專利名稱：基于邊緣結(jié)構(gòu)信息的分塊壓縮感知重構(gòu)方法
基于邊緣結(jié)構(gòu)信息的分塊壓縮感知重構(gòu)方法技術(shù)領(lǐng)域
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及圖像分塊壓縮感知重構(gòu)方法，可用于對 自然圖像和SAR圖像進(jìn)行重構(gòu)。
背景技術(shù)：
隨著成像技術(shù)的改進(jìn)以及圖像分辨率的提高，圖像的數(shù)據(jù)量也在不斷擴(kuò)大，給圖 像的傳輸帶來了巨大的壓力，因此，就需要對圖像進(jìn)行有效的壓縮和重構(gòu)。
美國學(xué)者Cand6s和Donoho在傳統(tǒng)的壓縮和重構(gòu)方法基礎(chǔ)上于2006年正式提 出了 壓縮感知的概念，如D0N0H0 D. Compressed sensing [J] IEEE Trans. Information Theory,2006,52(4) :1289-1306 ；CANDES Ε.Compressive sampling[C]//Proceedings of the International Congress of Mathematicians. Madrid, Spain [s.η.],2006 1433-1452。其核心思想是將傳統(tǒng)壓縮過程中的采樣與編碼過程合并進(jìn)行，利用信號的稀疏 性，以遠(yuǎn)低于奈奎斯特采樣率的速率對信號進(jìn)行非自適應(yīng)的測量編碼。測量值并非信號本 身，而是從高維到低維的投影值。然后在盲目源分離中的求逆思想下，利用信號稀疏分解中 已有的重構(gòu)方法在概率意義上實(shí)現(xiàn)信號的精確重構(gòu)或一定誤差下的近似重構(gòu)。壓縮感知的 優(yōu)點(diǎn)在于信號的投影測量數(shù)據(jù)量遠(yuǎn)遠(yuǎn)小于傳統(tǒng)采樣方法所獲的數(shù)據(jù)量，突破了奈奎斯特采 樣定理的瓶頸，使得高分辨率信號的采集成為可能。
在此基石出上 Lu Gan 在，，Block compressed sensing of natural images，，， in Proceedings of the International Conference on Digital Signal Processing, Cardiff, UK, July 2007，pp. 403-406 —文中提出了基于塊采樣的自然圖像的快速壓縮感 知。其方法是把原始圖像分成若干大小相同的塊，對每個(gè)小塊進(jìn)行DCT變換，并使用相同的 感知矩陣對每個(gè)小塊進(jìn)行獨(dú)立的壓縮采樣，然后使用最小均方誤差線性估計(jì)的方法重構(gòu)每 個(gè)圖像塊，再把圖像塊拼起來得到圖像，再經(jīng)過一系列后處理使得圖像的視覺效果提高。這 樣做主要的優(yōu)勢在于此方法是對每個(gè)小塊進(jìn)行獨(dú)立測量，所以速度快，占用內(nèi)存小，但是存 在的缺點(diǎn)是后處理雖然去除了塊效應(yīng)，但使圖像的邊緣變得模糊。發(fā)明內(nèi)容
本發(fā)明目的在于克服已有技術(shù)的不足，提出一種基于邊緣結(jié)構(gòu)信息的分塊壓縮感 知重構(gòu)方法，提高重構(gòu)圖像的質(zhì)量。
實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是利用邊緣檢測得到了邊緣初步位置，用有邊緣結(jié) 構(gòu)信息指導(dǎo)MP算法對邊緣位置上的點(diǎn)進(jìn)行學(xué)習(xí)，對非邊緣位置上的點(diǎn)用廣義逆來代替，具 體步驟如下
(1)把一幅圖像分成若干個(gè)32X32的小塊；
(2)對每個(gè)小塊進(jìn)行小波變換，保留圖像變換后的低頻信號，并對高頻信號進(jìn)行壓 縮采樣，得到測量向量y:
y = A*x，其中χ是原始圖像的小波變換，A是MXN隨機(jī)感知矩陣，其中M << N ；
(3)把變換后的圖像塊高頻部分全部置零，并與保留下來的低頻信息一起進(jìn)行逆 小波變換，將逆變換后的圖像塊拼接，得到一幅模糊圖像，對該模糊圖像使用canny算子進(jìn) 行邊緣檢測，得到圖像邊緣的初步位置；
(4)把圖像邊緣的初步位置分成與要重構(gòu)的圖像塊相對應(yīng)的32X32小塊，如果圖 像塊對應(yīng)的邊緣的初步位置中不含邊緣信息，則認(rèn)為該圖像塊中不含邊緣，并對不含邊緣 的每個(gè)圖像塊利用現(xiàn)有的分段正交匹配追蹤MOMP算法進(jìn)行重構(gòu)；否則認(rèn)為該塊中含有邊 緣，對含邊緣的每個(gè)圖像塊的邊緣利用有邊緣信息指導(dǎo)的匹配追蹤MP算法進(jìn)行重構(gòu)，并對 該圖像塊中的非邊緣部分用廣義逆重構(gòu)；
(5)將重構(gòu)的每個(gè)圖像塊拼接在一起，得到原圖的重構(gòu)圖。
本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)
1.速度快，尤其是在大規(guī)模的圖像的重構(gòu)上能顯示其優(yōu)勢
本發(fā)明由于通過邊緣檢測得到了邊緣的初步位置，因此只需對邊緣的初步位置點(diǎn) 進(jìn)行學(xué)習(xí)，另外本發(fā)明是把圖像分成小圖像塊，再將每個(gè)圖像塊進(jìn)行重構(gòu)，重構(gòu)過程中塊與 塊之間沒有關(guān)聯(lián)，因而圖像塊之間可以并行重構(gòu)，大大加快了重構(gòu)速度。
2.重構(gòu)效果好，對自然圖像和SAR圖像均可適用
本發(fā)明由于利用邊緣檢測來定位邊緣初步位置，因而比現(xiàn)有的其他的方法更準(zhǔn) 確，重構(gòu)圖像的邊緣位置效果要更好，且本發(fā)明采用了小波變換，重構(gòu)圖中沒有塊效應(yīng)，因 此重構(gòu)效果好。


圖1是本發(fā)明的流程圖2是基于塊采樣的自然圖像的快速壓縮感知與本發(fā)明的重構(gòu)結(jié)果對比圖3是用本發(fā)明與現(xiàn)有MP，BP，Lasso方法對Lena圖像重構(gòu)結(jié)果圖及部分放大圖4是本發(fā)明與現(xiàn)有MP，BP，LaSS0方法對Lena圖像在不同采樣率下的PSNR值以 及重構(gòu)時(shí)間的曲線圖5是本發(fā)明與現(xiàn)有MP，BP方法對chinalake圖像的重構(gòu)結(jié)果圖及殘差圖6是本發(fā)明與現(xiàn)有MP，BP方法對chinalake圖像在不同采樣率下的誤差率值以 及重構(gòu)時(shí)間的曲線圖。
具體實(shí)施方式
參照圖1，本發(fā)明的具體實(shí)施過程如下
步驟一，把一幅圖像分成若干個(gè)小塊，本實(shí)例分成的小塊大小為32X32，但不限于 此數(shù)值；
步驟二，對每個(gè)圖像塊進(jìn)行小波變換，保留低頻信號，對高頻信號進(jìn)行壓縮采樣， 得到測量向量y:
y = A*x，其中χ是原始圖像的小波變換，A是MXN隨機(jī)感知矩陣，其中M << N ；
步驟三，用低頻信息還原圖像，對此還原圖像進(jìn)行邊緣檢測；
把變換后的圖像塊的高頻部分全部置零，并與保留下來的低頻信息一起進(jìn)行逆小 波變換，將逆變換后的圖像塊拼接，得到一幅模糊圖像，對該模糊圖像使用carmy算子進(jìn)行邊緣檢測得到圖像邊緣的初步位置，其中本實(shí)例中carmy算子的參數(shù)在自然圖像中為0.20，SAR 圖像中為 0. 23 ；
步驟四，根據(jù)圖像邊緣的初步位置重構(gòu)每個(gè)圖像塊
(4a)把圖像邊緣的初步位置分成與要重構(gòu)的圖像塊相對應(yīng)的32X32小塊；
(4b)如果圖像塊對應(yīng)的邊緣的初步位置中不含邊緣信息，則認(rèn)為該圖像塊中不含 邊緣，并對不含邊緣的每個(gè)圖像塊用現(xiàn)有的分段正交匹配追蹤MOMP算法進(jìn)行重構(gòu)；
(4c)如果圖像塊對應(yīng)的邊緣的初步位置中含有邊緣信息，則認(rèn)為該塊中含有邊 緣，對該圖像塊中的非邊緣部分用k倍廣義逆重構(gòu)，其中k在自然圖像中為1. 2, SAR圖像中 為1. 6，并對含邊緣的每個(gè)圖像塊的邊緣利用有邊緣結(jié)構(gòu)信息指導(dǎo)的匹配追蹤MP算法進(jìn)行 重構(gòu)
(4cl)初始化初始化迭代次數(shù)i = 0，逼近信號f (0) = 0，殘差信號R(O) = y，迭 代終止誤差ε = 10_5，最大迭代次數(shù)L = 2 ；
(4c2)計(jì)算殘差信號R(i)與感知矩陣A中對應(yīng)于邊緣位置的原子的內(nèi)積，按照內(nèi) 積從大到小的順序，找出感知矩陣A中與殘差信號R(i)最匹配的原子；
(4c3)更新逼近信號為f(i+l) = f⑴+PvR(i)，其中，PvR(i)為殘差信號R(i) 在選定的原子上正交投影，根據(jù)更新后的逼近信號f(i+l)更新殘差信號為R(i+1)= y-f(i+l)；
(4c4)將更新后殘差信號R(i+1)相對于測量向量y的絕對誤差I(lǐng) R(i+1) | / y 與迭代終止誤差ε進(jìn)行比較，若I IE (i+Ι) |/| |y| I < ε或者迭代次數(shù)i滿足i > L，則停 止迭代；否則，給迭代次數(shù)i加1，轉(zhuǎn)至步驟(4c2)。
步驟五，將重構(gòu)的每個(gè)圖像塊拼接在一起，得到原圖的重構(gòu)圖。
本發(fā)明的優(yōu)點(diǎn)由以下仿真的數(shù)據(jù)和圖像進(jìn)一步說明。
1.仿真條件
1)選取標(biāo)準(zhǔn)測試自然圖像Lena，將本發(fā)明與基于塊采樣的自然圖像的快速壓縮 感知的重構(gòu)性能進(jìn)行對比；
2)選取四幅標(biāo)準(zhǔn)測試自然圖像P印pers、Lena, Boat、Barbara，將本發(fā)明與現(xiàn)有 的MP，BP，Lasso方法的重構(gòu)性能進(jìn)行對比；
3)選取三幅SAR 圖像chinalake、piperiver、horsetrack，將本發(fā)明與現(xiàn)有的MP， BP方法的重構(gòu)性能進(jìn)行對比；
4)仿真實(shí)驗(yàn)中邊緣檢測采用canny檢測算子，其參數(shù)在自然圖像中為0. 20，SAR圖 像中為0. 23 ；
5)基于有邊緣信息指導(dǎo)的MP算法中最大迭代次數(shù)L為2次；
6)用k倍的廣義逆重構(gòu)含邊緣的圖像塊中非邊緣部分，其中k在自然圖像中為1.2，SAR圖像中為1. 6。
2.仿真內(nèi)容與結(jié)果
1)將本發(fā)明與基于塊采樣的自然圖像的快速壓縮感知的重構(gòu)方法性能對比
本實(shí)驗(yàn)的目的是對比本發(fā)明與現(xiàn)有基于塊采樣的自然圖像的快速壓縮感知的重 構(gòu)方法的性能。實(shí)驗(yàn)數(shù)據(jù)是512X512的標(biāo)準(zhǔn)測試圖像Lena。實(shí)驗(yàn)中基于塊采樣的自然圖像 的快速壓縮感知重構(gòu)方法按照Lu Gan. Tlock compressed sensing of natural images”，in Proceedings of the International Conference on Digital Signal Processing, Cardiff, UK, July 2007，pp. 403-406 —文中提出的方案實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果如圖2所示。圖 2從視覺效果上展示了實(shí)驗(yàn)結(jié)果，其中圖2(a)是基于塊采樣的自然圖像的快速壓縮感知的 重構(gòu)結(jié)果，圖2(b)是本發(fā)明的重構(gòu)結(jié)果，圖2(a)中有很明顯的塊效應(yīng)，而圖2(b)則很光 滑，且邊緣處線條清晰干凈。
2)本發(fā)明與現(xiàn)有的MP，BP, Lasso方法重構(gòu)結(jié)果對比
本實(shí)驗(yàn)的目的是展示在相同的高頻采樣M/N = 20%的情況下，本發(fā)明與現(xiàn)有的 MP, BP, Lasso方法對自然圖像重構(gòu)結(jié)果；在不同的采樣率下，本發(fā)明與現(xiàn)有的MP，BP，Lasso 方法對自然圖像重構(gòu)所需時(shí)間和PSNR值的變化趨勢。
在相同的高頻采樣M/N = 20%的情況下，本發(fā)明與現(xiàn)有的MP，BP，LaSS0方法對四 幅大小為512X512的標(biāo)準(zhǔn)測試自然圖像P印pers、Lena、Boat、Barbara重構(gòu)結(jié)果的圖像評 價(jià)指標(biāo)PSNR值和重構(gòu)所需時(shí)間如表1所示，視覺效果如圖3所示，其中圖3(a)為原圖，圖 3(b)是圖3(a)的局部放大圖，圖3(c)、圖3(e)、圖3(g)和圖3(i)分別是本發(fā)明、MP和BP 方法的重構(gòu)圖像，圖3 (d)、圖3 (f)、圖3 (h)和圖3 (j)分別是圖3 (c)、圖3 (e)、圖3 (g)和圖 3(i)的局部放大圖。
表1 自然圖像大小 512X512，M/N = 20%
權(quán)利要求
1.一種基于邊緣結(jié)構(gòu)信息的分塊壓縮感知重構(gòu)方法，包括如下步驟(1)把一幅圖像分成若干個(gè)32X32的小塊；(2)對每個(gè)小塊進(jìn)行小波變換，保留圖像變換后的低頻信號，并對高頻信號進(jìn)行壓縮采 樣，得到測量向量y:y = A*x，其中χ是原始圖像的小波變換，A是MXN隨機(jī)感知矩陣，其中M << N ；(3)把變換后的圖像塊高頻部分全部置零，并與保留下來的低頻信息一起進(jìn)行逆小波 變換，將逆變換后的圖像塊拼接，得到一幅模糊圖像，對該模糊圖像使用canny算子進(jìn)行邊 緣檢測，得到圖像邊緣的初步位置；(4)把圖像邊緣的初步位置分成與要重構(gòu)的圖像塊相對應(yīng)的32X32小塊，如果圖像塊 對應(yīng)的邊緣的初步位置中不含邊緣信息，則認(rèn)為該圖像塊中不含邊緣，并對不含邊緣的每 個(gè)圖像塊利用現(xiàn)有的分段正交匹配追蹤MOMP算法進(jìn)行重構(gòu)；否則認(rèn)為該塊中含有邊緣， 對含邊緣的每個(gè)圖像塊的邊緣利用有邊緣信息指導(dǎo)的匹配追蹤MP算法進(jìn)行重構(gòu)，并對該 圖像塊中的非邊緣部分用廣義逆重構(gòu)；(5)將重構(gòu)的每個(gè)圖像塊拼接在一起，得到原圖的重構(gòu)圖。
2.根據(jù)權(quán)利要求1所述的圖像重構(gòu)方法，其中步驟中所述的對含邊緣的每個(gè)圖像 塊的邊緣利用有邊緣信息指導(dǎo)的匹配追蹤MP算法進(jìn)行重構(gòu)，按照如下步驟進(jìn)行(1)初始化初始化迭代次數(shù)i= 0，逼近信號f (0) = 0，殘差信號R(O) = y，迭代終止 誤差ε = 10_5，最大迭代次數(shù)L = 2 ；(2)計(jì)算殘差信號R(i)與感知矩陣A中對應(yīng)于邊緣位置的原子的內(nèi)積，按照內(nèi)積從大 到小的順序，找出感知矩陣A中與殘差信號R(i)最匹配的原子；(3)更新逼近信號為:f(i+l)= f⑴+PvR(i)，其中，PvR⑴為殘差信號R(i)在選定的 原子上正交投影，根據(jù)更新后的逼近信號f(i+l)更新殘差信號為R(i+l) =y-f(i+l)；(4)將更新后殘差信號R(i+1)相對于測量向量y的絕對誤差I(lǐng)R(i+1) I |/| |y I I與迭 代終止誤差ε進(jìn)行比較，若I |R(i+l) I 1/1 |y| I < ε或者迭代次數(shù)i滿足i>L，則停止迭 代；否則，給迭代次數(shù)i加1，轉(zhuǎn)至步驟2。
全文摘要
本發(fā)明公開了一種基于邊緣結(jié)構(gòu)信息的分塊壓縮感知重構(gòu)方法。主要解決現(xiàn)有技術(shù)速度慢和重構(gòu)圖像存在明顯的塊效應(yīng)的缺點(diǎn)。其過程為1.把一幅圖像分成個(gè)32×32的小塊；2.對圖像塊進(jìn)行小波變換，保留圖像低頻信號，對高頻信號進(jìn)行壓縮采樣；3.把變換后的圖像塊高頻部分全部置零與保留下來的低頻信息一起進(jìn)行逆小波變換得到一幅模糊圖像，對該圖像進(jìn)行邊緣檢測；4.對不含邊緣的圖像塊用正交匹配追蹤StOMP方法進(jìn)行重構(gòu)，對含邊緣的圖像塊的邊緣用有邊緣結(jié)構(gòu)信息指導(dǎo)的MP方法進(jìn)行重構(gòu)，非邊緣部分用廣義逆重構(gòu)；5.將重構(gòu)的圖像塊拼接起來得到原圖的重構(gòu)圖。本發(fā)明與現(xiàn)有技術(shù)相比具有速度快和重構(gòu)效果好的優(yōu)點(diǎn)，適合對自然圖像和SAR圖像的重構(gòu)。
文檔編號G06T9/20GK102034250SQ20101056161
公開日2011年4月27日 申請日期2010年11月26日 優(yōu)先權(quán)日2010年11月26日
發(fā)明者侯彪, 劉丹, 劉芳, 尚榮華, 戚玉濤, 焦李成, 王爽, 蔣文梅, 郝紅俠, 馬文萍 申請人:西安電子科技大學(xué)