CN102332153B - 基于核回归的图像压缩感知重构方法 - Google Patents
基于核回归的图像压缩感知重构方法 Download PDFInfo
- Publication number
- CN102332153B CN102332153B CN 201110268034 CN201110268034A CN102332153B CN 102332153 B CN102332153 B CN 102332153B CN 201110268034 CN201110268034 CN 201110268034 CN 201110268034 A CN201110268034 A CN 201110268034A CN 102332153 B CN102332153 B CN 102332153B
- Authority
- CN
- China
- Prior art keywords
- image
- fritter
- matrix
- expression
- vector
- 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.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于核回归的图像压缩感知重构方法,主要解决现有方法中因为各图像块相互独立重构,缺乏考虑图像块之间的联系而引起重建图像质量下降的问题。其步骤为:首先对输入的场景图像进行分块,利用正交匹配追踪OMP算法对这些图像块进行初步重构;然后对图像运用核回归方法得到图像小块的局部灰度矩阵,利用邻域图像块加权得到图像小块的非局部灰度矩阵;最后利用图像小块的局部灰度矩阵和非局部灰度矩阵通过最小二乘求解得到最终的重构图像小块,对所有图像小块重复此类操作,获得最终重构图像。本发明在不同采样率下,均能够提高各种自然图像和卡通图像的重构效果,可用于压缩观测下各类低分辨图像的高分辨恢复或重构。
Description
技术领域
本发明属于图像处理技术领域,涉及一种压缩感知理论框架下的图像重构方法,可用于压缩观测下各类低分辨图像的高分辨恢复或重构。
背景技术
压缩感知是近几年在信号处理领域中发展起来的一种关于信号传输与存储的新理论。它突破了解决传统奈奎斯特采样中关于采样速率的限制,可在低采样率下实现信息的精确感知。传统的图像压缩感知重构方法是对整体图像直接进行压缩观测,然后利用优化算法恢复图像,由于大场景图像含有的信息量较大,从而造成观测矩阵过大,导致运算复杂度过高。最近,分块图像压缩感知方法被提出,其主要思想是,首先对图像采用分块处理,其次对每个图像块分别进行压缩观测,在对各个图像块分别进行重构,最后由各图像块聚合为全图。但是,在这种分块图像压缩感知中,由于各图像块之间是独立重构的,忽略了图像块之间的相关性,往往会导致重构图像具有块效应,影响了图像的重构效果。
发明内容
本发明的目的在于克服上述已有技术的缺点,提出一种基于核回归的图像压缩感知重构方法,以利用图像块之间的相关性,有效地去除图像块之间的块效应,提高重构图像的质量。
为实现上述目的,本发明的技术方案是首先对图像进行分块压缩观测,对观测值利用正交匹配追踪OMP算法进行初步重构;然后对图像采用核回归方法得到图像块的局部灰度矩阵,再基于图像的自相似性将邻域图像块加权得到图像块的非局部灰度矩阵;最后利用图像块的局部信息和非局部信息通过最小二乘求解得到重构图像块。具体步骤包括:
(1)对场景X进行分块压缩成像,对X中局部区域对应的图像小块x进行观测,得到观测向量y=As,其中A为观测矩阵,s为图像小块列向量;
(6)计算初始重构场景图像中的任一小块与其邻域中的其他K个图像小块x1,x2...xK之间的欧氏距离,确定出K个邻域小块对当前小块的权值w1,w2...wK,并对其归一化分别得到归一化的权值其公式如下:
其中,h为控制参数用来控制权值随着图像块和xk之间距离增加时的下降速度,h越大权值下降速度越慢,反之权值下降速度越快,和xk(:)分别表示图像小块和xk中所有的像素点的值,为图像小块和xk之间的欧氏距离。
(9)对一个图像小块求解优化公式得到最终重构图像小块z,其中y为观测向量,A为随机观测矩阵,u为从U中取出的与初始重构小块对应的重构图像小块的局部灰度矩阵,v为从V中取出的与初始重构小块对应的重构图像小块的非局部灰度矩阵;
(10)重复步骤(9)对每个输入的图像小块依次处理,得到最终重构的场景图像Z。
本发明由于在进行图像重构时,在对单个图像块的重构过程中考虑了其局部邻域内和全局的相似图像块,分别使用核回归和非局部滤波技术建立了图像的局部灰度矩阵和非局部灰度矩阵,在重建中利用局部和全局图像块之间的相似性达到信息共享,也考虑了图像之间的相似性,从而提高了重构图像的质量;同时由于本发明充分利用图像块之间的相关性来恢复图像,有效的提高了图像块的重构质量。实验证明,本发明适用于各种自然图像和卡通图像的压缩感知重构。
附图说明
图1是本发明的总流程图;
图2是本发明求解重构图像小块的示意图;
图3是本发明仿真采用的Lena图像;
图4是本发明仿真采用的Peppers图像;
图5是本发明仿真采用的Flinstones图像;
图6是本发明仿真采用的Horse图像;
图7是用本发明对Lena图像重构的仿真效果图;
图8是用本发明对Peppers图像重构的仿真效果图;
图9是用本发明对Flinstones图像重构的仿真效果图;
图10是用本发明对Horse图像重构的仿真效果图。
具体实施方法
参照附图1,本发明的具体步骤如下:
步骤1.对场景图像分块并利用观测矩阵得到相应的观测向量
对如附图3、图4、图5、图6所示的场景X进行分块压缩成像,利用观测矩阵对X中局部区域的图像小块x进行观测,其中图像小块的大小为16×16,得到对应的观测向量为:y=As;其中A为观测矩阵,这里取随机高斯矩阵,s为图像小块x转化为列向量的结果;
步骤2.利用OMP重构算法,得到初始重构场景图像
2a)对于步骤1中得到的观测矩阵y,利用OMP算法求解式:得到图像小块x对应的稀疏分解系数α,其中y为观测向量,D为冗余DCT字典,其大小为256×900,λ为稀疏度控制参数,||·||0表示向量的L0范数;
2c)重复步骤(2a)到步骤(2b),对输入的图像小块依次处理,得到初始重构场景图
步骤3.利用核回归方法得到重构图像的局部灰度矩阵
qi=F(ti)+εi,i=1,2...,P
其中,F(·)表示回归函数,εi为估计误差项,P为采样点的个数;
3b)对回归函数利用泰勒公式展开,确定待估计像素点的回归模型:
其中,F(·)表示回归函数,表示求取向量的梯度,(·)T表示矩阵的转置,ti表示采样点的位置向量,t表示非采样点的位置向量,ti与t均用大小为2×1的向量表示,H为Hessian矩阵,vec(·)表示将矩阵转化为列向量的操作;
其中,q=[q1,q2,...,qP]T,
Wt=diag[KH(t1-t),KH(t2-t)...,KH(tP-t)],
其中,表示待求解的回归函数系数向量,q表示采样点像素值向量,P为采样点的个数即核函数的大小,KH(·)表示核函数,βi,i=1,2...,N表示回归模型中各项的系数,N表示回归函数的最大阶数,diag(·)表示对角矩阵,Wt表示等价权值矩阵,Et表示等效核矩阵,vech(·)表示将矩阵的下三角元素转化为列向量的操作;
3d)利用如下公式估计出非采样点的像素值:
步骤4.利用邻域图像块加权,得到重构图像的非局部灰度矩阵
4a)计算初始重构场景图中的任一小块与其邻域中的其他K个图像小块x1,x2...xK之间的欧氏距离,分别得到K个邻域小块对当前小块的权值w1,w2...wK,并对权值w1,w2...wK归一化,分别得到归一化的权值其公式如下:
其中,h为控制参数用来控制权值随着图像块和xk之间距离增加的下降速度,h越大权值下降速度越慢,反之权值下降速度越快,和xk(:)分别为图像小块和xk中所有的像素点的值,为图像小块和xk之间的欧氏距离;
步骤5.利用图像的局部灰度矩阵和非局部灰度矩阵得到最终重构的图像
参照附图2,对场景图像中的一个图像小块x进行重构,即求解优化公式 其求解步骤如下:
5b)分别通过核回归方法对进行回归处理,估计非采样点的像素值,以及对邻域的图像块进行加权来更新当前重构图像小块,求解优化公式中的第3项和第4项,分别得到当前重构小块的局部灰度矩阵u(n)和非局部灰度矩阵v(n);
5c)再次利用最小二乘法求解优化公式中的第1项、第3项和第4项,更新重构图像小块:
其中,表示更新后的重构图像小块,λ为稀疏度控制参数,λ1为局部正则化参数和λ2为非局部正则化参数,y为观测向量,(·)-1表示矩阵的逆,(·)T表示矩阵的转置,I为单位矩阵;
5e)重复步骤5c)和步骤5d),当重复次数为L次,且L=3时,得到最终重构图像小块
5f)重复步骤5a)到步骤5e),对所有的小块依次处理,得到最终重构图像Z。
本发明的效果可以通过以下实验近一步说明:
1)实验条件
本实验采用标准测试自然图像和卡通图像作为实验数据,采用软件MATLAB 7.0作为仿真工具,计算机配置为Intel Core2/2.33G/2G。
2)实验内容
分别利用OMP算法和本发明的算法,在不同的采样率下对各类输入测试图像进行重构:
分别利用现有的OMP方法和本发明方法对图3所示的Lena图像和图4所示的Peppers图像进行压缩感知重构,结果如图7和图8所示。其中图7(a)为用现有OMP算法在50%采样率下,对图3所示的Lena图像进行压缩感知重构的仿真效果图;图7(b)为用本发明方法在50%采样率下,对图3所示的Lena图像进行压缩感知重构的仿真效果图;图8(a)为用现有OMP算法在50%采样率下,对图4所示的Peppers图像进行压缩感知重构的仿真效果图;图8(b)为用本发明方法在50%采样率下,对图4所示的Peppers图像进行压缩感知重构的仿真效果图。
分别利用现有的OMP方法和本发明方法对图5所示的Flinstones图像和图6所示的Horse图像进行压缩感知重构,结果如图9和图10所示。其中图9(a)是用现有OMP算法在50%采样率下,对图5所示的Flinstones图像进行压缩感知重构的仿真效果图;图9(b)为用本发明方法在50%采样率下对图5所示的Flinstones图像进行压缩感知重构的仿真效果图;图10(a)为用现有OMP算法在50%采样率下对图6所示的Horse图像进行压缩感知重构的仿真效果图;图10(b)为用本发明方法在50%采样率下对图6所示的Horse图像进行压缩感知重构的仿真效果图。
3)实验结果分析
两种方法的数字指标比较统计见表1,
表1不同采样率下,各测试图像的压缩感知重构结果表
表1中的采样率γ=m/n,其中m,n分别为随机高斯观测矩阵A的行数和列数,实验中γ分别取20%,30%,40%,50%;其数字对比指标如下定义:
MSE=norm(X(:)-Z(:))^2/(norm(X(:)))/M
PSNR=10×log(2552/MSE)(dB)
式中,PSNR表示图像峰值信噪比,SSIM表示两幅图像的结构相似度测度,MSSIM表示两幅图像的平均相似度测度,其中X为原始图像,Z为重建图像,l(X,Z)为亮度比较函数,c(X,Z)为对比度比较函数,s(X,Z)为结构比较函数,Xi,Zi分别表示X,Z中的像素点,M为全部像素点的个数,μX,μZ分别表示X,Z的均值,σX,μZ分别表示X,Z的方差,μXZ表示X和Z的协方差。MSE越小,PSNR越大,说明重建结果比较好。结构相似度测度SSIM和平均结构相似度测度MSSIM是基于人类视觉特性的客观图像质量评价方法,取值在0-1之间,值越接近于1说明重建图像和原图在视觉效果上越接近。
从表1可以看出,本发明在自然图像和卡通图像的压缩感知重构上要优于其它方法,在不同的采样率下,对于输入的图像都可以得到较好的重构结果。
从图7、图8、图9、图10可以看出,本发明在重构图像的视觉效果上要优于其它方法,不但较好的保持了图像灰度信息,而且有效地去除了图中的块效应。
Claims (3)
1.一种基于核回归的图像压缩感知重构方法,包括如下步骤:
(1)对场景X进行分块压缩成像,对X中局部区域对应的图像小块x进行观测,得到观测向量y=As,其中A为随机观测矩阵,s为图像小块列向量;
(4)重复步骤(2)到步骤(3),对输入的图像小块依次处理,得到重构场景图像
(6)计算初始重构场景图像中的任一小块与其邻域中的其他K个图像小块x1,x2...xK之间的欧氏距离,确定出K个邻域小块对当前小块的权值w1,w2...wK,并对其归一化分别得到归一化的权值其公式如下:
其中,h为控制参数,用来控制权值随着图像块和xk之间距离增加时的下降速度,h越大权值下降速度越慢,反之权值下降速度越快,和xk(:)分别表示图像小块和xk中所有的像素点的值,为图像小块和xk之间的欧氏距离;
(9)对一个图像小块求解优化公式得到最终重构图像小块z,其中y为观测向量,A为随机观测矩阵,u为从U中取出的与初始重构小块对应的重构图像小块的局部灰度矩阵,v为从V中取出的与初始重构小块对应的重构图像小块的非局部灰度矩阵,λ1为局部正则化参数,λ2为非局部正则化参数;
(10)重复步骤(9)对每个输入的图像小块依次处理,得到最终重构的场景图像Z。
qi=F(ti)+εi,i=1,2...,P
其中,F(.)表示回归函数,εi为估计误差项,P为采样点的个数;
2b)对回归函数利用泰勒公式展开,确定非采样像素点的回归模型:
F(ti)=F(t)+{▽F(t)}T(ti-t)
+12(ti-t)T{HF(t)}(ti-t)+...
=F(t)+{▽F(t)}T(ti-t)
+12vecT{HF(t)}vec{(ti-t)(ti-t)T}+...
其中,F(.)表示回归函数,▽(.)表示求取向量的梯度,(.)T表示矩阵的转置,ti表示采样点的位置向量,t表示非采样点的位置向量,H为Hessian矩阵,vec(.)表示将矩阵转化为列向量的操作;
其中,
Wt=diag[KH(t1-t),KH(t2-t)...,KH(tP-t)],
其中,表示待求解的回归函数系数向量,q表示采样点像素值向量,P为采样点的个数即核函数的大小,KH(.)表示核函数,βi,i=0,1,2...,N表示回归模型中各项的系数,N表示回归函数的最大阶数,diag(.)表示对角矩阵,Wt表示等价权值矩阵,Et表示等效核矩阵,vech(.)表示将矩阵的下三角元素转化为列向量的操作;
2d)利用如下公式估计出非采样点的像素值:
2e)将采样点的像素值qi和估计出的非采样点像素值组合,得到重构图像的局部灰度矩阵U。
3c)再次求解优化公式中的第1项、第2项和第3项,更新重构图像小块:
3e)重复步骤3c)和步骤3d),当重复次数为L次,且L=3时,得到最终重构图像小块
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110268034 CN102332153B (zh) | 2011-09-13 | 2011-09-13 | 基于核回归的图像压缩感知重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110268034 CN102332153B (zh) | 2011-09-13 | 2011-09-13 | 基于核回归的图像压缩感知重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102332153A CN102332153A (zh) | 2012-01-25 |
CN102332153B true CN102332153B (zh) | 2013-06-12 |
Family
ID=45483918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110268034 Active CN102332153B (zh) | 2011-09-13 | 2011-09-13 | 基于核回归的图像压缩感知重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102332153B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708576B (zh) * | 2012-05-18 | 2014-11-19 | 西安电子科技大学 | 基于结构字典的分块图像压缩感知重建方法 |
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 |
CN103150713B (zh) * | 2013-01-29 | 2015-12-09 | 南京理工大学 | 利用图像块分类稀疏表示与自适应聚合的图像超分辨方法 |
CN103295198B (zh) * | 2013-05-13 | 2015-11-25 | 西安电子科技大学 | 基于冗余字典和结构稀疏的非凸压缩感知图像重构方法 |
CN104574455B (zh) * | 2013-10-29 | 2017-11-24 | 华为技术有限公司 | 图像重建方法及装置 |
CN103824264B (zh) * | 2014-03-06 | 2017-03-29 | 西安电子科技大学 | 基于随机傅里叶特征的压缩感知方法 |
CN104268907B (zh) * | 2014-09-23 | 2017-09-08 | 西安电子科技大学 | 基于引导滤波与剪切滤波的红外图像压缩感知重构方法 |
CN104952046B (zh) * | 2015-04-01 | 2019-02-26 | 哈尔滨工业大学深圳研究生院 | 基于统计的图像压缩感知低复杂度还原方法 |
CN106097263A (zh) * | 2016-06-03 | 2016-11-09 | 江苏大学 | 基于全变分范数图像分块梯度计算的图像重构方法 |
CN111241898B (zh) * | 2019-03-20 | 2020-11-10 | 吕衍荣 | 基于图像处理的数据显示方法 |
CN112653472A (zh) * | 2020-12-15 | 2021-04-13 | 哈尔滨工程大学 | 一种基于块稀疏压缩感知的海豚哨叫信号重构方法 |
CN115330901B (zh) * | 2022-10-17 | 2023-01-17 | 广东工业大学 | 一种基于压缩感知网络的图像重构方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024266A (zh) * | 2010-11-04 | 2011-04-20 | 西安电子科技大学 | 基于图像结构模型的压缩感知图像重构方法 |
CN102136144A (zh) * | 2011-04-11 | 2011-07-27 | 北京大学 | 图像配准可靠性模型和超分辨率图像的重构方法 |
CN102142139A (zh) * | 2011-03-25 | 2011-08-03 | 西安电子科技大学 | 基于压缩学习感知的sar高分辨图像重建方法 |
CN102156875A (zh) * | 2011-03-25 | 2011-08-17 | 西安电子科技大学 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007027893A2 (en) * | 2005-08-30 | 2007-03-08 | The Regents Of The University Of California, Santa Cruz | Kernel regression for image processing and reconstruction |
-
2011
- 2011-09-13 CN CN 201110268034 patent/CN102332153B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024266A (zh) * | 2010-11-04 | 2011-04-20 | 西安电子科技大学 | 基于图像结构模型的压缩感知图像重构方法 |
CN102142139A (zh) * | 2011-03-25 | 2011-08-03 | 西安电子科技大学 | 基于压缩学习感知的sar高分辨图像重建方法 |
CN102156875A (zh) * | 2011-03-25 | 2011-08-17 | 西安电子科技大学 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
CN102136144A (zh) * | 2011-04-11 | 2011-07-27 | 北京大学 | 图像配准可靠性模型和超分辨率图像的重构方法 |
Non-Patent Citations (2)
Title |
---|
压缩感知回顾与展望;焦李成等;《电子学报》;20110731;第39卷(第7期);全文 * |
焦李成等.压缩感知回顾与展望.《电子学报》.2011,第39卷(第7期), |
Also Published As
Publication number | Publication date |
---|---|
CN102332153A (zh) | 2012-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102332153B (zh) | 基于核回归的图像压缩感知重构方法 | |
CN113362223B (zh) | 基于注意力机制和双通道网络的图像超分辨率重建方法 | |
CN112001847A (zh) | 相对生成对抗超分辨率重建模型生成高质量图像的方法 | |
CN108898560B (zh) | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 | |
CN101950365B (zh) | 基于ksvd字典学习的多任务超分辨率图像重构方法 | |
CN105513026B (zh) | 一种基于图像非局部相似的压缩感知重构方法 | |
CN102708576B (zh) | 基于结构字典的分块图像压缩感知重建方法 | |
CN107784676B (zh) | 基于自动编码器网络的压缩感知测量矩阵优化方法和系统 | |
CN102156875B (zh) | 基于多任务ksvd字典学习的图像超分辨率重构方法 | |
CN103475876B (zh) | 一种基于学习的低比特率压缩图像超分辨率重建方法 | |
CN102142139B (zh) | 基于压缩学习感知的sar高分辨图像重建方法 | |
CN110148085A (zh) | 人脸图像超分辨率重建方法及计算机可读取的存储介质 | |
CN108717717A (zh) | 基于卷积神经网络和迭代方法相结合的稀疏mri重建的方法 | |
CN104867119B (zh) | 基于低秩矩阵重建的结构性缺失图像填充方法 | |
CN103037212B (zh) | 基于视觉感知的自适应块压缩传感图像编码方法 | |
CN109146813B (zh) | 一种多任务图像重建方法、装置、设备和介质 | |
CN111861884B (zh) | 一种基于深度学习的卫星云图超分辨率重建方法 | |
CN109191411B (zh) | 一种多任务图像重建方法、装置、设备和介质 | |
CN102722866A (zh) | 基于主成份分析的压缩感知方法 | |
CN103400349A (zh) | 基于盲压缩感知的图像重构方法 | |
CN115953303B (zh) | 结合通道注意力的多尺度图像压缩感知重构方法及系统 | |
CN112950480A (zh) | 一种融合多感受野和密集残差注意的超分辨率重建方法 | |
CN115880158B (zh) | 一种基于变分自编码的盲图像超分辨率重建方法及系统 | |
CN109672885B (zh) | 一种用于矿井智能监控的视频图像编解码方法 | |
CN108492252A (zh) | 基于二次重建的人脸图像超分辨率重建方法 |
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 |