基于冗余字典的图像压缩感知技术研究

发布时间：2017-08-02 13:23

  本文关键词：基于冗余字典的图像压缩感知技术研究

  更多相关文章： 压缩感知 测量率 稀疏字典 KSVD 图像块 分类

【摘要】：压缩感知(Compressive Sensing,CS)理论基于信号的稀疏性或可压缩性,能以远低于奈奎斯特采样频率的采样速率对信号进行采样,并从采样值中精确重构原始信号。信号采样率的下降、采样值的减少大大降低了信号采集系统的硬件设计难度,同时也降低了采样数据传输和存储的成本。压缩感知理论主要包括三个核心问题:具有稀疏表示能力的稀疏字典设计、满足有限等距性质或非相关性的观测矩阵设计和快速精确的重构算法设计。信号的稀疏性是压缩感知理论的前提,通常将信号在稀疏字典下展开,获取信号的稀疏性。观测矩阵的构造是压缩感知的关键,观测矩阵与稀疏字典之间要满足不相关性。重构算法是压缩感知的手段,快速、精确、鲁棒性强的重构算法设计一直是压缩感知理论的研究重点。对于图像压缩感知技术,Gan提出了分块压缩感知(Block Compressive Sensing,BCS),通过将大尺寸图像分块,对每个图像块单独进行稀疏表示、随机观测和重构处理,加快了采样与重构速度,并节省了存储空间。本文主要针对图像压缩感知中随机观测过程和稀疏字典设计做了一些研究,具体内容包括以下三个方面:1.传统的图像分块压缩感知对各个图像块以相同的测量率进行压缩采样,但是不同的图像块包含的结构特征不同,因此所需的观测次数也不相同。本文提出一种自适应测量率设定法,根据方差对图像块进行分类,不同类图像块设定不同的测量率,同类图像块则采用相同的测量率。通过对有限观测资源的合理分配,提高了观测值的有效性。仿真结果表明,该方案重构图像质量优于非自适应方案。2.图像分块压缩感知的稀疏字典训练中,所有的图像块均在同一稀疏字典下进行稀疏表示,这对字典原子包含的结构特征的丰富性提出很高要求。不同的图像块的特征不同,为提高字典对图像块的适应性,提出基于分类图像块的稀疏字典训练方法。基于方差对图像块分类,不同类的图像块训练设定不同的学习算法参数,训练不同的稀疏字典。该方案训练字典的特征与图像块特征具有更好的一致性,图像块在字典下的稀疏逼近更加精确。3.结合自适应测量率设定方法和基于分类图像块的稀疏字典训练方法,利用正交匹配追踪(Orthogonal Mathing Pursuit,OMP)算法对图像进行重构。合理的观测次数的分配使得观测值更加有效,分类训练的稀疏字典对各类图像块具有更加精确的稀疏逼近。仿真结果表明,相对于原算法,本文算法能够获得更好的图像重构结果和更高的重构图像PSNR值。
【关键词】：压缩感知 测量率 稀疏字典 KSVD 图像块 分类
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 第1章 绪论10-16
• 1.1 研究背景与意义10-11
• 1.2 压缩感知理论及其稀疏表示系统发展概述11-14
• 1.2.1 压缩感知发展概述11-13
• 1.2.2 信号稀疏表示发展概述13-14
• 1.3 本文研究内容及章节安排14-16
• 第2章 压缩感知理论16-26
• 2.1 压缩感知数学模型16-18
• 2.2 压缩感知核心内容18-23
• 2.2.1 信号稀疏表示18-21
• 2.2.2 观测矩阵设计21-22
• 2.2.3 信号重构算法22-23
• 2.3 压缩感知的应用23-24
• 2.3.1 模拟—信息采样23-24
• 2.3.2 基于压缩感知的图像处理24
• 2.3.3 分布式压缩感知24
• 2.4 本章小结24-26
• 第3章 基于方差分类图像块的自适应测量率设定26-36
• 3.1 图像分块压缩感知26-28
• 3.2 自适应观测压缩感知28-30
• 3.3 分类图像块自适应测量率的设定30-32
• 3.4 仿真结果与分析32-35
• 3.5 本章小结35-36
• 第4章 基于图像块方差的冗余字典训练36-48
• 4.1 图像稀疏表示36-37
• 4.2 KSVD算法37-39
• 4.3 基于方差分类图像块的字典训练39-40
• 4.4 仿真结果与分析40-46
• 4.5 本章小结46-48
• 第5章 基于方差分类图像块的重构48-60
• 5.1 基于方差分类图像块重构模型48
• 5.2 重构算法选取48-54
• 5.2.1 OMP算法48-50
• 5.2.2 GPSR算法50-52
• 5.2.3 两种算法重构结果比较52-54
• 5.3 仿真结果与分析54-59
• 5.4 本章小结59-60
• 第6章 总结与展望60-62
• 6.1 本文工作总结60
• 6.2 进一步研究展望60-62
• 参考文献62-66
• 作者简介及科研成果66-67
• 致谢67

【参考文献】

中国期刊全文数据库 前10条

1 牛亚坤;玉振明;李陶深;;一种近似奇异值分解的观测矩阵优化方法[J];计算机应用与软件;2016年01期

2 吴光文;张爱军;王昌明;;一种用于压缩感知理论的投影矩阵优化算法[J];电子与信息学报;2015年07期

3 翟雪含;朱卫平;康彬;;结合KSVD和分类稀疏表示的图像压缩感知[J];计算机工程与应用;2015年06期

4 练秋生;石保顺;陈书贞;;字典学习模型、算法及其应用研究进展[J];自动化学报;2015年02期

5 李然;干宗良;崔子冠;武明虎;朱秀昌;;图像分块压缩感知中的自适应测量率设定方法[J];通信学报;2014年07期

6 党殭;马林华;田雨;张海威;茹乐;李小蓓;;m序列压缩感知测量矩阵构造[J];西安电子科技大学学报;2015年02期

7 李少东;杨军;马晓岩;;基于压缩感知的ISAR高分辨成像算法[J];通信学报;2013年09期

8 胡正平;徐波;白洋;;Gabor特征集结合判别式字典学习的稀疏表示图像识别[J];中国图象图形学报;2013年02期

9 李佳;王强;沈毅;李波;;压缩感知中测量矩阵与重建算法的协同构造[J];电子学报;2013年01期

10 孙道达;赵健;王瑞;冯宁;胡江华;;基于稀疏表示和字典学习的QR码图像去噪[J];西北大学学报(自然科学版);2012年06期

中国硕士学位论文全文数据库 前3条

1 赵魏珏;基于压缩感知的图像超分辨率重构算法研究[D];吉林大学;2014年

2 崔白杨;基于Ridgelet冗余字典的非凸压缩感知重构方法[D];西安电子科技大学;2013年

3 李小波;基于压缩感知的测量矩阵研究[D];北京交通大学;2010年

，

本文编号：609525