本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及圖像壓縮感知重構(gòu)方法，可用于從圖像的壓縮觀測(cè)中獲得高質(zhì)量清晰圖像。

背景技術(shù)：
壓縮感知的理論、方法和技術(shù)為信號(hào)的獲取和處理提供了全新的方式和方法。壓縮感知已經(jīng)成為最引人關(guān)注的新興技術(shù)和科研領(lǐng)域之一。對(duì)壓縮感知的研究主要包括三個(gè)方面：壓縮觀測(cè)，稀疏表示和重構(gòu)方法。其中，重構(gòu)方法研究從信號(hào)的壓縮觀測(cè)中精確重構(gòu)出原信號(hào)，是壓縮感知中的核心問題。壓縮感知重構(gòu)的本源問題是l0范數(shù)約束的非凸優(yōu)化問題。在“F.LiuandL.Lin,etc..Non-convexCompressedSensingbyNature-inspiredOptimizationAlgorithms,IEEETransactionsonCybernetics,DOI:10.1109/TCYB.2014.2343618”一文中提出了一種非凸壓縮感知圖像重構(gòu)方法，該方法采用兩階段的重構(gòu)模型，分別使用遺傳優(yōu)化算法和克隆選擇算法獲得圖像塊在字典方向上和在其他字典參數(shù)上的最優(yōu)原子組合。西安電子科技大學(xué)的專利申請(qǐng)“基于冗余字典和結(jié)構(gòu)稀疏的非凸壓縮感知圖像重構(gòu)方法”(公開號(hào)：CN103295198A，申請(qǐng)?zhí)枺篊N201310192104，申請(qǐng)日：2013年5月13日)中公開了一種基于非凸模型的圖像壓縮重構(gòu)方法，該方法采用與文章方法相似的重構(gòu)模型，提出了另一種非凸壓縮感知圖像重構(gòu)方法。文章方法和專利方法都使用了智能優(yōu)化方法，對(duì)l0范數(shù)約束的非凸重構(gòu)問題采用全局優(yōu)化策略，獲得了比采用局部?jī)?yōu)化策略的經(jīng)典貪婪算法，即OMP方法和IHT方法，更優(yōu)的原子組合和圖像重構(gòu)效果。上述兩種方法均存在，運(yùn)行速度慢，不利于實(shí)時(shí)應(yīng)用的問題。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于針對(duì)上述已有技術(shù)的不足，提出一種基于可變規(guī)模過完備字典的非凸壓縮感知圖像重構(gòu)方法，以提高重構(gòu)速度，便于實(shí)時(shí)應(yīng)用。實(shí)現(xiàn)本發(fā)明目的地技術(shù)方案是：通過挖掘圖像的局部方向特征，為不同結(jié)構(gòu)的圖像塊構(gòu)造可變規(guī)模的過完備字典，并采用不同的優(yōu)化策略，在不損失重構(gòu)精度的前提下，提高重構(gòu)速度，具體步驟包括如下：(1)輸入一幅自然圖像，對(duì)其進(jìn)行分塊后得到一組圖像塊，再對(duì)每個(gè)圖像塊進(jìn)行隨機(jī)觀測(cè)，得到各個(gè)圖像塊的觀測(cè)向量；(2)分別對(duì)每個(gè)觀測(cè)向量對(duì)應(yīng)的圖像塊進(jìn)行標(biāo)記，其標(biāo)記的標(biāo)簽為光滑、單方向和多方向三類，并為每個(gè)標(biāo)記為單方向的圖像塊指定一個(gè)方向字典；(3)對(duì)所有觀測(cè)向量進(jìn)行聚類，并對(duì)每個(gè)聚類進(jìn)行標(biāo)記；(4)為每一類觀測(cè)向量所對(duì)應(yīng)的圖像塊構(gòu)造一個(gè)過完備字典：對(duì)于標(biāo)記為光滑的每一類觀測(cè)向量，把已有的脊波過完備字典按尺度分為15個(gè)子字典，再把它們按尺度從大到小的順序排列，將前7個(gè)子字典組合成光滑字典，并將光滑字典指定為該光滑類對(duì)應(yīng)的圖像塊的過完備字典；對(duì)于標(biāo)記為單方向的每一類觀測(cè)向量，將在步驟(2)得到的該類對(duì)應(yīng)的單方向圖像塊的方向字典組合成一個(gè)新的字典，并將這個(gè)新的字典用作該類對(duì)應(yīng)的圖像塊的過完備字典；對(duì)于標(biāo)記為多方向的每一類觀測(cè)向量，將已有的脊波過完備字典用作該類對(duì)應(yīng)的圖像塊的過完備字典。(5)根據(jù)步驟(4)得到的過完備字典，為不同標(biāo)記的每一類觀測(cè)向量所對(duì)應(yīng)的圖像塊構(gòu)造遺傳初始種群：(5a)對(duì)于標(biāo)記為光滑的每一類觀測(cè)向量，根據(jù)該類的過完備字典，采用隨機(jī)方式得到該類的遺傳初始種群；(5b)對(duì)于標(biāo)記為單方向的每一類觀測(cè)向量，根據(jù)該類的過完備字典中的各個(gè)方向字典，得到該類的遺傳初始種群；(5c)對(duì)于標(biāo)記為多方向的每一類觀測(cè)向量，根據(jù)該類的過完備字典，采用在字典方向上均勻采樣的方式，得到該類的遺傳初始種群；(6)分別利用遺傳優(yōu)化算法對(duì)步驟(5)中的每一個(gè)遺傳初始種群進(jìn)行遺傳交叉、遺傳變異和遺傳選擇這三種操作，獲得每一類觀測(cè)向量對(duì)應(yīng)的圖像塊在字典方向上的最優(yōu)原子組合；(7)對(duì)于每一個(gè)光滑圖像塊，根據(jù)其獲得的最優(yōu)原子組合，計(jì)算該圖像塊的估計(jì)值；(8)對(duì)于每一個(gè)單方向和多方向圖像塊，根據(jù)其獲得的最優(yōu)原子組合，構(gòu)造該圖像塊的克隆初始種群；(9)分別利用克隆選擇優(yōu)化算法對(duì)步驟(8)的每一個(gè)克隆初始種群進(jìn)行克隆、克隆變異和克隆選擇這三種操作，獲得每個(gè)單方向和多方向圖像塊在尺度和位移上的最優(yōu)原子組合；(10)對(duì)于每個(gè)單方向和多方向圖像塊，根據(jù)在步驟(9)獲得的最優(yōu)原子組合，計(jì)算該圖像塊的估計(jì)值；(11)將在步驟(7)獲得的光滑圖像塊的估計(jì)值，以及在步驟(10)獲得的單方向和多方向圖像塊的估計(jì)值按順序拼接起來，得到重構(gòu)圖像。本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)：第一，本發(fā)明利用了圖像塊的觀測(cè)向量和已有的脊波過完備字典，對(duì)圖像塊進(jìn)行標(biāo)記，并為光滑圖像塊和單方向圖像塊構(gòu)造了小規(guī)模的過完備字典，可以減小壓縮感知重構(gòu)算法的搜索范圍，從而有效減少重構(gòu)時(shí)間。第二，本發(fā)明由于對(duì)不同類型的圖像塊設(shè)置不同的稀疏度參數(shù)，能夠用較少的原子表示光滑圖像塊和單方向圖像塊，因此減少了重構(gòu)算法中的數(shù)據(jù)運(yùn)算量。第三，本發(fā)明針對(duì)光滑圖像塊結(jié)構(gòu)簡(jiǎn)單的特點(diǎn)，對(duì)光滑圖像塊使用了一階段重構(gòu)方法，對(duì)單方向和多方向圖像塊則使用兩階段重構(gòu)方法，能夠在不損失重構(gòu)精度的前提下，有效提高重構(gòu)速度。下面結(jié)合實(shí)施例附圖對(duì)本發(fā)明作進(jìn)一步說明附圖說明圖1是本發(fā)明的實(shí)現(xiàn)總流程示意圖；圖2是本發(fā)明中判斷圖像塊的結(jié)構(gòu)類型的子流程示意圖；圖3是用本發(fā)明及兩種現(xiàn)有方法在30％的采樣率下分別對(duì)Barbara圖的重構(gòu)結(jié)果圖；圖4是用本發(fā)明及兩種現(xiàn)有方法在30％的采樣率下分別對(duì)Lena圖的重構(gòu)結(jié)果圖；圖5是用本發(fā)明及兩種現(xiàn)有方法的平均運(yùn)行時(shí)間對(duì)比圖。具體實(shí)施方式參照?qǐng)D1，本發(fā)明的實(shí)施步驟如下：步驟1，獲得輸入圖像的分塊觀測(cè)向量。輸入一幅自然圖像，對(duì)其進(jìn)行分塊后得到一組圖像塊，再對(duì)每個(gè)圖像塊進(jìn)行隨機(jī)觀測(cè)，得到各個(gè)圖像塊的觀測(cè)向量。本實(shí)施例中，將512×512的圖像分成16×16的不重疊塊，共得到1024個(gè)圖像塊，對(duì)這些圖像塊，使用高斯隨機(jī)矩陣進(jìn)行觀測(cè)，得到圖像塊的1024個(gè)觀測(cè)向量。步驟2，分別對(duì)每個(gè)觀測(cè)向量對(duì)應(yīng)的圖像塊進(jìn)行標(biāo)記。分別對(duì)每個(gè)觀測(cè)向量對(duì)應(yīng)的圖像塊進(jìn)行標(biāo)記，其標(biāo)記的標(biāo)簽為光滑、單方向和多方向三類，并為每個(gè)標(biāo)記為單方向的圖像塊指定一個(gè)方向字典。參照?qǐng)D2，本步驟所涉及的標(biāo)記各個(gè)觀測(cè)向量對(duì)應(yīng)的圖像塊的具體實(shí)現(xiàn)如下：(2.1)計(jì)算各個(gè)觀測(cè)向量的方差，并設(shè)置光滑閾值為0.45σ，其中，σ是所有觀測(cè)向量的方差的平均值；(2.2)對(duì)每個(gè)觀測(cè)向量，判斷其方差是否不大于光滑閾值，如果滿足條件，則將該觀測(cè)向量對(duì)應(yīng)的圖像塊標(biāo)記為光滑，如果條件不滿足，則不做標(biāo)記；(2.3)對(duì)每個(gè)尚未標(biāo)記的圖像塊的觀測(cè)向量進(jìn)行以下判定：將已有的脊波過完備字典按方向分為36個(gè)子字典Ψ1,Ψ2,…,Ψ36，根據(jù)一個(gè)觀測(cè)向量y和這些方向字典，計(jì)算得到一個(gè)觀測(cè)殘差值序列r1,r2,…,r36，找到序列中的最小值在序列中的位置i；按如下公式計(jì)算序列中對(duì)應(yīng)一個(gè)子字典Ψ的觀測(cè)殘差r：式中，y是待判定圖像塊的觀測(cè)向量，Φ是用于觀測(cè)的高斯矩陣，Dr是子字典Ψ中與y相關(guān)性最大的10個(gè)原子的組合，(·)+計(jì)算得到矩陣的偽逆矩陣，是向量二范數(shù)的平方；利用序列中位置i-2，i-1，i，i+1和i+2上的五個(gè)殘差值ri-2，ri-1，ri，ri+1和ri+2，對(duì)觀測(cè)向量y對(duì)應(yīng)的圖像塊進(jìn)行標(biāo)記：若ri-2大于ri-1，ri-1大于1.2ri，ri+1大于1.2ri，且ri+2大于ri+1，則將觀測(cè)向量y對(duì)應(yīng)的圖像塊標(biāo)記為單方向，并將Ψi指定為該圖像塊的方向字典，否則，不做標(biāo)記；在判斷條件中，若i為1，ri-1和ri-2分別用r36和r35代替，若i為2，ri-2用r36代替，若i為36，ri+1和ri+2分別用r1和r2代替，若i為35，條件中ri+2用r1代替；(2.4)將其他尚未標(biāo)記的圖像塊標(biāo)記為多方向。步驟3，對(duì)所有觀測(cè)向量進(jìn)行聚類，并對(duì)每個(gè)聚類進(jìn)行標(biāo)記。聚類方法有多種，例如C均值聚類方法，模糊聚類方法，仿射聚類算法等，本實(shí)施例中，使用的聚類方法為已有的仿射聚類算法，其步驟如下：(3.1)對(duì)所有光滑圖像塊對(duì)應(yīng)的觀測(cè)向量進(jìn)行聚類，并將得到的每個(gè)聚類標(biāo)記為光滑；(3.2)對(duì)所有單方向圖像塊對(duì)應(yīng)的觀測(cè)向量進(jìn)行聚類，并將得到的每個(gè)聚類標(biāo)記為單方向；(3.3)對(duì)所有多方向圖像塊對(duì)應(yīng)的觀測(cè)向量進(jìn)行聚類，并將得到的每個(gè)聚類標(biāo)記為多方向。步驟4，為每一類觀測(cè)向量對(duì)應(yīng)的圖像塊構(gòu)造一個(gè)過完備字典。對(duì)于標(biāo)記為光滑的每一類觀測(cè)向量，把已有的脊波過完備字典按尺度分為15個(gè)子字典，再把它們按尺度從大到小的順序排列，將前7個(gè)子字典組合成光滑字典，并將光滑字典指定為該光滑類對(duì)應(yīng)的圖像塊的過完備字典；對(duì)于標(biāo)記為單方向的每一類觀測(cè)向量，將在步驟(2)得到的該類對(duì)應(yīng)的單方向圖像塊的方向字典組合成一個(gè)新的字典，并將這個(gè)新的字典用作該類對(duì)應(yīng)的圖像塊的過完備字典；對(duì)于標(biāo)記為多方向的每一類觀測(cè)向量，將已有的脊波過完備字典用作該類對(duì)應(yīng)的圖像塊的過完備字典。本實(shí)施例中，已有的脊波過完備字典中有11280個(gè)字典原子，按照字典原子的方向參數(shù)劃分，可分為36個(gè)方向字典，每個(gè)方向字典中有約300個(gè)字典原子，按照字典原子的尺度參數(shù)劃分，可分為15個(gè)尺度字典，光滑字典中有5264個(gè)字典原子。步驟5，為每一類觀測(cè)向量對(duì)應(yīng)的圖像塊構(gòu)造遺傳初始種群。(5a)對(duì)于標(biāo)記為光滑的每一類觀測(cè)向量，根據(jù)該類的過完備字典，隨機(jī)產(chǎn)生種群中的每一個(gè)個(gè)體，個(gè)體的長(zhǎng)度為k1，種群的個(gè)體總數(shù)為n1，得到遺傳初始種群；(5b)對(duì)于標(biāo)記為單方向的每一類觀測(cè)向量，分別利用該類的過完備字典中的每一個(gè)方向字典，以隨機(jī)方式產(chǎn)生m個(gè)長(zhǎng)度為k2的個(gè)體，將這些個(gè)體集合在一起，得到該類的遺傳初始種群，其中，利用一個(gè)方向字典D產(chǎn)生的個(gè)體的個(gè)數(shù)m，按如下公式計(jì)算：式中，n2是種群中個(gè)體的總個(gè)數(shù)，N是類中包含的觀測(cè)向量的個(gè)數(shù)，nD是方向字典D成為該類中的觀測(cè)向量所對(duì)應(yīng)的單方向圖像塊的方向字典的次數(shù)，[·]是取整運(yùn)算。(5c)對(duì)于標(biāo)記為多方向的每一類觀測(cè)向量，分別利用已有的脊波過完備字典中的每一個(gè)子字典，以隨機(jī)方式產(chǎn)生一個(gè)長(zhǎng)度為k3的個(gè)體，共得到36個(gè)個(gè)體，由這些個(gè)體得到該類的遺傳初始種群。本實(shí)施例中，k1，k2和k3分別取值為16，20和32，n1和n2分別取值為20和36。步驟6，利用遺傳優(yōu)化算法獲得每一類觀測(cè)向量對(duì)應(yīng)的圖像塊在字典方向上的最優(yōu)原子組合Ds。(6.1)對(duì)一類觀測(cè)向量對(duì)應(yīng)的圖像塊在步驟(5)獲得的遺傳初始種群，利用遺傳優(yōu)化算法進(jìn)行遺傳交叉和遺傳變異兩種操作，得到遺傳變異種群B0，同時(shí)，設(shè)置迭代次數(shù)的初值t＝0；(6.2)計(jì)算遺傳變異種群Bt中的每一個(gè)個(gè)體的適應(yīng)度；(6.3)根據(jù)遺傳變異種群Bt中的個(gè)體適應(yīng)度，對(duì)遺傳變異種群Bt利用遺傳優(yōu)化算法進(jìn)行遺傳選擇操作，得到最優(yōu)遺傳種群At+1；(6.4)判斷迭代次數(shù)t的值是否大于遺傳算法的迭代終止次數(shù)T，若條件滿足，則執(zhí)行步驟(6.5)，若條件不滿足，則對(duì)步驟(6.3)得到的最優(yōu)遺傳種群At+1利用遺傳優(yōu)化算法進(jìn)行遺傳交叉和遺傳變異兩種操作，得到新的遺傳變異種群Bt+1，并使t值增1，返回步驟(6.2)；(6.5)保存最優(yōu)遺傳種群At+1，標(biāo)記At+1中適應(yīng)度最大的個(gè)體為最優(yōu)遺傳個(gè)體，并對(duì)此最優(yōu)個(gè)體進(jìn)行解碼操作，得到該類觀測(cè)向量對(duì)應(yīng)的圖像塊在字典方向上的最優(yōu)原子組合Ds。本實(shí)施例中，遺傳算法的迭代終止次數(shù)T取值為200。步驟7，計(jì)算每個(gè)光滑圖像塊的估計(jì)值。對(duì)于每一個(gè)光滑圖像塊，根據(jù)在步驟(6)獲得的該圖像塊的最優(yōu)原子組合Ds，按照如下公式計(jì)算該圖像塊的估計(jì)值xs：xs＝Ds[(ΦDs)+ys]，式中，Φ是用于觀測(cè)的高斯矩陣，ys是該光滑圖像塊的觀測(cè)向量，(·)+計(jì)算得到矩陣的偽逆矩陣。步驟8，對(duì)于每一個(gè)單方向和多方向圖像塊，構(gòu)造該圖像塊的克隆初始種群。(8.1)獲取一個(gè)圖像塊的4個(gè)非局部相似圖像塊R4，即先計(jì)算該圖像塊的觀測(cè)向量與其他非光滑圖像塊的觀測(cè)向量之間的歐式距離，再將歐式距離按從小到大的順序排列，前4個(gè)距離對(duì)應(yīng)的圖像塊就是該圖像塊的4個(gè)非局部相似圖像塊R4；(8.2)根據(jù)所述非局部相似圖像塊R4，利用如下公式計(jì)算該圖像塊的克隆初始種群P：P＝At+1∪N4∪L8，式中，At+1是該圖像塊的最優(yōu)遺傳種群，N4是R4的最優(yōu)個(gè)體組成的集合，L8是該圖像塊四周的8個(gè)圖像塊中的非光滑圖像塊的最優(yōu)遺傳個(gè)體組成的集合，∪是集合的并操作。步驟9，利用克隆選擇優(yōu)化算法分別獲得每個(gè)單方向和多方向圖像塊在尺度和位移上的最優(yōu)原子組合Dn。(9.1)對(duì)一個(gè)圖像塊的克隆初始種群利用克隆選擇算法進(jìn)行克隆和克隆變異兩種操作，得到克隆變異種群Q0，設(shè)置迭代次數(shù)的初值k＝0；(9.2)計(jì)算克隆變異種群Qk中的每一個(gè)個(gè)體的親和度；(9.3)根據(jù)克隆變異種群Qk中的個(gè)體的親和度，對(duì)克隆變異種群Qk利用克隆選擇優(yōu)化算法進(jìn)行克隆選擇操作，得到最優(yōu)克隆種群Pk+1；(9.4)判斷迭代次數(shù)k的值是否大于克隆算法的迭代終止次數(shù)TC，若條件滿足，則執(zhí)行步驟(9.5)，若條件不滿足，則對(duì)克隆最優(yōu)種群Pk+1利用克隆選擇優(yōu)化算法進(jìn)行克隆和克隆變異兩種操作，得到新的克隆變異種群Qk+1，并使k值增1，返回步驟(9.2)；(9.5)標(biāo)記克隆最優(yōu)種群Pk+1中親和度最大的個(gè)體為最優(yōu)克隆個(gè)體，并對(duì)此最優(yōu)克隆個(gè)體進(jìn)行解碼操作，得到該類觀測(cè)向量對(duì)應(yīng)的圖像塊在尺度和位移上的最優(yōu)原子組合Dn。本實(shí)施例中，克隆算法的迭代終止次數(shù)TC取值為20。步驟10，計(jì)算每個(gè)單方向和多方向圖像塊的估計(jì)值。對(duì)于每一個(gè)單方向和多方向圖像塊，根據(jù)在步驟(8)獲得的該圖像塊的最優(yōu)原子組合Dn，按照如下公式計(jì)算該圖像塊的估計(jì)值xn：xn＝Dn[(ΦDn)+yn]，其中，yn是該圖像塊的觀測(cè)向量。步驟11，將所有圖像塊的估計(jì)值按順序拼接起來，得到重構(gòu)圖像。本發(fā)明的效果由以下仿真進(jìn)一步說明。1.仿真條件選擇CPU為Interi3-2100，主頻為3.1GHZ，內(nèi)存為4G，操作系統(tǒng)為Win7，仿真平臺(tái)為Matlab2013a。實(shí)驗(yàn)方法：本發(fā)明以及已有的結(jié)構(gòu)稀疏重構(gòu)方法和兩階段重構(gòu)方法。其中：結(jié)構(gòu)稀疏重構(gòu)方法為西安電子科技大學(xué)的專利申請(qǐng)“基于冗余字典和結(jié)構(gòu)稀疏的非凸壓縮感知圖像重構(gòu)方法”(公開號(hào)：CN103295198A，申請(qǐng)?zhí)枺篊N201310192104，申請(qǐng)日：2013年5月13日)中提出。兩階段重構(gòu)方法在“F.LiuandL.Lin,etc..Non-convexCompressedSensingbyNature-inspiredOptimizationAlgorithms,IEEETransactionsonCybernetics,DOI:10.1109/TCYB.2014.2343618”一文中提出。2.實(shí)驗(yàn)內(nèi)容與結(jié)果分析實(shí)驗(yàn)1：在采樣率為30％的條件下，用本發(fā)明方法和現(xiàn)有方法分別對(duì)Barbara圖進(jìn)行重構(gòu)實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖3所示，其中：圖3(a1)為Barbara原圖，圖3(a2)為圖3(a1)的局部放大圖；圖3(b1)為用結(jié)構(gòu)稀疏重構(gòu)方法得到的重構(gòu)圖，圖3(b2)為圖3(b1)的局部放大圖；圖3(c1)為用兩階段重構(gòu)方法得到的重構(gòu)圖，圖3(c2)為圖3(c1)的局部放大圖；圖3(d1)為用本發(fā)明方法得到的重構(gòu)圖，圖3(d2)為圖3(d1)的局部放大圖。圖3的實(shí)驗(yàn)結(jié)果說明，使用本發(fā)明方法得到的重構(gòu)圖像比使用已有的兩種方法得到的重構(gòu)圖像，在視覺效果上更佳。從這些圖像的局部放大圖的對(duì)比可以看出，本發(fā)明方法能夠獲得對(duì)圖像中的單方向紋理更準(zhǔn)確的估計(jì)。實(shí)驗(yàn)2：在采樣率為30％的條件下，用本發(fā)明方法和現(xiàn)有方法分別對(duì)Lena圖進(jìn)行重構(gòu)實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖4所示，其中：圖4(a1)為L(zhǎng)ena原圖，圖4(a2)為圖4(a1)的局部放大圖；圖4(b1)為用結(jié)構(gòu)稀疏重構(gòu)方法得到的重構(gòu)圖，圖4(b2)為圖4(b1)的局部放大圖；圖4(c1)為用兩階段重構(gòu)方法得到的重構(gòu)圖，圖4(c2)為圖4(c1)的局部放大圖；圖4(d1)為用本發(fā)明方法得到的重構(gòu)圖，圖4(d2)為圖4(d1)的局部放大圖。圖4的實(shí)驗(yàn)結(jié)果說明，與已有的兩種方法相比，使用本發(fā)明方法得到的重構(gòu)圖像，在視覺效果上更好。從各局部放大圖的對(duì)比可以看出，本發(fā)明方法能夠獲得更清晰的圖像的邊緣，更干凈的光滑區(qū)域，說明本發(fā)明對(duì)自然圖像有較好的重構(gòu)性能。實(shí)驗(yàn)3：在不同采樣率下，用本發(fā)明方法和現(xiàn)有方法分別對(duì)Lena，Barbara和Peppers圖進(jìn)行重構(gòu)實(shí)驗(yàn)，并將得到的數(shù)值結(jié)果進(jìn)行比較，結(jié)果如表1，表2和圖5所示，其中：表1是三種方法在圖像峰值信噪比PSNR指標(biāo)上的結(jié)果；表2是三種方法在結(jié)構(gòu)相似SSIM指標(biāo)上的結(jié)果；圖5是三種方法的平均運(yùn)行時(shí)間對(duì)比圖。表1三種方法的圖像峰值信噪比PSNR指標(biāo)的結(jié)果表2三種方法的結(jié)構(gòu)相似SSIM指標(biāo)的結(jié)果表1和表2的實(shí)驗(yàn)結(jié)果說明，在三種實(shí)驗(yàn)方法中，本發(fā)明在絕大部分的測(cè)試采樣率和測(cè)試圖像上，能取得最好的高峰值信噪比PSNR和結(jié)構(gòu)相似SSIM指標(biāo)值，說明本發(fā)明對(duì)自然圖像有較好的重構(gòu)性能。圖5的實(shí)驗(yàn)結(jié)果說明，本發(fā)明方法的運(yùn)行時(shí)間遠(yuǎn)遠(yuǎn)少于已有的兩種方法，更適合實(shí)時(shí)應(yīng)用。綜上所述，本發(fā)明實(shí)現(xiàn)了通過構(gòu)造可變規(guī)模過完備字典進(jìn)行非凸壓縮感知圖像重構(gòu)，能夠以較少的時(shí)間代價(jià)，獲得對(duì)自然圖像良好的壓縮感知重構(gòu)效果。