專利名稱：基于結(jié)構(gòu)字典的分塊圖像壓縮感知重建方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進ー步涉及一種壓縮感知理論框架下的基于結(jié)構(gòu)字典的分塊壓縮感知圖像重建方法，可用于壓縮觀測下各類自然圖像的高質(zhì)量重構(gòu)。
背景技術(shù)：
為了得到高分辨率的圖像，傳統(tǒng)的圖像獲取方法中需要增加傳感器的數(shù)目，這會增大成像設(shè)備的成本與體積。壓縮感知理論是近幾年在信號處理領(lǐng)域發(fā)展起來的一種新的信息獲取與處理方法，它對稀疏或可壓縮信號同時進行采樣與壓縮，使用低分辨的傳感設(shè)備就可以在終端精確重建信號，從而解決了傳統(tǒng)乃奎斯特采樣中對采樣速率要求的瓶頸問題。在ニ維圖像壓縮感知重建中，如果對原始圖像整體進行采樣，需要較高的計算復(fù) 雜度與硬件代價。之后發(fā)展起來的分塊圖像壓縮感知重建方法先把圖像分為固定大小的圖像塊，對所有的圖像塊進行隨機投影，逐塊重建后再聚合成原圖像。此時，分塊重建具有易于運輸和存儲等優(yōu)點，是實現(xiàn)圖像壓縮感知的ー個重要進步。西安電子科技大學(xué)的專利申請“基于核回歸的壓縮感知圖像重構(gòu)方法”(公開號CN102332153A，申請?zhí)?01110268034. 5，申請日2011年9月13日)中公開了ー種基于核回歸的壓縮感知圖像重構(gòu)方法。該方法首先對圖像進行分塊，利用正交匹配追蹤OMP算法和冗余離散余弦(DCT)字典對這些圖像塊進行初步重構(gòu)，然后對圖像運用核回歸方法得到圖像小塊的局部信息，利用鄰域圖像塊加權(quán)得到圖像小塊的非局部信息，最后利用圖像小塊的局部信息和非局部信息通過最小ニ乘求解得到重構(gòu)圖像小塊，對所有圖像小塊重復(fù)此類操作，獲得最終SAR高分辨重建圖像。該專利申請存在的不足是，對不同圖像塊進行初步重構(gòu)時采用的字典是單ー的冗余離散余弦字典，但不同的圖像塊一般具有不同的結(jié)構(gòu)特征，從而對具有不同結(jié)構(gòu)特征的圖像塊不能進行最稀疏的表示，影響重建效果；另外，該專利有對具有紋理信息的圖像重建效果不理想的缺點。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對現(xiàn)有壓縮感知重構(gòu)技術(shù)中采用單一字典，難以最稀疏的表示具有不同結(jié)構(gòu)特征圖像塊的缺點，而影響圖像的最終重建效果的缺點，提出ー種基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法。本發(fā)明的思路是，首先基于圖像塊的結(jié)構(gòu)特征對圖像塊分進行類，然后以每類圖像塊作為訓(xùn)練樣本，利用K-Singular Value Decomposition (KSVD)字典訓(xùn)練方法訓(xùn)練得到冗余字典與余弦基字典組成結(jié)構(gòu)字典，最后在分塊圖像壓縮感知重建時，利用基于重建誤差加權(quán)求和的方法獲得最終圖像。本發(fā)明的實現(xiàn)的具體步驟如下(I)獲取訓(xùn)練樣本；(2)圖像塊分類
2a)分別計算各個訓(xùn)練樣本的方差；2b)將方差小于平滑閾值的圖像塊歸為平滑類圖像塊，方差大于平滑閾值的圖像塊歸為非平滑類圖像塊；2c)根據(jù)梯度計算方法分別計算各個非平滑類圖像塊中各像素水平方向與垂直方向的梯度，得到梯度矩陣；2d)對梯度矩陣進行奇異值分解，得到左酉矩陣、對角矩陣和右酉矩陣；2e)計算對角矩陣中的兩個奇異值的差與和，并計算兩者的比值；2f)將比值與不規(guī)則閾值進行比較，若比值大于不規(guī)則閾值，則將非平滑類圖像塊歸為規(guī)則類圖像塊，否則，歸為不規(guī)則類圖像塊；2g)利用下式計算規(guī)則類圖像塊指向值
權(quán)利要求
1.ー種基于結(jié)構(gòu)字典的分塊圖像壓縮感知重建方法，包括如下步驟 (1)獲取訓(xùn)練樣本； (2)圖像塊分類 2a)分別計算各個訓(xùn)練樣本的方差； 2b)將方差小于平滑閾值的圖像塊歸為平滑類圖像塊，方差大于平滑閾值的圖像塊歸為非平滑類圖像塊； 2c)根據(jù)梯度計算方法分別計算各個非平滑類圖像塊中各像素水平方向與垂直方向的梯度，得到梯度矩陣； 2d)對梯度矩陣進行奇異值分解，得到左酉矩陣、對角矩陣和右酉矩陣； 2e)計算對角矩陣中的兩個奇異值的差與和，并計算兩者的比值； 2f)將比值與不規(guī)則閾值進行比較，若比值大于不規(guī)則閾值，則將非平滑類圖像塊歸為規(guī)則類圖像塊，否則，歸為不規(guī)則類圖像塊； 2g)利用下式計算規(guī)則類圖像塊指向值
2.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟(I)中所述的獲取訓(xùn)練樣本的具體步驟如下第一歩，從數(shù)據(jù)庫中選取具有平滑特征、不規(guī)則特征及不同的指向信息等多種結(jié)構(gòu)特征信息的多幅原圖像，分別對這些圖像進行下采樣，得到下采樣圖像； 第二歩，將數(shù)據(jù)庫中選取的多幅原圖像與原圖像，構(gòu)成訓(xùn)練樣本庫； 第三步，將樣本庫中的圖像按同樣大小進行不重疊的逐次分塊，隨機抽取10000 40000個訓(xùn)練圖像塊，并將其按列依次拉為列向量，作為訓(xùn)練樣本。
3.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟2b)所述的平滑閾值為10 30。
4.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟2c)所述的梯度計算方法是指，將非平滑類圖像塊中每個像素點的水平分量與垂直分量分別減去其相鄰像素點的水平分量與垂直分量，得到該像素點的梯度，所有像素點的梯度構(gòu)成ー個梯度矩陣。
5.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟2f)所述的不規(guī)則閾值按照下式計算，當概率密度函數(shù)P的曲線下降到水平位置時的變量R即為不規(guī)則閾值
6.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟3b)所述的初始化是指，將初始字典設(shè)為冗余離散余弦字典訓(xùn)練字典，稀疏度設(shè)為6，原子數(shù)目為256,迭代次數(shù)為30。
7.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟3d)所述的余弦基公式如下C=A kcos (, k (xcos Θ +ycos Θ )) 其中，C為余弦基值，k表示余弦基方向變換的頻率，在O I取值范圍內(nèi)取16個均勻分布的離散值，λ k表示余弦基的幅度，當k取值為O或I吋，λ k取值1，否則，λ k取值7 ，Θ表示余弦基變換的方向，在O 取值范圍內(nèi)取16個均勻分布的離散值，x、y分別表示余弦基在水平方向和垂直方向像素點的值。
8.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟6b)所述的正交匹配追蹤方法是指，在字典中貪婪的選取與重建信號最相關(guān)的原子，對所選原子進行加權(quán)求和重建原始信號。
9.根據(jù)權(quán)利要求I所述的基于結(jié)構(gòu)字典的分塊圖像壓縮感知重構(gòu)方法，其特征在于，步驟8b)所述的反分塊處理是指，將最終重建圖像矩陣的列向量恢復(fù)為圖像塊，再將圖像塊逐個排列組成重建圖像。
全文摘要
本發(fā)明公開了一種基于結(jié)構(gòu)字典的分塊圖像壓縮感知重建方法，克服了現(xiàn)有技術(shù)中分塊壓縮感知重建時由于單一字典對具有不同結(jié)構(gòu)的圖像塊不能最稀疏的表示，而導(dǎo)致重建效果不理想的缺點，實現(xiàn)步驟為(1)構(gòu)造訓(xùn)練樣本庫；(2)圖像塊分類；(3)訓(xùn)練結(jié)構(gòu)字典；(4)構(gòu)造觀測矩陣；(5)觀測圖像塊；(6)結(jié)構(gòu)字典重建；(7)獲取重建誤差；(8)重建圖像；(9)輸出重建圖像。采用基于圖像塊在所有結(jié)構(gòu)字典下誤差的加權(quán)求和方法進行重建，明顯的提高了重建質(zhì)量。
文檔編號G06T11/00GK102708576SQ201210155980
公開日2012年10月3日 申請日期2012年5月18日 優(yōu)先權(quán)日2012年5月18日
發(fā)明者侯彪, 劉芳, 楊淑媛, 焦李成, 王爽, 謝冬梅, 陳義光, 馬文萍, 齊智峰 申請人:西安電子科技大學(xué)