CN102075749B - 压缩感知框架下基于非凸模型的图像压缩重构方法 - Google Patents
压缩感知框架下基于非凸模型的图像压缩重构方法 Download PDFInfo
- Publication number
- CN102075749B CN102075749B CN 201110001520 CN201110001520A CN102075749B CN 102075749 B CN102075749 B CN 102075749B CN 201110001520 CN201110001520 CN 201110001520 CN 201110001520 A CN201110001520 A CN 201110001520A CN 102075749 B CN102075749 B CN 102075749B
- Authority
- CN
- China
- Prior art keywords
- coefficient
- matrix
- column vector
- coefficients
- expression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Complex Calculations (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种压缩感知CS框架下基于非凸模型的图像压缩重构方法。主要解决目前基于lp范数的CS非凸模型在图像压缩重构上计算存储量大和运算速度慢,且工程实现难的问题,其实现步骤是:对图像作变换,得到变换域的系数;通过对变化域的系数进行傅里叶变换并随机抽取获得压缩后的数据;对压缩后的数据采用梯度投影法,通过计算下降方向和下降步长来更新迭代及优化求解,重构变换域的系数;对重构后的变换域的系数做逆变换得到重构后的图像。本发明压缩简单,重构精度高,重构过程只存在快速傅里叶变换及向量点乘操作,成功地解决了海量存储问题,重构速度也非常快,本发明可用于图像压缩编码。
Description
技术领域
本发明属于图像处理领域,涉及压缩感知框架下的图像压缩重构,可用于对图像和视频的压缩编码。
技术背景
随着压缩感知CS理论的不断发展,它的应用也逐渐渗透到各行各业。在图像处理领域,人们已经开始研究基于压缩感知理论的图像/视频压缩编码方法。现阶段应用较为广泛的是基于l1范数最小化理论的CS压缩重构模型:
关于式(1)模型的求解,涌现了大量的求解方法,如BP、OMP以及适用于大规模问题,如二维图像处理的StOMP。但是随着理论研究的深入,已有文献证明基于lp范数(0<p<1)的非凸模型在压缩重构性能上远优于式(1)的基于l1范数CS模型,并且采用该模型可以更大程度的降低观测数量。通常基于lp范数的非凸CS模型如下所示:
其中Rao等人在“An Affine Scaling Methodology for best BasisSelection”一文中提出了适用于上述模型求解的FOCUSS方法。该方法通过对非凸模型进行一阶近似,结合仿射变换思想将其转化为加权l2范数的求解模型,如下式所示:
其中Ak+1=AWk+1,k表示第k次迭代。通过内点法优化即可得到迭代加权最小二乘解。为了防止迭代过程中解xk[i]为零值的现象,而导致奇异情况,Chartrand等人在“Iteratively Reweighted Algorithms for CompressiveSensing”中对上述算法做了改进,提出了ε-Regularization FOCUSS,从而确保了该方法的稳定性。
但是目前上述方法在压缩感知框架下的图像压缩重构中存在如下的技术问题:
1、压缩感知框架下基于l1范数的模型的压缩重构的方法StOMP,图像重构精度不高。
2、压缩感知框架下基于非凸模型的压缩重构的方法FOCUSS,存储量过大,速度太慢,尚不能用于图像的压缩重构。
发明内容
本发明的目的在于充分挖掘基于lp范数的CS非凸模型的稀疏性能优势,克服上述现有技术存在海量存储及CS工程实现难的问题,实现图像高压缩比下的快速精确重构。
实现本发明的技术思路为:对图像作变换,得到变换域的系数,然后对系数作傅里叶变换并随机抽取得到压缩后的图像数据;重构是利用式(2)的模型由压缩后的数据重构出图像变换域的系数,其重构方法是采用梯度投影法,通过计算下降方向和下降步长来迭代更新优化求解,其关键是利用了当前迭代结果构造权值来估计下降步长;最后对重构的系数作逆变换得到重构后的图像。具体实现包括如下两种技术方案,其中技术方案1没有对图像作分块处理,技术方案2对图像作了分块处理,是技术方案1的一种并行处理方式。
技术方案1,
一种压缩感知框架下基于非凸模型的图像压缩重构方法,包括如下步骤:
(1)获取大小为N的原始图像I,假定所需的图像压缩率为r,得出需要从原始图像中获取M=rN的数据量,其中N等于原始图像的行数与列数的乘积;
(2)对原始图像I作二维小波变换,得到变换后的系数矩阵W;
(3)根据系数矩阵设定系数阈值:
(3a)将系数矩阵W按幅度大小降序排成一个列向量α;
(3b)计算系数阈值:μ=α(κ),其中κM/5,并取整的值,α(κ)表示列向量α中索引为κ的元素;
(4)根据系数阈值μ对W做阈值处理,即将小于μ的系数置为0,大于μ的系数保持不变;
(5)将作完阈值处理后的系数矩阵作归一化处理,即用W除以系数矩阵中幅度最大的元素的绝对值C,称C为归一化常数;
(6)将归一化之后的系数矩阵的奇数列组成矩阵Q1,偶数列组成矩阵Q2,令Q=Q1+jQ2,并将矩阵Q排成列向量x,称x为原始图像的系数列向量;
(7)对系数列向量x进行随机傅里叶压缩,即先对系数列向量x作傅里叶变换,然后随机抽取得到压缩后的数据b,压缩操作如下式:
其中F(×)表示快速傅里叶变换,u是傅里叶变换后的系数,W是从1到N中随机选取的M个数,u(W)表示u中W所指索引处的元素,b表示压缩后的图像数据;
(8)由压缩后的图像数据b重构原始图像的系数列向量x的数学模型如下:
(9)按如下基于梯度投影思想的重构方法步骤对上述重构模型进行求解,得到重构后的系数列向量x:
(9a)初始化:k=0,l=0,xk=invF(b,N),itr,ek,
其中k表示迭代次数,l表示迭代满100次的标志,表示N维的快速逆傅里叶变换,xk表示当前迭代得到的系数列向量,itr表示最大迭代次数,设为500~1000次,ek是一个可调参数,设置在0.08~0.2之间;
(9b)由xk构造权值向量:w(xk)=(|xk|2+ek)p/2-1;
(9e)由下降步长ak、负梯度dk和图像压缩后的向量b更新当前的系数列向量xk,得到xk+1:
其中F(×)表示快速傅里叶变换,invF(×)表示快速逆傅里叶变换;
(9f)设置迭代结束的条件容差h为10-6,判断|xk+1-xk|<h是否成立,如果成立,得到重构的系数列向量x=xk+1;否则,迭代次数k增加1,并判断迭代满100次的标志l<100是否成立,如果成立,l=l+1;否则,l=0,更新可调参数ek=0.05ek-1,返回步骤(9b)进行下一次迭代;
技术方案2,
一种压缩感知框架下基于非凸模型的图像压缩重构方法,包括如下步骤:
1)获取大小为N的原始图像I,假定所需的图像压缩率为r,得出需要从原始图像中获取M=rN的数据量,其中N等于原始图像的行数与列数的乘积;
2)对原始图像I作二维小波变换,得到变换后的系数矩阵W;
3)根据系数矩阵设定系数阈值:
3a)将系数矩阵W按幅度大小降序排成一个列向量α;
3b)计算系数阈值:μ=α(κ),其中κ=M/5,并取整的值,α(κ)表示列向量α中索引为κ的元素;
4)根据系数阈值μ对W做阈值处理,即将小于μ的系数置为0,大于μ的系数保持不变;
5)将作完阈值处理后的系数矩阵作归一化处理,即用W除以系数矩阵中幅度最大的元素的绝对值C;
6)对归一化后的系数矩阵进行交织抽取分块,分成4个子块系数矩阵V1,V2,V3,V4;
7)分别将4个子块系数矩阵V1,V2,V3,V4的奇数列组成矩阵Qi,1,将偶数列组成矩阵Qi,2,令Qi=Qi,1+jQi,2,并将Qi排成列向量xi,其中i=1,2,3,4表示4个子块,称xi为子块系数向量;
8)分别对以上四个子块系数列向量xi进行随机傅里叶压缩,即先对子块系数列向量xi作傅里叶变换,然后随机抽取得到子块压缩后的数据bi,压缩操作如下式:
其中F(×)表示快速傅里叶变换,i表示第i个子块,ui表示傅里叶变换后的系数,Wi是从1到N/4中随机选取的M/4个数,ui(Wi)表示ui中Wi所指索引处的元素,bi表示每个子快压缩后的图像数据;
9)由子块压缩后的图像数据bi重构子块系数列向量xi的模型如下:
10)按如下基于梯度投影的重构方法步骤对上述重构模型进行求解,得到重构后的子块系数列向量xi:
10a)初始化:k=0,l=0,xi,k=invF(bi,N/4),itr,ei,k,
其中k表示迭代次数,l表示迭代次数满100次的标志,invF(,N)表示N维的快速逆傅里叶变换,xi,k表示当前迭代得到的第i个子块的系数列向量,itr表示最大迭代次数,设为500~1000次,ei,k是一个可调参数,设置在0.08~0.2之间;
10b)由xi,k构造权值向量w(xi,k)=(|xi,k|2+ei,k)p/2-1;
10e)由下降步长ai,k、负梯度di,k和图像压缩后的向量bi更新系数列向量xi,k,得到xi,k+1:
其中F(×)表示快速傅里叶变换,invF(×)表示快速逆傅里叶变换;
10f)设置迭代结束的条件容差h为10-6,判断|xi,k+1-xi,k|<h是否成立,如果成立,得到子块系数列向量xi=xi,k+1;否则,迭代次数k增加1,并判断迭代满100次的标志l<100是否成立,如果成立,l=l+1;否则,l=0,更新可调参数ei,k=0.05ei,k-1,返回步骤(10b)进行下一次迭代;
11)对重构后的图像系数矩阵作二维逆小波变换,即得到重构后的图像。本发明具有如下优点:
A.本发明由于采用了非凸重构模型,大大地提高了图像重构精度,仿真结果也显示本发明相对现有StOMP在图像压缩重构精度上的明显优势;
B.本发明由于采用随机傅里叶操作进行压缩及基于梯度投影思想的重构方法,从而使整个压缩重构过程只存在快速变换操作及向量点乘操作,成功地解决了海量存储问题,重构速度也得到了大大的提高。
附图说明
图1为本发明技术方案1的实现流程图;
图2为本发明技术方案2的实现流程图;
图3为本发明由压缩后数据重构原始图像的子流程图;
图4为本发明将原始图像的系数矩阵排成列向量的原理图;
图5为本发明交织抽取分块的原理图;
图6为本发明与现有方法StOMP对图像压缩重构的精度仿真对比图;
图7为本发明与现有方法StOMP对图像压缩重构的速度仿真对比图。
具体实施方式
参见图1,本发明的技术方案1的具体实现步骤如下:
步骤一,获取原始图像I的系数列向量x:
(1.1)根据原始图像I的大小N及所需的图像压缩率r,得出需要从原始图像I中获取M=rN的数据量,其中N等于原始图像的行数与列数的乘积;
(1.2)对原始图像I作二维小波变换,得到系数矩阵W,该小波变换还可采用任意一种图像稀疏变换,如离散余弦变换或curvelet变换;
(1.3)根据系数矩阵设定系数阈值:
(1.3a)将系数矩阵W按幅度大小降序排成一个列向量α;
(1.3b)计算系数阈值:μ=α(κ),其中κ=M/5,并取整的值,α(κ)表示列向量α中索引为κ的元素;
(1.4)根据系数阈值μ对W做阈值处理,即将小于μ的系数置为0,大于μ的系数保持不变;
(1.5)将作完阈值处理后的系数矩阵作归一化处理,即用W除以系数矩阵中幅度最大的元素的绝对值C;
(1.6)将归一化之后的系数矩阵的奇数列组成矩阵Q1,偶数列组成矩阵Q2,令Q=Q1+jQ2;
(1.7)将Q排成一个列向量即得到原始图像的系数列向量x,
参见图4,排列步骤如下:
(1.7a)将Q的第一列的尾部与第二列的头部相接;
(1.7b)将Q的第三列的头部与第二列的尾部相接,这样依次将后一列的尾部与前一列的头部相接。
步骤二,将系数列向量x进行随机傅里叶压缩,即先对系数列向量x作傅里叶变换,然后随机抽取得到压缩后的数据b,压缩操作如下式:
其中F(×)表示快速傅里叶变换,u是傅里叶变换后的系数,W是从1到N中随机选取的M个数,u(W)表示u中W所指索引处的元素,b表示压缩后的图像数据。
步骤三,由压缩后的图像数据b重构原始图像的系数列向量x的模型如下:
步骤四,按如下基于梯度投影的重构方法步骤对上述重构模型进行求解,得到重构后的系数列向量x:
参见图3,本步骤的具体实现如下:
(4.1)初始化:k=0,l=0,xk=invF(b,N),itr,ek,
其中k表示迭代次数,l表示迭代次数满100次的标志,表示N维的快速逆傅里叶变换,xk表示当前迭代得到的系数列向量,itr表示最大迭代次数,设为500~1000次,ek是一个可调参数,设置在0.08~0.2之间;
(4.2)由xk构造权值向量:w(xk)=(|xk|2+ek)p/2-1;
(4.3)根据权值向量计算系数列向量x的p范数即的负梯度dk:
(4.5)由下降步长ak、负梯度dk和图像压缩后的向量b更新当前的系数列向量xk,得到xk+1:
其中F(×)表示快速傅里叶变换,invF(×)表示快速逆傅里叶变换;
(4.6)设置迭代结束的条件容差h为10-6,判断|xk+1-xk|<h是否成立,如果成立,得到原始图像系数列向量x=xk+1;否则,迭代次数k增加1,并判断迭代满100次的标志l<100是否成立,如果成立,l=l+1;否则,l=0,更新可调参数ek=0.05ek-1,返回步骤(4.2)进行下一次迭代。
步骤五,利用重构后的系数列向量x得到重构后的图像:
(5.1)将重构后的系数列向量x乘以归一化常数C,并将其乘积的实部作为列向量x1,虚部作为列向量x2;
(5.2)将x1和x2分别排列成a×b的矩阵B1和B2,其中a表示原始图像行数,b表示原始图像列数的1/2;
上述步骤二、步骤三和步骤四中所述的快速傅里叶变换,还可以采用快速哈达玛变换。
参见图2,本发明技术方案2的具体实现步骤如下:
步骤1,获取原始图像I的子块系数列向量xi,i=1,2,3,4,i表示第i个子块:
1.1)根据原始图像I的大小N及所需的图像压缩率r,得出需要从原始图像I中获取M=rN的数据量,其中N等于原始图像的行数与列数的乘积;
1.2)对原始图像I作二维小波变换,得到系数矩阵W;
1.3)根据系数矩阵设定系数阈值:
(1.3a)将系数矩阵W按幅度大小降序排成一个列向量α;
(1.3b)计算系数阈值:μ=α(κ),其中κ=M/5,并取整的值,α(κ)表示列向量α中索引为κ的元素;
1.4)根据系数阈值μ对W做阈值处理,即将小于μ的系数置为0,大于μ的系数保持不变;
1.5)将作完阈值处理后的系数矩阵作归一化处理,即用W除以系数矩阵中幅度最大的元素的绝对值C;
1.6)对归一化后的系数矩阵进行交织抽取分块,分成4个子块系数矩阵V1,V2,V3,V4,
参见图5,交织抽取分块步骤如下:
1.6a)将系数矩阵进行第一次分块:平均分成4块,并对右上角、左下角和右下角的三块再分别平均分成4块;
1.6b)将系数矩阵进行第二次分块:对第一次分块的左上角的块平均分成4块,并对右上角、左下角和右下角的三块再分别平均分成4块;
1.6c)根据小波变换的级数确定对系数矩阵进行分块的次数,即分块的次数等于小波变换的级数;
1.6d)将对应位置相同的块合在一起,即将所有左上角的块合成子块系数矩阵V1,所有右上角的块合成子块系数矩阵V2,所有左下角的块合成子块系数矩阵V3,所有右下角的块合成子块系数矩阵V4。
1.7)分别将4个子块系数矩阵V1,V2,V3,V4的奇数列组成矩阵Qi,1,将偶数列组成矩阵Qi,2,令Qi=Qi,1+jQi,2;
1.8)参见图4,按照如下步骤分别将Qi排成列向量:
1.8a)将Qi的第一列的尾部与第二列的头部相接;
1.8b)将Qi的第三列的头部与第二列的尾部相接,这样依次将后一列的尾部与前一列的头部相接,得到原始图像I的子块系数列向量xi。
步骤2,分别对以上四个子块系数列向量xi进行随机傅里叶压缩,即先对子块系数列向量xi作傅里叶变换,然后随机抽取得到子块压缩后的数据bi,压缩操作如下式:
其中F(×)表示快速傅里叶变换,i表示第i个子块,ui表示傅里叶变换后的系数,Wi是从1到N/4中随机选取的M/4个数,ui(Wi)表示ui中Wi所指索引处的元素,bi表示每个子块压缩后的图像数据。
步骤3,由子块压缩后的图像数据bi重构子块系数列向量xi的模型如下:
步骤4,按如下基于梯度投影的重构方法对上述重构模型进行求解,得到重构后的子块系数列向量xi:
参见图3,本步骤的具体实现如下:
4.1)初始化:k=0,l=0,xi,k=invF(bi,N/4),itr,ei,k,
其中k表示迭代次数,l表示迭代次数满100次的标志,invF(,N)表示N维的快速逆傅里叶变换,xi,k表示当前迭代得到的第i个子块的系数列向量,itr表示最大迭代次数,设为500~1000次,ei,k是一个可调参数,设置在0.08~0.2之间;
4.2)由xi,k构造权值向量w(xi,k)=(|xi,k|2+ei,k)p/2-1;
4.5)由下降步长ai,k、负梯度di,k和子块压缩后的图像数据bi更新当前的子块系数列向量xi,k,得到xi,k+1:
其中F(×)表示快速傅里叶变换,invF(×)表示快速逆傅里叶变换;
4.6)设置迭代结束的条件容差h为10-6,判断|xi,k+1-xi,k|<h是否成立,如果成立,得到子块系数列向量xi=xi,k+1;否则,迭代次数k增加1,并判断迭代次数满100次的标志l<100是否成立,如果成立,l=l+1;否则,l=0,更新可调参数ei,k=0.05ei,k-1,返回步骤4.2)进行下一次迭代。
步骤5,利用重构后的子块系数向量xi,i=1,2,3,4得到重构后的图像:
5.1)将重构后的子块系数向量xi乘以归一化常数C,并将其乘积的实部作为向量xi,1,虚部作为向量xi,2;
5.2)将xi,1和xi,2分别排列成mi×ni的矩阵Bi,1和Bi,2,这里mi表示第i个子块的行数,ni表示第i个子块的列数的1/2;
5.3)由矩阵Bi,1和矩阵Bi,2组合得到子块系数矩阵Vi,i=1,2,3,4,组合方式是将Bi,1的列作为Vi的奇数列,将Bi,2的列作为Vi的偶数列;
本发明的效果通过以下仿真进一步说明:
1.仿真条件:
以技术方案1为例,运行系统为3.0GHz Intel E8400GPU上的64位GNU/Linux操作系统,仿真程序采用MATLAB程序设计语言实现。所用到的测试图像是图像处理领域中常用的图像Lena,大小为256×256,采用的变换是5级9/7二维小波变换,最大迭代次数设为600,p取0。
2.仿真内容:
由于现有的求解基于非凸模型的FOCUSS算法在CS图像压缩重构领域尚存在海量数据计算与存储问题,所以无法与之比较图像的压缩重构。这里只给出了与求解l1范数最小化模型的StOMP方法在图像压缩重构的精度和重构时间上的比较,绘制了如图6的重构精度对比曲线和图7的重构速度对比曲线。
3.仿真结果:
从图6的重构精度对比曲线可以看出,本发明的重构精度在相同压缩率的条件下远远高于StOMP。
从图7的重构时间对比曲线可以看出,本发明的重构时间在相同压缩率的条件下远远低于StOMP,即重构速度远远高于StOMP。
Claims (2)
1.一种压缩感知框架下的基于非凸最小化模型的图像压缩重构方法,包括如下步骤:
(1)获取大小为N的原始图像I,假定所需的图像压缩率为r,得出需要从原始图像中获取M=rN的数据量,其中N等于原始图像的行数与列数的乘积;
(2)对原始图像I作二维小波变换,得到变换后的系数矩阵W;
(3)根据系数矩阵设定系数阈值:
3a)将系数矩阵W按幅度大小降序排成一个列向量α;
3b)计算系数阈值:μ=α(κ),其中κ=M/5,并取整的值,α(κ)表示列向量α中索引为κ的元素;
(4)根据系数阈值μ对W做阈值处理,即将小于μ的系数置为0,大于μ的系数保持不变;
(5)将作完阈值处理后的系数矩阵作归一化处理,即用W除以系数矩阵中幅度最大的元素的绝对值C,称C为归一化常数;
(6)将归一化之后的系数矩阵的奇数列组成矩阵Θ1,偶数列组成矩阵Θ2,令Θ=Θ1+jΘ2,其中Θ1为Θ的实部,Θ2为Θ的虚部,并将矩阵Θ排成列向量x,称x为原始图像的系数列向量;
(7)对系数列向量x进行随机傅里叶压缩,即先对系数列向量x作傅里叶变换,然后随机抽取得到压缩后的数据b,压缩操作如下式:
其中F(·)表示快速傅里叶变换,u是傅里叶变换后的系数,Ω是从1到N中随机选取的M个数,u(Ω)表示u中Ω所指索引处的元素,b表示压缩后的图像数据;
(8)由压缩后的图像数据b重构原始图像的系数列向量x的数学模型如下:
(9)按如下基于梯度投影的重构方法步骤对上述重构原始图像的系数列向量x的数学模型进行求解,得到重构后的系数列向量x:
(9a)初始化:k=0,l=0,xk=invF(b,N),itr,εk,
其中k表示迭代次数,l表示迭代满100次的标志,invF(·,N)表示N维的快速逆傅里叶变换,xk表示当前迭代得到的系数列向量,itr表示最大迭代次数,设为500~1000次,εk是一个可调参数,设置在0.08~0.2之间;
(9b)由xk构造权值向量:w(xk)=(|xk|2+εk)p/2-1;
(9c)根据权值向量计算系数列向量x的p范数即 的负梯度dk:
dk=-w(xk)xk;
其中<·,·>表示内积,w(xk)*dk表示点乘运算,即对应位置元素相乘;
(9e)由下降步长αk、负梯度dk和图像压缩后的向量b更新系数列向量xk,得到xk+1:
其中F(·)表示快速傅里叶变换,invF(·)表示快速逆傅里叶变换;
(9f)设置迭代结束的条件容差η为10-6,判断|xk+1-xk|<η是否成立,如果成立,得到重构的图像系数列向量x=xk+1;否则,迭代次数k增加1,并判断迭代满100次的标志l<100是否成立,如果成立,l=l+1;否则,l=0,更新可调参数 εk=0.05εk-1,返回步骤(9b)进行下一次迭代;
(10)将重构后的图像系数列向量x乘以归一化常数C,并排列成矩阵W′,对W′做二维逆小波变换即得到重构后的图像。
2.一种压缩感知框架下的基于非凸最小化模型的图像压缩重构方法,包括如下步骤:
1)获取大小为N的原始图像I,假定所需的图像压缩率为r,得出需要从原始图像中获取M=rN的数据量,其中N等于原始图像的行数与列数的乘积;
2)对原始图像I作二维小波变换,得到变换后的系数矩阵W;
3)根据系数矩阵设定系数阈值:
3a)将系数矩阵W按幅度大小降序排成一个列向量α;
3b)计算系数阈值:μ=α(κ),其中κ=M/5,并取整的值,α(κ)表示列向量α中索引为κ的元素;
4)根据系数阈值μ对W做阈值处理,即将小于μ的系数置为0,大于μ的系数保持不变;
5)将作完阈值处理后的系数矩阵作归一化处理,即用W除以系数矩阵中幅度最大的元素的绝对值C;
6)对归一化后的系数矩阵进行交织抽取分块,分成4个子块系数矩阵V1,V2,V3,V4;
7)分别将4个子块系数矩阵V1,V2,V3,V4的奇数列组成矩阵Θi,1,将偶数列组成矩阵Θi,2,令Θi=Θi,1+jΘi,2,其中Θi,1为Θi的实部,Θi,2为Θi的虚部,并将Θi排成列向量xi,其中i=1,2,3,4表示4个子块,称xi为子块系数向量;
8)分别对以上四个子块系数列向量xi进行随机傅里叶压缩,即先对子块系数列向量xi作傅里叶变换,然后随机抽取得到子块压缩后的数据bi,压缩操作如下式:
其中F(·)表示快速傅里叶变换,i表示第i个子块,μi表示傅里叶变换后的系数,Ωi是从1到N/4中随机选取的M/4个数,ui(Ωi)表示ui中Ωi所指索引处的元素,bi表示每个子块压缩后的图像数据;
9)由子块压缩后的图像数据bi重构子块系数列向量xi的模型如下:
10)按如下基于梯度投影的重构方法步骤对上述重构子块系数列向量xi的模型进行求解,得到重构后的子块系数列向量xi:
10a)初始化:k=0,l=0,xi,k=invF(vi,N/4),itr,εi,k,
其中k表示迭代次数,l表示迭代次数满100次的标志,invF(,N)表示N维的快速逆傅里叶变换,xi,k表示当前迭代得到的第i个子块的系数列向量,itr表示最大迭代次数,设为500~1000次,εi,k是一个可调参数,设置在0.08~0.2之间;
10b)由xi,k构造权值向量w(xi,k)=(|xi,k|2+εi,k)p/2-1;
di,k=-w(xi,k)xi,k
其中<·,·>表示内积操作,w(xi,k)*di,k表示点乘运算,即对应位置元素相乘;
10e)由下降步长αi,k、负梯度di,k和图像压缩后的向量bi更新系数列向量xi,k,得到xi,k+1:
其中F(·)表示快速傅里叶变换,invF(·)表示快速逆傅里叶变换;
10f)设置迭代结束的条件容差η为10-6,判断|xi,k+1-xi,k|<η是否成立,如果成立,得到子块系数列向量xi=xi,k+1;否则,迭代次数k增加1,并判断迭代满100次的标志l<100是否成立,如果成立,l=l+1;否则,l=0,更新可调参数εi,k=0.05εi,k-1,返回步骤(10b)进行下一次迭代;
10g)将重构后的子块系数向量x1,x2,x3,x4分别排成子块的系数矩阵,并将子块系数矩阵合成得到重构后的图像系数矩阵W′;
11)对重构后的图像系数矩阵W′作二维逆小波变换,即得到重构后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110001520 CN102075749B (zh) | 2011-01-06 | 2011-01-06 | 压缩感知框架下基于非凸模型的图像压缩重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110001520 CN102075749B (zh) | 2011-01-06 | 2011-01-06 | 压缩感知框架下基于非凸模型的图像压缩重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102075749A CN102075749A (zh) | 2011-05-25 |
CN102075749B true CN102075749B (zh) | 2012-08-08 |
Family
ID=44034072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110001520 Expired - Fee Related CN102075749B (zh) | 2011-01-06 | 2011-01-06 | 压缩感知框架下基于非凸模型的图像压缩重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102075749B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609920B (zh) * | 2012-02-17 | 2014-09-17 | 上海交通大学 | 一种基于压缩感知的彩色数字图像修复方法 |
CN102722896B (zh) * | 2012-05-22 | 2014-08-06 | 西安电子科技大学 | 基于自适应压缩感知的自然图像非局部重构方法 |
CN102737115B (zh) * | 2012-05-28 | 2014-08-06 | 哈尔滨工业大学 | 基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法 |
CN102740080B (zh) * | 2012-06-06 | 2015-06-24 | 清华大学 | 一种基于压缩感知的错误隐藏方法 |
CN102879782B (zh) * | 2012-09-25 | 2014-07-09 | 北京理工大学 | 基于分数阶傅里叶变换的压缩感知sar成像方法 |
CN104751495B (zh) * | 2013-12-27 | 2017-11-03 | 中国科学院沈阳自动化研究所 | 一种兴趣区域优先的多尺度压缩感知渐进编码方法 |
CN105611288B (zh) * | 2015-12-28 | 2018-08-21 | 电子科技大学 | 一种基于有约束插值技术的低码率图像编码方法 |
CN106911893B (zh) * | 2017-02-23 | 2020-04-03 | 北京建筑大学 | 一种单像素计算成像方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1828669A (zh) * | 2006-04-04 | 2006-09-06 | 天津大学 | 对称延拓双正交小波变换矩阵的构造方法 |
CN101697150A (zh) * | 2009-02-20 | 2010-04-21 | 北京航空航天大学 | 一种基于提升格式的9/7小波变换优化实现方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NZ515527A (en) * | 2001-11-15 | 2003-08-29 | Auckland Uniservices Ltd | Method, apparatus and software for lossy data compression and function estimation |
US8150183B2 (en) * | 2006-09-25 | 2012-04-03 | Research Foundation Of The City University Of New York | Predictive-transform source coding with subbands |
-
2011
- 2011-01-06 CN CN 201110001520 patent/CN102075749B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1828669A (zh) * | 2006-04-04 | 2006-09-06 | 天津大学 | 对称延拓双正交小波变换矩阵的构造方法 |
CN101697150A (zh) * | 2009-02-20 | 2010-04-21 | 北京航空航天大学 | 一种基于提升格式的9/7小波变换优化实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102075749A (zh) | 2011-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102075749B (zh) | 压缩感知框架下基于非凸模型的图像压缩重构方法 | |
CN103810755B (zh) | 基于结构聚类稀疏表示的压缩感知光谱图像重建方法 | |
CN103871058B (zh) | 基于压缩采样矩阵分解的红外小目标检测方法 | |
CN102148987B (zh) | 基于先验模型和l0范数的压缩感知图像重构方法 | |
CN102722866B (zh) | 基于主成份分析的压缩感知方法 | |
CN104159003A (zh) | 一种基于3d协同滤波与低秩矩阵重建的视频去噪方法及系统 | |
CN111047661B (zh) | 一种基于稀疏流形联合约束的cs-mri图像重构方法 | |
Ask et al. | Exploiting p-fold symmetries for faster polynomial equation solving | |
CN103440675A (zh) | 图像分块压缩感知的全局重构优化模型构造方法 | |
CN103839292A (zh) | 对等值面进行采样并生成高质量三角网格的方法 | |
CN103473797A (zh) | 基于压缩感知采样数据修正的空域可缩小图像重构方法 | |
CN103955904A (zh) | 一种基于离散分数阶傅里叶变换相位信息的信号重建方法 | |
CN103473744A (zh) | 基于变权重式压缩感知采样的空域可缩小图像重构方法 | |
CN103400349A (zh) | 基于盲压缩感知的图像重构方法 | |
Labate et al. | Wavelets | |
CN103871087A (zh) | 基于三维全变差稀疏先验的高光谱解混压缩感知方法 | |
CN106709945A (zh) | 一种对于超分辨率图像的质量评价方法 | |
CN107942377A (zh) | 一种地震数据压缩与重构方法 | |
Chevrot et al. | Optimized discrete wavelet transforms in the cubed sphere with the lifting scheme—implications for global finite-frequency tomography | |
CN103150709A (zh) | 一种基于伪牛顿法的四元数域彩色图像压缩感知恢复方法 | |
CN103606189B (zh) | 一种面向非刚体三维重建的轨迹基选择方法 | |
CN105701845A (zh) | 协同稀疏测量和3d tv模型的高光谱影像压缩感知重构方法 | |
CN104125459B (zh) | 基于支撑集和信号值检测的视频压缩感知重构方法 | |
CN104243986B (zh) | 基于数据驱动张量子空间的压缩视频采集与重构系统 | |
CN103678801B (zh) | 一种基于图像信息熵的自适应压缩感知采样方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120808 Termination date: 20160106 |
|
CF01 | Termination of patent right due to non-payment of annual fee |