东,张华,刘继忠. 传感技术学报. 2015(03)
[4]压缩感知在无线传感器网络数据采集中的应用[J]. 王泉,张纳温,张金成,吕方旭,王钰,陈可伟. 传感技术学报. 2014(11)
[5]煤矿智能视频监控中雾尘图像的清晰化研究[J]. 张谢华,张申,方帅,曹洋. 煤炭学报. 2014(01)
[6]一种基于块稀疏贝叶斯学习的压缩图像融合算法[J]. 刘哲,顾淑音,南炳炳,李强. 光子学报. 2013(11)
[7]信号压缩重构的正交匹配追踪类算法综述[J]. 杨真真,杨震,孙林慧. 信号处理. 2013(04)
[8]一种新的分块压缩传感图像重建算法[J]. 佘青山,徐平,罗志增,刘栋良. 东南大学学报(自然科学版). 2011(S1)
[9]基于压缩感知的煤矿井下语音通信系统[J]. 马丽娜,曹新德. 安徽理工大学学报(自然科学版). 2011(03)
[10]基于压缩感知的低功耗高效率CMOS图像传感器设计[J]. 赵士彬,姚素英,徐江涛. 传感技术学报. 2011(08)
本文编号：3134745
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3134745.html
