基于圖像塊聚類和稀疏字典學(xué)習(xí)的分塊壓縮感知重構(gòu)方法
【專利摘要】基于圖像塊聚類和稀疏字典學(xué)習(xí)的分塊壓縮感知重構(gòu)方法，屬于圖像處理【技術(shù)領(lǐng)域】，包括以下步驟：讀入圖像，把圖像分成子圖像塊；對子圖像塊進(jìn)行壓縮采樣，得到測量；生成個(gè)方向的邊緣圖像，對邊緣圖像進(jìn)行PCA變換，生成個(gè)PCA基，再取一個(gè)DCT基，構(gòu)成K個(gè)初始方向基的集聯(lián)字典；計(jì)算測量與各方向基之間的典型相關(guān)系數(shù)，將子圖像塊聚成K類；利用多變量追蹤算法重構(gòu)K個(gè)聚類中的子圖像塊；利用重構(gòu)的子圖像塊對K個(gè)方向基進(jìn)行更新；判斷迭代重構(gòu)的最大次數(shù)是否達(dá)到：將重構(gòu)的子圖像塊拼接在一起，得到原始圖像的重構(gòu)圖像；輸出圖像。發(fā)明在兩種重構(gòu)方式下能夠明顯減弱或去除重構(gòu)圖像中的塊效應(yīng)。本方法對自然圖像的重構(gòu)效果好。
【專利說明】基于圖像塊聚類和稀疏字典學(xué)習(xí)的分塊壓縮感知重構(gòu)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，具體涉及圖像的分塊壓縮感知重構(gòu)方法，可用于對自然圖像進(jìn)行重構(gòu)。
【背景技術(shù)】
[0002]壓縮感知(Compressive Sensing, CS)是一種全新的信號采樣理論，由美國學(xué)者Candes 和 Donoho 等人于 2006 年正式提出，如:Donoho D L.Compressed sensing.1EEETransact1ns on Informat1n Theory, 2006, 52(4): 1289-1306 ；Candes E.Near optimalsignal recovery from random project1ns: Universal encoding strategies? IEEETransact1ns on Informat1n Theory, 2006, 52(12): 5406-525。傳統(tǒng)的 Nyquist 米樣理論先以高速率對信號進(jìn)行采樣，然后再對數(shù)據(jù)進(jìn)行壓縮；而CS將采樣與壓縮過程同步進(jìn)行，直接以壓縮形式感知信號。由CS獲得的測量是原始信號在低維空間上的一組線性投影，測量的數(shù)量遠(yuǎn)低于被感知信號的維數(shù)。理論證明在信號的稀疏或可壓縮性約束下，利用非線性優(yōu)化方法可以從少量測量獲得信號的精確或近似重構(gòu)。CS理論突破了傳統(tǒng)Nyquist采樣在海量數(shù)據(jù)的采集、存儲和傳輸中面臨的資源浪費(fèi)等瓶頸，使對高分辨信號的處理成為可能。
[0003]CS理論成 功應(yīng)用于實(shí)際數(shù)據(jù)模型和采集系統(tǒng)的重要環(huán)節(jié)之一為設(shè)計(jì)有效的CS米樣方法和重構(gòu)算法。在傳統(tǒng)CS的基礎(chǔ)上，Gan L.在Block compressed sensing ofnatural images.1n Proceedings of the Internat1nal Conference on Digital SignalProcessing, Cardiff, UK, July, 2007，403-406.一文中提出對自然圖像的分塊 CS 采樣重構(gòu)方法。該方法將原始圖像分成若干大小相同的子圖像塊，在固定的稀疏字典下，使用相同的感知矩陣對每個(gè)子圖像塊進(jìn)行獨(dú)立采樣和重構(gòu)，將重構(gòu)的子圖像塊拼在一起得到重構(gòu)圖像。該方法的優(yōu)點(diǎn)是速度快，占用內(nèi)存小；存在的缺點(diǎn)是:(I)使用固定的稀疏字典不能靈活地刻畫圖像塊中存在的不同特征，如邊緣、紋理等；(2)子圖像塊之間看成是相互獨(dú)立的，重構(gòu)過程沒有利用子圖像塊之間的相似性；(3)重構(gòu)圖像存在明顯的塊效應(yīng)。

【發(fā)明內(nèi)容】

[0004]本發(fā)明目的在于解決上述缺陷，而提出一種基于圖像塊聚類和稀疏字典學(xué)習(xí)的分塊壓縮感知重構(gòu)方法。
[0005]實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是:以由表示不同方向的邊緣圖像生成的方向PCA基和一個(gè)DCT基的集聯(lián)作為初始稀疏字典；利用現(xiàn)有的典型相關(guān)分析技術(shù)，計(jì)算子圖像塊的CS測量與各方向基之間的典型相關(guān)系數(shù)對子圖像塊進(jìn)行聚類；使用提出的多變量塊追蹤算法對每個(gè)聚類中的子圖像塊進(jìn)行重構(gòu)；利用每個(gè)聚類中重構(gòu)的子圖像塊對各方向基進(jìn)行更新。
[0006]基于圖像塊聚類和稀疏字典學(xué)習(xí)的分塊壓縮感知重構(gòu)方法，包括以下步驟:
(I)、讀入圖像，把圖像分成子圖像塊；(2)、對子圖像塊進(jìn)行壓縮采樣，得到測量；
(3)、生成[-1個(gè)方向的邊緣圖像，對邊緣圖像進(jìn)行PCA變換，生成JT-1個(gè)PCA基，再取一個(gè)DCT基，構(gòu)成K個(gè)初始方向基的集聯(lián)字典；
(4)、計(jì)算測量與各方向基之間的典型相關(guān)系數(shù)，將子圖像塊聚成K類；
(5)、利用多變量追蹤算法重構(gòu)K個(gè)聚類中的子圖像塊
【權(quán)利要求】
1.基于圖像塊聚類和稀疏字典學(xué)習(xí)的分塊壓縮感知重構(gòu)方法，其特征在于，包括以下步驟: (1)、讀入圖像，把圖像分成子圖像塊； (2)、對子圖像塊進(jìn)行壓縮采樣，得到測量； (3 )、生成[-1個(gè)方向的邊緣圖像，對邊緣圖像進(jìn)行PCA變換，生成[-1個(gè)PCA基，再取一個(gè)DCT基，構(gòu)成K個(gè)初始方向基的集聯(lián)字典； (4)、計(jì)算測量與各方向基之間的典型相關(guān)系數(shù)，將子圖像塊聚成K類； (5)、利用多變量追蹤算法重構(gòu)K個(gè)聚類中的子圖像塊=； (6)、利用重構(gòu)的子圖像塊對K個(gè)方向基進(jìn)行更新； (7)、判斷迭代重構(gòu)的最大次數(shù)是否達(dá)到:如果未達(dá)到指定的迭代重構(gòu)次數(shù)，返回步驟(4);如果未達(dá)到指定的迭代重構(gòu)次數(shù)，繼續(xù)以下步驟； (8)、將重構(gòu)的子圖像塊拼接在一起，得到原始圖像的重構(gòu)圖像； (9)、輸出圖像。
2.如權(quán)利要求1所述的基于圖像塊聚類和稀疏字典學(xué)習(xí)的分塊壓縮感知重構(gòu)方法，其特征在于，步驟(1)中，子圖像塊有J個(gè)，子圖像大小為8 X 8 ;步驟(2)中，對每個(gè)子圖像塊以Λ//Λ,的測量率進(jìn)行壓縮采樣，得到測量;yj 二 Φχ)，其中xi是第j個(gè)子圖像塊的像素值，番是iV X Y隨機(jī)欠采樣矩陣,N = 64, M是Φ中非零元素的個(gè)數(shù),j = I……J。
3.如權(quán)利要求1所述的基于圖像塊聚類和稀疏字典學(xué)習(xí)的分塊壓縮感知重構(gòu)方法，其特征在于，步驟(5)中，利用多變量塊追蹤算法對I個(gè)聚類中的子圖像塊Xk(k = L.....分別進(jìn)行重構(gòu)的方法如下: (5a)計(jì)算[個(gè)方向基對應(yīng)的協(xié)方差矩陣:
4.如權(quán)利要求1所述的基于圖像塊聚類和稀疏字典學(xué)習(xí)的分塊壓縮感知重構(gòu)方法，其特征在于，步驟(6)中，利用重構(gòu)的子圖像塊重新估計(jì)每個(gè)聚類的協(xié)方差矩陣δ,,再通過協(xié)方差矩陣的PCA分解對Ir個(gè)方向基進(jìn)行更新:
【文檔編號】G06T5/00GK104036519SQ201410314084
【公開日】2014年9月10日 申請日期:2014年7月3日 優(yōu)先權(quán)日:2014年7月3日
【發(fā)明者】武嬌, 曹飛龍, 銀俊成, 武丹 申請人:中國計(jì)量學(xué)院