国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      基于可變規(guī)模過完備字典的非凸壓縮感知圖像重構(gòu)方法與流程

      文檔序號(hào):11965728閱讀:404來源:國(guó)知局
      基于可變規(guī)模過完備字典的非凸壓縮感知圖像重構(gòu)方法與流程
      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。
      當(dāng)前第1頁1 2 3 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1