CN102148987A - 基于先验模型和l0范数的压缩感知图像重构方法 - Google Patents
基于先验模型和l0范数的压缩感知图像重构方法 Download PDFInfo
- Publication number
- CN102148987A CN102148987A CN 201110088400 CN201110088400A CN102148987A CN 102148987 A CN102148987 A CN 102148987A CN 201110088400 CN201110088400 CN 201110088400 CN 201110088400 A CN201110088400 A CN 201110088400A CN 102148987 A CN102148987 A CN 102148987A
- Authority
- CN
- China
- Prior art keywords
- population
- coefficient
- individual
- image
- band
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于先验模型和l0范数的压缩感知图像重构方法,主要解决现有技术在重构图像时的视觉效果差、运行时间长的缺点。其技术方案是利用先验模型优化l0范数的压缩感知图像重构框架,并通过两个有效的步骤实现稀疏系数的定位和对该稀疏系数值的求解,第一步,建立先验模型-低频系数小波逆变换得到边缘模糊的图像,用边缘检测确定边缘位置,再利用小波系数具有尺度内的聚集性这种先验模型,通过免疫遗传算法去搜索小波高频子带稀疏系数所在的位置;第二步,通过使用改进的克隆选择算法求解相应的高频子带,再做小波逆变换得到重构后的图像。本发明与现有技术相比,视觉效果好,计算复杂度低,可用于图像处理和计算机视觉领域。
Description
技术领域
本发明属于图像处理技术领域,涉及压缩感知图像重构方法,可用于生物传感、遥感图像处理、无线传感网络和图像采集设备的开发等实际工程领域。
背景技术
随着数字化和信息时代的来临,数字图像处理技术越来越受到人们的关注,特别是在SAR图像处理、医学图像处理以及遥感图像处理等领域。近年来,Donoho等人提出了一种新颖的理论-压缩感知理论CS。在该理论中,采样速度不再决定于信号的带宽,而决定于信号中的结构和内容。基于压缩感知理论,信号可以进行低速采样,然后进行编码,大大降低了计算复杂度。该理论一经提出,就受到了广泛关注,不断被应用到数字图像处理中。
CS理论是一种新的在采样的同时实现压缩目的的理论框架:假设信号x∈RN在某个正交基或紧框架Ψ上是可压缩的,首先求出变换系数Θ=ΨTx,Θ是x的等价或逼近的稀疏表示;然后,设计一个平稳的、与变换基Ψ不相关的M×N维的观测矩阵Φ,对Θ进行观测,即将Θ投影到M维空间,得到观测集合y=ΦΘ=ΦΨTx,该过程也可以表示为信号x通过矩阵ACS进行非自适应观测:y=ACSx,其中ACS=ΦΨT,ACS称为CS信息算子;最后,利用l0范数意义下的优化问题求解x的精确或近似逼近
min||ΨTx||0 s.t.ACSx=ΦΨTx=y 1)
求得的向量 就是在基Ψ上的最稀疏表示。
研究表明,1)式的转化问题为:
min||ΨTx||1 s.t.ACSx=ΦΨTx=y 2)
即基于l1范数的优化问题。对该问题的求解仍能够精确重构S-稀疏信号,并且仅用 M≥CSlog(N/S)个独立同分布的高斯测度就能以大概率逼近可压缩信号。这是一个凸优化问题,可以很方便地简化为基追踪的线性规划问题,它的计算复杂度约为O(N3)。
针对以上问题,近年来,数学家和工程师们提出了很多压缩感知重构算法。一类是凸松弛法,通过将非凸问题转化为凸问题来找到原始信号的逼近,如基追踪BP和贪婪基追踪GBP;另一类是贪婪追踪算法,通过每次迭代时选择一个局部最优解来逼近原始信号,如匹配追踪MP、正交匹配追踪OMP、分段匹配追踪StOMP和正则匹配追踪ROMP。这两类算法都有其固有的缺点,凸松弛法重构信号时所用的观测数较小,重构出来的图像质量较高,但其运算量大,时间成本高;贪婪追踪算法和凸松弛法相比,克服了计算时间长的问题,适合用来求解大规模的问题,但其需要的观测数较多,重构出来的图像质量不高,并且它对压缩感知框架强加了有限等距性RIP约束,从某种意义上讲,限制了CS的应用范围。
发明内容
本发明的目的在于针对上述已有技术的问题,提出一种基于先验模型的压缩感知图像重构方法,通过l0范数,扩展压缩感知CS的应用范围,降低图像重构的计算复杂度,提高图像的重构质量。
为实现上述目的,我们首先关注的是如何确定稀疏系数的位置,然后在该位置信息的指导下去求解稀疏系数值。由此本发明建立了基于先验模型的免疫优化压缩感知重构框架。重构框架的第一部分是利用先验模型用免疫遗传算法来较快地搜索稀疏系数在小波高频子带中的位置;重构框架的第二部分利用改进的克隆选择算法去求解l0范数意义下该位置上的稀疏系数值。本发明的技术方案包括如下步骤:
(1)对发送方发送过来的一尺度小波低频子带做逆变换,高频系数全部置零,得到边缘模糊的图像;对该模糊图像进行canny边缘检测,获取含有边缘信息的图像;对含有边缘信息的图像做小波变换得到三个含有边缘信息的高频子带,按照系数模值的统计分布确定出每个高频子带中系数的模值为大、小和零的位置,分别标记为1、0.5和0;对于三个含有边缘信息的高频子带,当边缘检测的阈值参数分别取n个不同的值时,就会产生三个包含n个位置矩阵的位置种群A(k)、B(k)和C(k):
A(k)={a1(k),a2(k),Λ,an(k)}
B(k)={b1(k),b2(k),Λ,bn(k)}
C(k)={c1(k),c2(k),Λ,cn(k)},
其中,对于256×256的图像,ai(k)、bi(k)和ci(k)分别是128×128的位置编码矩阵,i=1,2,Λ,n,n为种群中个体数目;
(2)设定种群进化的终止条件为迭代次数t达到最大迭代次数p,并初始化迭代次数t=0;根据图像的发送方发送的和观测向量y和观测矩阵Φ,计算初始化的一个高频子带系数矩阵:d0(k)=Φ+y,Φ+是观测矩阵Φ的广义逆;
(3)利用位置种群A(k),用系数矩阵d0(k)初始化系数种群D(k),即
D(k)={d1(k),d2(k),Λ,dn(k)}
其中,对于256×256的图像,di(k)是一个128×128的高频子带系数矩阵,i=1,2,Λ,n,L1和L2为1到2之间的随机数,L1<L2,k=1,2,...,128;
(4)对位置种群A(k)中的每个个体ai(k)执行提取疫苗操作和注射疫苗操作,得到位置种群A′(k):A′(k)={a′1(k),a′2(k),Λ,a′n(k)};
(5)将位置种群A′(k)和系数种群D(k)作为输入,运行克隆选择,输出新的位置种群A″(k)和新的系数种群D′(k):
A″(k)={a″1(k),a″2(k),Λ,a″n(k)}
D′(k)={d′1(k),d′2(k),Λ,d′n(k)};
其中,a″i(k)是第i个位置编码矩阵,d′i(k)是第i个高频子带系数矩阵;
(6)利用如下公式计算系数种群D′(k)中每个个体d′i(k)的适应度值f(d′i(k)):
其中,τ取0.00012;
(7)选择适应度值最大的两个个体d′g(k)和d′e(k),执行交叉操作,生成两个新 的个体d″g(k)和d″e(k),并计算它们的适应度值,同时在位置种群A″(k)中对d′g(k)和d′e(k)相应的位置矩阵的同一位置进行交换,其中g=1,2,Λ,n,e=1,2,Λ,n,且g≠e;
(8)从d″g(k)、d″e(k)、d′g(k)和d′e(k)中选择适应度值最大的个体,将这个个体与其对应的位置矩阵一同存到记录种群G(k)中;
(9)如果迭代次数t满足步骤2中的终止条件,则在记录种群G(k)中选出最优的个体,即所求的第一个小波高频子带,转入下一步;否则,返回步骤(1)和步骤(2),产生n-2个新的系数矩阵和位置矩阵,分别替换原来的系数种群D′(k)中除d′g(k)和d′e(k)之外的n-2个个体和位置种群A″(k)中对应的n-2个个体,转入步骤(3),t=t+1;
(10)分别利用步骤(1)中的另外两个位置种群B(k)和C(k)替换步骤(2)到步骤(9)中的A(k),重复执行两遍,求出其它两个小波高频子带;
(11)对得到的三个小波高频子带,以及发送方发送的一个低频子带,做一尺度的小波逆变换得到重构的图像。
本发明与现有技术相比具有如下优点:
1.计算复杂度低,运行时间短。
压缩感知图像重构的问题本质上是求解l0范数的问题,然而目前的一些算法采用l1范数方法求解,如凸松弛法,通过将非凸问题转化为凸问题来找到原始信号的逼近,虽然重构信号时所用的观测数较小,重构出来的图像质量较高,但其运算量大,时间成本高。本发明的方法在计算复杂度较低的情况下,利用了现有的方法没有用到的稀疏系数的位置分布,确定了稀疏系数在小波高频子带中的准确位置;然后再求解该位置上的稀疏系数值,从而提高了计算速度,缩短了运行时间。
2.扩展压缩感知CS的应用范围,提高了图像的重构质量。
现有的一些压缩感知图像重构方法,如OMP和ROMP,虽然运行时间比较快,但它本身是用于寻找最优的稀疏字典的方法,若用到重构问题上,则没有考虑图像在小波变换域中的系数具有聚集性的这一特征,也难以得到较好的重构效果。本发明结合现有重构算法中的问题,从l0范数重构问题出发,提出了基于先验模型的免疫优化压缩感知重构框架,考虑了图像在小波域中系数的聚集性,在可接受的时间内能较准确地确定稀疏系数在某尺度内的位置,稳定并精确地求解该位置上的稀疏系数值,从而提高了图像的重构质量。
附图说明
图1是本发明的总流程图;
图2是本发明中设计先验模型的子流程图;
图3是用本发明提取疫苗和注射疫苗的示意图;
图4是用本发明进行分块操作的示意图;
图5是用本发明进行互换操作的示意图;
图6是用本发明进行交叉操作的示意图;
图7是本发明与BP,BCS和MP重构出来的Lena图的仿真对比图;
图8是本发明与BP,BCS和MP重构出来的Lena图的三个高频子带的仿真对比图,显示的是系数的模值取反的图像;
图9是本发明重构出来的Lena图的三个高频子带的系数分布和位置分布的仿真对比图;
图10是本发明与BP,BCS和MP重构出来的Lena图的峰值信噪比PSNR和重构时间随采样率变化的趋势图;
图11是种群大小为10时,本发明重构出来的Lena图的峰值信噪比PSNR随迭代次数变化的趋势图;
图12是最大迭代次数为2时,本发明重构出来的Lena图的峰值信噪比PSNR随种群大小变化的趋势图;
图13是本发明重构出来的Lena图的峰值信噪比PSNR随参数L1和L2变化的趋势图。
具体实施方式
参照图1,本发明的具体实施步骤如下:
步骤1,利用小波低频子带求出三个高频子带对应的三个位置种群。
参照图2,本步骤的具体实现如下:
(1a)对发送方发送过来的一尺度小波低频子带做逆变换,高频系数全部置零,得到边缘模糊的图像;
(1b)对该模糊图像进行canny边缘检测,获取含有边缘信息的图像;
(1c)对含有边缘信息的图像做小波变换得到三个含有边缘信息的高频子带,按照系数模值的统计分布确定出每个高频子带中系数的模值为大、小和近似为零的位置,分别标记为1、0.5和0;
(1d)对于三个含有边缘信息的高频子带,当边缘检测的阈值参数分别取n个不同的值时,就会产生三个包含n个位置矩阵的位置种群A(k)、B(k)和C(k):
A(k)={a1(k),a2(k),Λ,an(k)}
B(k)={b1(k),b2(k),Λ,bn(k)}
C(k)={c1(k),c2(k),Λ,cn(k)},
其中,对于256×256的图像,ai(k)、bi(k)和ci(k)分别是128×128的位置编码矩阵,i=1,2,Λ,n,n为种群中个体数目。
步骤2,设定种群进化的终止条件为迭代次数t达到最大迭代次数p,并初始化迭代次数t=0;根据图像的发送方发送的和观测向量y和观测矩阵Φ,计算初始化的一个高频子带系数矩阵:d0(k)=Φ+y,Φ+是观测矩阵Φ的广义逆。
步骤3,利用位置种群A(k),用系数矩阵d0(k)初始化系数种群D(k),即
D(k)={d1(k),d2(k),Λ,dn(k)}
其中,对于256×256的图像,di(k)是一个128×128的高频子带系数矩阵,i=1,2,Λ,n,L1和L2为1到2之间的数,L1<L2,k=1,2,...,128;
步骤4,对位置种群A(k)中的每个个体ai(k)执行提取疫苗操作和注射疫苗操作,得到位置种群A′(k)。
参照图3,本步骤的具体实现如下:
(4a)用3×3的窗口在位置种群A(k)中的每个个体ai(k)中滑动,根据3×3窗口中中心位置的上、下、左、右四个相邻的值提取疫苗,如果四个值为0.5的个数大于3,则将0.5作为该中心位置的疫苗;如果四个值为1的个数大于3,则将1作为该中心位的疫苗,如图3(a)所示操作;如果四个值为0的个数为4,则将0作为该中心位置的疫苗,如图3(b)所示操作;
(4b)再次用3×3的窗口在位置种群A(k)中的每个个体ai(k)中滑动,若3×3窗口 中心位置上的值和步骤(4a)提取出来的疫苗不相同,则用疫苗的值来替换中心位置上的值,如图3(a)和3(b)所示操作;反之,不进行注射操作;
经过上面两步,对位置种群A(k)中的每个个体进行操作后,得到位置种群A′(k):
A′(k)={a′1(k),a′2(k),Λ,a′n(k)}。
步骤5,将位置种群A′(k)和系数种群D(k)作为输入,运行克隆选择,输出新的位置种群A″(k)和新的系数种群D′(k)。
(5a)参照图4,把位置种群A′(k)和系数种群D(k)中的所有个体分成m个16×16大小的图像块,用a′ij(k)表示位置种群A′(k)中第i个个体的第j个块,用dij(k)表示系数种群D(k)中第i个个体的第j个块,其中,i=1,2,Λ,n,j=1,2,Λ,m;n是种群中个体数目,m是每个个体分成的块的个数;
(5c)参照图5,对位置种群A′(k)中的块a′ij(k)逐列进行扫描,若有连续两个以上的位置同时出现1,则把克隆块 和 对应位置上的系数交换位置;若有连续两个以上的位置同时出现0.5,则只把克隆块 中对应位置上的系数交换位置;
其中,y和Φ分别是图像的发送方发送的观测向量和观测矩阵,λ=0.08;
D′(k)={d′1(k),d′2(k),Λ,d′n(k)},
同时合并位置种群中所有个体的m个块,生成新的位置种群A″(k):
A″(k)={a″1(k),a″2(k),Λ,a″n(k)},
其中,a″i(k)是第i个位置编码矩阵,d′i(k)是第i个高频子带系数矩阵,i=1,2,Λ,n,n是种群中个体数目。
步骤6,利用如下公式计算系数种群D′(k)中每个个体d′i(k)的适应度值f(d′i(k)):
其中,y和Φ分别是图像的发送方发送的观测向量和观测矩阵,τ取0.00012。
步骤7,选择步骤6中所有适应度值中最大的两个个体d′g(k)和d′e(k),执行交叉操作,生成两个新的个体d″g(k)和d″e(k),其中g=1,2,Λ,n,e=1,2,Λ,n,且g≠e。
参照图6,本步骤的具体实现如下:
(7a)将系数种群D′(k)中的两个个体d′g(k)和d′e(k)分成16×16大小的块;
(7b)从两个个体的所有16×16的块中分别随机选择两个块,以概率0.2交换这两个块,生成新的个体d″g(k)和d″e(k),图6显示的是两个个体交换第28个块的操作过程。
步骤8,在位置种群A″(k)中对d′g(k)和d′e(k)相应的位置矩阵的同一位置进行交换,计算两个新个体d″g(k)和d″e(k)的适应度值,并从d″g(k)、d″e(k)、d′g(k)和d′e(k)中选择适应度值最大的个体,将这个个体与其对应的位置矩阵一同存到记录种群G(k)中。
步骤9,如果迭代次数t满足步骤2中的终止条件,则在记录种群G(k)中选出最优的个体,即所求的第一个小波高频子带,转入下一步;否则,返回步骤(1)和步骤(2),产生n-2个新的系数矩阵和位置矩阵,分别替换原来的系数种群D′(k)中除d′g(k)和d′e(k)之外的n-2个个体和位置种群A″(k)中对应的n-2个个体,转入步骤(3),t=t+1。
步骤10,分别利用步骤(1)中的另外两个位置种群B(k)和C(k)替换步骤(2)到 步骤(9)中的A(k),重复执行两遍,求出其它两个小波高频子带。
步骤11,对得到的三个小波高频子带,以及发送方发送的一个低频子带,做一尺度的小波逆变换得到重构的图像。
本发明的优点由以下仿真的数据和图像进一步说明。
1.仿真条件
(1.1)选取256×256的标准测试图像Lena来测试本发明的重构效果,同时将本发明的重构效果与现有的BP,BCS和MP的重构效果进行比较来突出本发明的重构优势。
(1.2)仿真实验中的种群大小n为10,最大迭代次数p为2。
(1.3)仿真实验中初始化系数种群时用到的伸缩因子L1为1,L2为1.8。
(1.4)仿真实验中图像分成的块的大小定为16×16。
2.仿真内容
(2.1)根据上述的具体实施方式,利用本发明的方法来重构Lena图,并用现有的方法BP,BCS和MP作为对比实验,仿真结果如图7所示。其中图7(a)是原图,图7(b)是本方法的重构图,图7(c)、7(d)和7(e)分别是现有BP,BCS和MP方法的重构图。图10(a)给出了本发明与现有BP,BCS和MP方法重构图像的时间随采样率变化的趋势图;图10(b)是本发明与现有BP,BCS和MP方法重构图像的峰值信噪比PSNR随采样率变化的趋势图。
(2.2)为了说明先验模型设计的重要性和有效性,利用本发明的方法来重构Lena图的水平方向高频子带,并用现有的BP,BCS和MP重构出来的图像的水平方向高频子带作为对比试验,结果显示的是系数的模值取反的图像,如图8所示。其中图8(a)显示了Lena原图在水平方向高频子带上的小波系数值,图8(b)显示了本发明重构出来的水平方向高频子带上的小波系数值,图8(c)、8(d)和8(e)分别显示了现有的BP,BCS和MP方法重构出来的水平方向高频子带上的小波系数值。为了说明本发明重构出来的小波系数在结构上具有聚集性,用本发明的方法重构出三个高频子带,并显示其对应的位置编码矩阵,如图9所示。其中9(a)、9(c)和9(e)分别是本发明重构出来的三个高频子带中稀疏系数的分布情况;图9(b)、9(d)和9(f)分别是其对应的三个位置编码矩阵,图中白色区域代表“大”系数的位置,灰色区域代表“小”系数的位置,黑色区域代表系数值为“零”的位置。
(2.3)本发明在实现的过程中用到了很多参数,其中一部分参数是与图像无关的,它们对于所有的输入图像使用的是相同的值,如种群大小n和最大迭代次数p。种群大 小n实际上是由边缘检测高阈值的个数决定的,代表着位置种群中位置矩阵的个数,是本发明的一个关键参数。通过实验对种群大小n和最大迭代次数p这两个参数进行分析,其试验是在用这两个参数之一来观察另一个参数对实验结果的影响:
(2.3.a)当种群大小n固定为10时,观察本发明重构出来的图像的峰值信噪比PSNR随迭代次数p增加的变化趋势,结果如图11所示。
(2.3.b)当最大迭代次数p固定为2时,观察本发明重构出来的图像的峰值信噪比PSNR随种群大小n增大的变化趋势,结果如图12所示。
(2.4)另外还有一些参数是与图像相关的,它们是在大量试验下确定的合适的参数值,如伸缩因子L1和L2。为了分析这两个参数,设计实验如下:伸缩因子L2取2.5、1.9、1.8和1.6时,观察峰值信噪比PSNR随L1取值不同的变化趋势,这样可以得到4个不同的曲线,如图13所示。
3.仿真结果分析
(3.1)从图7(c)可以看出,本发明重构出来的图像与原图7(a)非常接近,而现有的BP,BCS和MP方法重构出来的图像在视觉上要差很多。从图10(a)中可看出本方法比现有的BP,BCS和MP方法获得了较高的峰值信噪比PSNR,即重构的图像质量要比其他方法高;从图10(b)看出本发明与现有的BP,BCS和MP方法的运行时间相比,虽然时间不是最短的,但比BCS方法的时间要短很多,随着采样率的增加,本发明与BP和MP方法的运行时间相差不大。
(3.2)从图8可以看出,本发明重构出来的小波系数值和原图的小波系数值非常吻合,并且能够较准确地定位原图在三个高频子带中的稀疏系数的位置,而现有的BP,BCS和MP重构出来的结果和原图有很大的差距,甚至连轮廓都没有重构出来。在图9(a)、9(c)和9(e)中,本发明重构出来的三个高频子带上的稀疏系数分布基本上也能够和图9(b)、9(d)和9(f)中位置矩阵的“大”系数和“小”系数的位置相吻合。
(3.3)由图11和图12可以看出,随着种群大小n和最大迭代次数p的增大,图像的峰值信噪比PSNR也在增加,但是运行时间会变得很长。为了在运行时间和重构效果之间取折中,当种群大小n取10,最大迭代次数p取2时,本发明可以在短时间内取得较好的重构效果。
(3.4)由图13中的四条曲线可以看出,要获得较大的峰值信噪比PSNR,必须满足1≤L1<L2≤2,并且当L1=1,L2=1.8时,峰值信噪比PSNR相对来说达到最高。
综上所述,本发明的基于先验模型和l0范数的压缩感知图像重构方法,能够很好地重构图像在小波域中的高频子带,与现有的其他方法相比,不仅具有较高的重构质量,视觉效果好,而且大大降低了计算量。
Claims (4)
1.一种基于先验模型和l0范数的压缩感知图像重构方法,包括如下步骤:
(1)对发送方发送过来的一尺度小波低频子带做逆变换,高频系数全部置零,得到边缘模糊的图像;对该模糊图像进行canny边缘检测,获取含有边缘信息的图像;对含有边缘信息的图像做小波变换得到三个含有边缘信息的高频子带,按照系数模值的统计分布确定出每个高频子带中系数的模值为大、小和近似为零的位置,分别标记为1、0.5和0;对于三个含有边缘信息的高频子带,当边缘检测的阈值参数分别取n个不同的值时,就会产生三个包含n个位置矩阵的位置种群A(k)、B(k)和C(k):
A(k)={a1(k),a2(k),Λ,an(k)}
B(k)={b1(k),b2(k),Λ,bn(k)}
C(k)={c1(k),c2(k),Λ,cn(k)},
其中,对于256×256的图像,ai(k)、bi(k)和ci(k)分别是128×128的位置编码矩阵,i=1,2,Λ,n,n为种群中个体数目;
(2)设定种群进化的终止条件为迭代次数t达到最大迭代次数p,并初始化迭代次数t=0;根据图像的发送方发送的和观测向量y和观测矩阵Φ,计算初始化的一个高频子带系数矩阵:d0(k)=Φ+y,Φ+是观测矩阵Φ的广义逆;
(3)利用位置种群A(k),用系数矩阵d0(k)初始化系数种群D(k),即
D(k)={d1(k),d2(k),Λ,dn(k)}
其中,对于256×256的图像,di(k)是一个128×128的高频子带系数矩阵,i=1,2,Λ,n,L1和L2为1到2之间的随机数,L1<L2,k=1,2,...,128;
(4)对位置种群A(k)中的每个个体ai(k)执行提取疫苗操作和注射疫苗操作,得到位置种群A′(k):A′(k)={a′1(k),a′2(k),Λ,a′n(k)};
(5)将位置种群A′(k)和系数种群D(k)作为输入,运行克隆选择,输出新的位置种群A″(k)和新的系数种群D′(k):
A″(k)={a″1(k),a″2(k),Λ,a″n(k)}
D′(k)={d′1(k),d′2(k),Λ,d′n(k)};
其中,a″i(k)是第i个位置编码矩阵,d′i(k)是第i个高频子带系数矩阵;
(6)利用如下公式计算系数种群D′(k)中每个个体d′i(k)的适应度值f(d′i(k)):
其中,τ取0.00012;
(7)选择适应度值最大的两个个体d′g(k)和d′e(k),执行交叉操作,生成两个新的个体d″g(k)和d″e(k),并计算它们的适应度值,同时在位置种群A″(k)中对d′g(k)和d′e(k)相应的位置矩阵的同一位置进行交换,其中g=1,2,Λ,n,e=1,2,Λ,n,且g≠e;
(8)从d″g(k)、d″e(k)、d′g(k)和d′e(k)中选择适应度值最大的个体,将这个个体与其对应的位置矩阵一同存到记录种群G(k)中;
(9)如果迭代次数t满足步骤2中的终止条件,则在记录种群G(k)中选出最优的个体,即所求的第一个小波高频子带,转入下一步;否则,返回步骤(1)和步骤(2),产生n-2个新的系数矩阵和位置矩阵,分别替换原来的系数种群D′(k)中除d′g(k)和d′e(k)之外的n-2个个体和位置种群A″(k)中对应的n-2个个体,转入步骤(3),t=t+1;
(10)分别利用步骤(1)中的另外两个位置种群B(k)和C(k)替换步骤(2)到步骤(9)中的A(k),重复执行两遍,求出其它两个小波高频子带;
(11)对得到的三个小波高频子带,以及发送方发送的一个低频子带,做一尺度的小波逆变换得到重构的图像。
2.根据权利要求1所述的基于先验模型和l0范数的压缩感知图像重构方法,其中步骤(4)所述的对位置种群A(k)中的每个个体ai(k)执行提取疫苗操作和注射疫苗操作,按照如下步骤进行:
(4a)用3×3的窗口在位置种群A(k)中的每个个体ai(k)中滑动,根据3×3窗口中中心位置的上、下、左、右四个相邻的值提取疫苗,如果四个值为0.5的个数大于3,则将0.5作为该中心位置的疫苗;如果四个值为1的个数大于3,则将1作为该中心位的疫苗;如果四个值为0的个数为4,则将0作为该中心位置的疫苗;
(4b)若3×3窗口中心位置上的值和步骤(4a)提取出来的疫苗不相同,则用疫苗的值来替换中心位置上的值;反之,不进行注射操作;得到提取疫苗和注射疫苗后的位置种群A′(k)。
3.根据权利要求1所述的基于先验模型和l0范数的压缩感知图像重构方法,其中步骤(5)所述的运行克隆选择,按照如下步骤进行:
(5a)把位置种群A′(k)和系数种群D(k)中的所有个体分成m个16×16大小的图像块,用a′ij(k)表示位置种群A′(k)中第i个个体的第j个块,用dij(k)表示系数种群D(k)中第i个个体的第j个块,其中,i=1,2,Λ,n,j=1,2,Λ,m;n是种群中个体数目,m是每个个体分成的块的个数;
(5c)对位置种群A′(k)中的块a′ij(k)逐列进行扫描,若有连续两个以上的位置同时出现1,则把克隆块和对应位置上的系数交换位置;若有连续两个以上的位置同时出现0.5,则只把克隆块中对应位置上的系数交换位置;
其中,y和Φ分别是图像的发送方发送的观测向量和观测矩阵,λ=0.08;
4.根据权利要求1所述的基于先验模型和l0范数的压缩感知图像重构方法,其中步骤(7)所述的执行交叉操作,按照如下步骤进行:
(7a)将系数种群D′(k)中的两个个体d′g(k)和d′e(k)分成16×16大小的块,块的数目为m;
(7b)从两个个体的所有16×16的块中分别随机选择两个块,以概率0.2交换这两个块,生成新的个体d″g(k)和d″e(k)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110088400 CN102148987B (zh) | 2011-04-11 | 2011-04-11 | 基于先验模型和l0范数的压缩感知图像重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110088400 CN102148987B (zh) | 2011-04-11 | 2011-04-11 | 基于先验模型和l0范数的压缩感知图像重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102148987A true CN102148987A (zh) | 2011-08-10 |
CN102148987B CN102148987B (zh) | 2012-12-12 |
Family
ID=44422947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110088400 Expired - Fee Related CN102148987B (zh) | 2011-04-11 | 2011-04-11 | 基于先验模型和l0范数的压缩感知图像重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102148987B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568017A (zh) * | 2012-01-04 | 2012-07-11 | 西安电子科技大学 | 基于滤波算子的交替优化压缩感知图像重构方法 |
CN103558601A (zh) * | 2013-11-01 | 2014-02-05 | 北京航空航天大学 | 一种用于合成孔径雷达过采样数据处理的超分辨方法 |
CN104392412A (zh) * | 2014-10-23 | 2015-03-04 | 西安电子科技大学 | 基于进化正交匹配追踪的压缩感知信号恢复方法 |
CN104410423A (zh) * | 2014-10-23 | 2015-03-11 | 湘潭大学 | 压缩感知中回溯式遗传迭代重构方法 |
CN106791867A (zh) * | 2015-10-03 | 2017-05-31 | 特克特朗尼克公司 | 一种针对jpeg2000压缩流的低复杂度感知视觉质量评估方法 |
CN106936440A (zh) * | 2017-02-20 | 2017-07-07 | 东南大学 | 一种压缩感知观测矩阵生成方法及装置 |
CN107784278A (zh) * | 2017-10-18 | 2018-03-09 | 清华大学 | 用结构化先验约束提高稀疏图像重构精度降低复杂度方法 |
CN108573282A (zh) * | 2018-04-16 | 2018-09-25 | 陕西科技大学 | 基于小数据集下的bn参数学习的目标识别方法 |
CN109035358A (zh) * | 2018-07-18 | 2018-12-18 | 南京航空航天大学 | 基于二阶l0最小化及边缘先验的图像重建方法 |
CN109188327A (zh) * | 2018-09-26 | 2019-01-11 | 浙江理工大学 | 基于张量积复小波紧框架的磁共振图像快速重构方法 |
CN111445407A (zh) * | 2020-03-24 | 2020-07-24 | 赣南师范大学 | 基于改进遗传算法对光声图像的重建参数优化方法 |
CN115248605A (zh) * | 2022-09-22 | 2022-10-28 | 深圳市巨力方视觉技术有限公司 | 运动控制视觉对位方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833667A (zh) * | 2010-04-21 | 2010-09-15 | 中国科学院半导体研究所 | 一种基于分组稀疏表示的模式识别分类方法 |
CN101895297A (zh) * | 2010-07-30 | 2010-11-24 | 哈尔滨工业大学 | 一种面向压缩感知的块稀疏信号重构方法 |
-
2011
- 2011-04-11 CN CN 201110088400 patent/CN102148987B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833667A (zh) * | 2010-04-21 | 2010-09-15 | 中国科学院半导体研究所 | 一种基于分组稀疏表示的模式识别分类方法 |
CN101895297A (zh) * | 2010-07-30 | 2010-11-24 | 哈尔滨工业大学 | 一种面向压缩感知的块稀疏信号重构方法 |
Non-Patent Citations (3)
Title |
---|
《IEEE Transactions on Information Theory》 20060430 David L. Donoho Compressed Sensing 全文 1-4 第52卷, 第4期 * |
《中国科技信息》 20100731 任肖丽 压缩感知理论研究简述 全文 1-4 , 第13期 * |
《模式识别与人工智能》 20090228 缑水平等 基于免疫克隆的核匹配追踪集成图像识别算法 全文 1-4 第22卷, 第1期 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568017B (zh) * | 2012-01-04 | 2014-08-20 | 西安电子科技大学 | 基于滤波算子的交替优化压缩感知图像重构方法 |
CN102568017A (zh) * | 2012-01-04 | 2012-07-11 | 西安电子科技大学 | 基于滤波算子的交替优化压缩感知图像重构方法 |
CN103558601A (zh) * | 2013-11-01 | 2014-02-05 | 北京航空航天大学 | 一种用于合成孔径雷达过采样数据处理的超分辨方法 |
CN104392412A (zh) * | 2014-10-23 | 2015-03-04 | 西安电子科技大学 | 基于进化正交匹配追踪的压缩感知信号恢复方法 |
CN104410423A (zh) * | 2014-10-23 | 2015-03-11 | 湘潭大学 | 压缩感知中回溯式遗传迭代重构方法 |
CN106791867B (zh) * | 2015-10-03 | 2021-06-15 | 巨人计划有限责任公司 | 一种检测图像质量的方法和解码系统 |
CN106791867A (zh) * | 2015-10-03 | 2017-05-31 | 特克特朗尼克公司 | 一种针对jpeg2000压缩流的低复杂度感知视觉质量评估方法 |
CN106936440A (zh) * | 2017-02-20 | 2017-07-07 | 东南大学 | 一种压缩感知观测矩阵生成方法及装置 |
CN107784278A (zh) * | 2017-10-18 | 2018-03-09 | 清华大学 | 用结构化先验约束提高稀疏图像重构精度降低复杂度方法 |
CN108573282A (zh) * | 2018-04-16 | 2018-09-25 | 陕西科技大学 | 基于小数据集下的bn参数学习的目标识别方法 |
CN109035358A (zh) * | 2018-07-18 | 2018-12-18 | 南京航空航天大学 | 基于二阶l0最小化及边缘先验的图像重建方法 |
CN109188327A (zh) * | 2018-09-26 | 2019-01-11 | 浙江理工大学 | 基于张量积复小波紧框架的磁共振图像快速重构方法 |
CN111445407A (zh) * | 2020-03-24 | 2020-07-24 | 赣南师范大学 | 基于改进遗传算法对光声图像的重建参数优化方法 |
CN115248605A (zh) * | 2022-09-22 | 2022-10-28 | 深圳市巨力方视觉技术有限公司 | 运动控制视觉对位方法及系统 |
CN115248605B (zh) * | 2022-09-22 | 2022-12-27 | 深圳市巨力方视觉技术有限公司 | 运动控制视觉对位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102148987B (zh) | 2012-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102148987B (zh) | 基于先验模型和l0范数的压缩感知图像重构方法 | |
Shi et al. | Deep networks for compressed image sensing | |
CN104751169B (zh) | 高铁钢轨伤损分类方法 | |
CN102541954B (zh) | 一种商标检索方法及系统 | |
CN105160678A (zh) | 基于卷积神经网络的无参考立体图像质量评估方法 | |
CN103778636B (zh) | 一种用于无参考图像质量评价的特征构建方法 | |
CN104199627B (zh) | 基于多尺度在线字典学习的可分级视频编码系统 | |
CN107680116A (zh) | 一种监测视频图像中运动目标的方法 | |
CN102186069B (zh) | 一种保持量测性能的遥感影像数据压缩方法 | |
CN107192878A (zh) | 一种基于压缩感知的电力系统谐波检测方法及装置 | |
CN102142139A (zh) | 基于压缩学习感知的sar高分辨图像重建方法 | |
CN102547368A (zh) | 一种立体图像质量客观评价方法 | |
CN103037212A (zh) | 基于视觉感知的自适应块压缩传感图像编码方法 | |
CN105631469A (zh) | 一种多层稀疏编码特征的鸟类图像识别方法 | |
CN106447668A (zh) | 红外场景下基于随机取样和稀疏矩阵恢复的小目标检测方法 | |
Yao et al. | Sparsity estimation matching pursuit algorithm based on restricted isometry property for signal reconstruction | |
CN114360030A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN103093431A (zh) | 基于pca字典和结构先验信息的压缩感知重构方法 | |
CN111008570B (zh) | 一种基于压缩-激励伪三维网络的视频理解方法 | |
Zhu et al. | Tensor-generative adversarial network with two-dimensional sparse coding: Application to real-time indoor localization | |
Ren et al. | Deep RF device fingerprinting by semi-supervised learning with meta pseudo time-frequency labels | |
CN107622476B (zh) | 基于概率生成模型的图像超分辨处理方法 | |
CN102163338A (zh) | 一种压缩感知系统中的高效重建方法 | |
CN103841583B (zh) | 一种基于压缩感知的无线网络优化海量信令数据采集方法 | |
CN103778439A (zh) | 基于动态时空信息挖掘的人体轮廓重构方法 |
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: 20121212 Termination date: 20180411 |
|
CF01 | Termination of patent right due to non-payment of annual fee |