基于稀疏表示的图像压缩感知重构算法研究

发布时间：2021-03-26 03:39

　　作为二十一世纪初期最新的信号处理技术,压缩感知打破了奈奎斯特采样定理对采样速率的苛刻要求,实现了图像信号的同时采样和压缩。其利用图像信号具有稀疏性或在某个域内可以稀疏表示的特点,通过观测矩阵获得的少量测量值和重构算法精确重构原始信号。由于从少量的观测值恢复原始信号是一个病态的问题,不能获得唯一解,因此充分利用图像的先验信息是保障图像高精度重构的关键。本文基于图像稀疏表示的先验信息对重构算法进行了深入研究,取得的创新性成果如下:1.针对基于组稀疏表示的重构算法只考虑图像的稀疏性和非局部相似性,没有考虑图像的局部平滑特性,从而导致图像的细节出现过度平滑这一问题,本文提出了一种基于组稀疏表示和加权全变分的图像压缩感知重构算法。该算法考虑信号的稀疏性、非局部相似性和平滑性三种先验信息,针对传统的加权全变分模型采用全局加权会引入错误信息这一问题,采用一种新的加权策略,只对图像的高频分量设置权重,有效地保护了图像的细节信息。此外,针对硬阈值迭代法忽略低频的主分量系数这一问题,采用硬阈值模平方法来更好地保护非主分量系数。实验结果表明,与主流的压缩感知重构算法相比,所提算法的峰值信噪比和结构相似度均取... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

四幅标准测试图像

House在各重

重庆邮电大学硕士学位论文第3章基于组稀疏表示和加权全变分的图像压缩感知重构算法243.视界效果对比图通过不同算法的重构图像和原图进行对比来验证算法的有效性，图3.2、图3.3、图3.4和图3.5分别表示House、Barbara、Monarch和Starfish在各相同采样率下比较算法重构图像的主观视觉质量对比，其对应的采样率分别为0.05、0.10、0.10、和0.40。通过视觉观察可知，在图3.3中NLRTV算法在图像边缘、纹理等细节方面没有得到较好的保护，重构图像视觉质量较差，GSR算法由于没有考虑图像的平滑特性，因此在精细的纹理部分出现平滑现象，GSR-WTV算法对GSR算法做了改进，将局部平滑模型转化到正则项中，来防止图像出现过平滑，对精细的纹理部分有更好地保护作用，说明了本章提出的算法重构出的图像较好地保护了图像的纹理和边缘的细节信息。(a)原图像(b)NLRTV(PSNR=25.62dB)(c)GSR-NCR(PSNR=27.69dB)(d)ALSB(PSNR=28.03dB)(e)GSR(PSNR=27.67dB)(f)GSR-WTV(PSNR=29.22dB)图3.2House在各重构算法下的视觉对比图


本文编号：3100872