基于压缩感知的图像处理方法及应用研究

发布时间：2021-02-01 12:37

　　随着多媒体技术的快速发展和各种智能电子设备的日益普及,以图像为代表的多媒体通信已成为现代网络通信的主流形式。图像信号不同于普通的文本音频数据,具有大数据量、高冗余度、强像素相关性的特点,因而如何安全地将图像传送到接收端,并将其高精度恢复成为图像处理领域的一项研究热点。压缩感知（CS,Compressed Sensing）通过对图像的压缩测量,同时对信号进行压缩和采样,且测量过程具有较强的安全性,在重构端通过求解优化问题从少量的低维投影测量值中,以高概率重构出原始高维信号。CS理论的应用显著降低了数据采集、存储和传输的代价,节省了信号的处理时间和设备成本,能够为图像处理在多媒体通信的应用提供理论基础。本论文基于CS理论,以实现图像的安全传输和高效重构为目的,研究了图像信号的分类字典构造方法,并基于此构造超分辨率重构算法,然后研究了面向安全传输的图像重构方法,最后将CS理论应用于智能交通中,实现对车辆类别的快速识别检测。本论文的具体工作概括如下:第一,首先基于CS理论,说明了图像的频域特征和CS测量域特征呈近似线性相关性;然后基于测量域的相关性特征,对图像块按照其结构特点分为平滑块、纹理块... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：130 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 压缩感知理论现状
    1.3 图像安全传输与超分辨率重构研究现状
        1.3.1 超分辨率重构研究现状
        1.3.2 图像安全传输研究现状
    1.4 课题来源及主要贡献
    1.5 论文结构
第二章 论文相关理论及方法介绍
    2.1 压缩感知理论简介
        2.1.1 压缩感知基本框架
    2.2 超分辨率简介
        2.2.1 超分辨率的主要重建算法
        2.2.2 超分辨率在压缩感知理论上的建模
    2.3 基于压缩感知的图像安全传输
        2.3.1 压缩感知与图像加密的内在联系
    2.4 小结
第三章 基于测量域特征的分类字典构造方法
    3.1 图像测量域与频域的近似线性相关性
        3.1.1 图像频域相关性
        3.1.2 图像测量域相关性
        3.1.3 测量域与频域相关度的近似线性关系
    3.2 基于测量域特征构造分类字典
        3.2.1 基于测量域特征对图像块进行分类
        3.2.2 自适应分配采样率
        3.2.3 字典训练
    3.3 实验结果
        3.3.1 基于测量域特征分类结果
        3.3.2 字典训练结果
        3.3.3 重构图像质量
    3.4 小结
第四章 基于字典学习与相似性约束的超分辨率重构算法
    4.1 分类字典训练
    4.2 图像内部与图像间相似性分析
    4.3 相似性约束与分类字典的联合重构算法
    4.4 标准测试图像实验结果
        4.4.1 评价标准
        4.4.2 主观质量
        4.4.3 客观质量
    4.5 应用于脑部MRI图像的联合超分辨率重构
    4.6 小结
第五章 面向图像安全传输的压缩感知重构方法
    5.1 基于单轮训练字典与随机索引的图像加密传输
        5.1.1 混沌序列控制的测量矩阵
        5.1.2 利用Sigmoid函数对测量值进行量化
        5.1.3 单轮训练字典
    5.2 安全传输性能分析
        5.2.1 密钥空间
        5.2.2 密钥敏感度
        5.2.3 像素相关性分布情况
    5.3 重构图像质量
    5.4 小结
第六章 测量域图像处理在车型识别中的应用
    6.1 基于测量域特征的显著图
        6.1.1 图像在测量域与频域的特征关系
        6.1.2 测量域显著图
        6.1.3 基于显著图的窗口标定
    6.2 用CSCNN进行分类
        6.2.1 CS-CNN框架
        6.2.2 结合测量域显著图的CSCNN车辆分类
    6.3 实验结果
        6.3.1 显著图和窗口标定实验结果
        6.3.2 车辆分类结果
    6.4 小结
第七章 总结与展望
    7.1 总结
    7.2 下一步工作
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]基于稀疏表示的超分辨率图像重建[J]. 周林园,苏彩霞,曹永锋.  计算机工程与设计. 2016(12)
[2]基于压缩感知的鲁棒可分离的密文域水印算法[J]. 肖迪,邓秘密,张玉书.  电子与信息学报. 2015(05)
[3]基于Gabor特征和字典学习的高斯混合稀疏表示图像识别[J]. 詹曙,王俊,杨福猛,方琪.  电子学报. 2015(03)
[4]压缩感知回顾与展望[J]. 焦李成,杨淑媛,刘芳,侯彪.  电子学报. 2011(07)
[5]一次一密体制的安全性分析与改进[J]. 王勇,朱芳来.  四川大学学报(工程科学版). 2007(S1)



本文编号：3012787