CN102722866B - 基于主成份分析的压缩感知方法 - Google Patents
基于主成份分析的压缩感知方法 Download PDFInfo
- Publication number
- CN102722866B CN102722866B CN201210159979.8A CN201210159979A CN102722866B CN 102722866 B CN102722866 B CN 102722866B CN 201210159979 A CN201210159979 A CN 201210159979A CN 102722866 B CN102722866 B CN 102722866B
- Authority
- CN
- China
- Prior art keywords
- image
- signal
- principal component
- component analysis
- matrix
- 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
Abstract
本发明公开一种基于主成份分析的压缩感知方法,主要解决已有技术采样效率较低的问题。其实现步骤为:(1)从灰度自然图像库中取z幅图像,15≤z≤25,对取出的每幅图像延横竖两个方向每隔3个像素取一个32×32大小的子块,组成训练样本集x1,x2,...,xm,m是训练样本的个数;对训练样本集x1,x2,...,xm使用主成份分析的方法训练出满秩的观测矩阵Φf;(2)将需要被采样的图像分解成n个32×32大小的子块x1,x2,...,xn,根据采样率s和满秩的观测矩阵Φf得到观测矩阵Φ,用观测矩阵Φ对每个图像子块进行采样,得到观测向量y;(3)根据观测向量y得到图像的初始解x0;(4)用x0进行迭代,直至满足终止条件,得到重构图像x'。本发明具有采样效率高,图像重构质量高,原理清晰,操作简单的优点,适用于自然图像的采样和重构。
Description
技术领域
本发明属于数字图像处理领域,特别涉及一种使用主成份分析的方法训练采样矩阵,可用于对自然图像进行采样和重构。
背景技术
当今社会是信息社会,人们对信息的追求不只停留在量上,更对信号获取的速度有所要求,即怎样又快又准确地获得需要的信息,而又能尽量地避免那些冗余信息的获取和处理。压缩感知理论是新兴的一种信号采样策略,它将信号的采样过程与压缩过程成功的融为了一体。该理论的前提就是在已知信号具有稀疏性或可压缩性的条件下,对数据进行采集、编解码。其核心主要是降低对信号的测量成本,在这个过程中会利用信号的特点,以便用更小的测量次数恢复这个信号;同时,在这其中包含了许多重要数学理论,涉及到数据采集,信息处理,以及模型优化等领域的知识。压缩感知理论框架主要包括三个方面:稀疏表示,观测矩阵的设计,以及重建优化算法。压缩感知理论开创了一个更经济有效的模拟信号数字化的途径。对于任意信号来说,只要能够找到与其稀疏表示相对应的一个稀疏表示空间,就可以应用压缩感知的理论进行采样与重构。
对于一个二维图像信号来说,由于其自身的高维度,使得压缩感知理论不得不面对这样一个“维数灾难”的问题。感知矩阵的存贮与计算将耗费大量的资源,这将对构造图像信号的实时采样系统带来极大的困难。另一方面,图像的重构过程也同样的面临极高的运算复杂度。因此,图像分块采样的方法在压缩感知领域被广泛的使用。在现有的理论中,由于构造简单,且满足有限等距条件,随机观测矩阵被广泛的使用。事实证明,针对于一个未知的信号,随机观测矩阵具有很好的采样效果,能够尽可能的采得信号的大部分信息。
但是实际上,信号采样所针对的并非是一些未知的信号,而是具有某些共性的一小部分信号,即自然图像块。在这种情况下,使用随机观测的方法,必然会造成一些采样资源的浪费,并且并不能很好的把握信号的特征,会丢失大量的信息。
此外,在信号重构的过程中,信号小波系数的零范数最小先验被广泛的使用。而实际上,小波变换具有弱稀疏性,也就是说信号x在小波基Ψ下的稀疏表示α的l0范数并不是很小,从某种意义上来讲,α的l0范数是一个很大的值,因为小波变换具有“高尖峰,长拖尾”的性质,所以α中虽然有很多比较小的系数,但真正为零的系数并不是很多。因此,使用零范数最小先验重构的稀疏系数通常带有很高的误差,许多小系数的丢弃会使图像的一些细节丢失,大大的影响图像的重构质量。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于主成份分析的压缩感知方法,以避免造成采样资源的浪费和图像的细节的丢失,更好的把握信号的特征,提高图像的重构效果。
为实现上述目的,本发明包括如下步骤:
(1)从灰度自然图像库中取z幅常见的灰度自然图像,15≤z≤25,对取出的每幅图像延横竖两个方向每隔3个像素取一个32×32大小的子块,组成训练样本集x1,x2,...,xm,其中m是训练样本的个数,对训练样本集x1,x2,...,xm使用主成份分析的方法训练出满秩的观测矩阵Φf;
(2)将需要被采样的图像分成n个32×32大小的图像子块x1,x2,...,xn,n为图像子块的个数,给出信号的采样率s,根据采样率s,取满秩的观测矩阵Φf的前M行作为观测矩阵Φ,其中 表示向下取整,N=1024为图像子块的维数,用观测矩阵Φ对每个图像子块进行采样,得到观测向量 其中yi=Φxi,i=1,2,...,n;
(3)根据观测向量y得到图像信号x的初始解:
其中i=1,2,...,n,T表示矩阵的转置;
(4)对初始解x0进行迭代,重构出原始信号x':
4a)设定k为迭代次数,令k=0;
4b)对上一次迭代图像xk进行三维块匹配BM3D滤波平滑处理,得到滤波平滑后的图像
4c)将滤波平滑后的图像分成n个32×32大小的子块对每个子块进行投影处理,将投影到超平面{e|Φie=yi,e∈R32×32}上,e是一个变量,R32×32表示32×32维的信号,得到投影处理后的图像子块:i=1,2,...,n,这些投影处理后的图像子块组成迭代后的图像
4d)计算信号在每次迭代后与迭代前的变化情况E(k)=||xk+1-xk||2,||.||2表示2范数,如果|E(k)-E(k-1)|≤0.001或者k>100,迭代终止,重构的原始信号x'=xk+1,否则迭代次数k加1,返回步骤4b)。
本发明相比现有技术具有以下优点:
(1)本发明使用训练的感知矩阵来对信号进行采样,能够获取被感知信号的绝大部分能量,有效的利用采样资源,保留图像信号的大量信息;
(2)本发明将三维块匹配BM3D的思想引入到图像信号的重构过程中来,有效的保护了图像信号的边缘与纹理信息,使重构出的图像信号得到了更高的峰值信噪比,提高了图像的重构效果;
(3)本发明成功的将能量最小初始解与标准差最小初始解统一起来,使用伪逆法就可以得到一个很好的初始解,用这个初始解可以很好的重构出原始图像。
附图说明
图1是本发明的总流程图;
图2是用本发明训练出的变换空间示意图;
图3是用本发明训练出的满秩观测矩阵示意图;
图4是用本发明训练出的观测矩阵示意图;
图5是用本发明和BCS-SPL-DWT方法得到的重构图像的对比图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,训练出满秩的观测矩阵Φf。
为了寻求图像子块的共性,使用主成份分析的方法来训练出满秩的观测矩阵Φf,其步骤如下:
1a)从灰度自然图像库中取z幅常见的灰度自然图像,15≤z≤25,对取出的每幅图像延横竖两个方向每隔3个像素取一个32×32大小的子块,组成训练样本集x1,x2,...,xm,其中m是训练样本的个数,本次实验中取z=19,m=4935;
1b)求解出训练样本集x1,x2,...,xm的均值向量μ以及协方差矩阵m是训练样本的个数,T表示矩阵的转置;
1c)求解出协方差矩阵E的特征值λj,j=0,1,...,r-1,r是特征值的个数,将它的特征值从大到小排列:λ0≥λ1≥...≥λr-1,其对应的特征向量为uj,则满秩的观测矩阵Φf=[u0,u1,...ur-1]T,T表示矩阵的转置,训练出的满秩观测矩阵Φf示意图如图3所示,满秩的观测矩阵即为变换空间矩阵,变换空间示意图如图2所示,其中图2(a)是信号空间,图2(b)是变换空间。
步骤2,给出信号的采样率s,对需要被采样的图像进行观测,得到观测向量y。
2a)将需要被采样的图像分解成n个32×32大小的图像子块x1,x2,...,xn,n为图像子块的个数;
2b)根据采样率s,取Φf的前M行作为观测矩阵Φ,其中 表示向下取整,N=1024为子块的维数,当M=64,观测矩阵Φ的示意图如图4所示;
2c)用观测矩阵Φ对每个图像子块进行采样,得到观测向量 其中yi=Φxi,i=1,2,...,n。
步骤3,根据观测向量y得到图像信号x的初始解:
其中i=1,2,...,n,T表示矩阵的转置。
步骤4,使用迭代方法对图像信号进行重构。
为了得到更好的重构效果,引入三维块匹配BM3D的思想来重构图像,其实现步骤如下:
4a)设定k为迭代次数,令k=0;
4b)对上一次迭代图像xk进行滤波平滑处理,得到滤波平滑后的图像滤波平滑的方法有多种方法,例如三维块匹配BM3D和非局部总变差NLTV,本实例中采用三维块匹配BM3D的方法,具体平滑过程参考文献“Image and video denoising bysparse 3D transform-domain collaborative filtering”,简单步骤如下:
4b1)把上一次迭代图像xk分成一定大小的块,根据图像块之间的相似性,把具有相似结构的二维图像块组合在一起形成三维信号;
4b2)用联合滤波的方法对这些三维信号进行滤波处理,通过逆变换得到三维信号中所有图像块的估计值,把这些图像块的估计值返回到它们的在上一次迭代图像xk中的原始位置,对得到的有重叠的局部块进行加权平均,得到滤波平滑后的图像
4c)将滤波平滑后的图像分成n个32×32大小的子块对每个子块进行投影处理,将投影到超平面{e|Φie=yi,e∈R32×32}上,e是一个变量,R32×32表示32×32维的信号,得到投影处理后的图像子块:i=1,2,...,n,这些投影处理后的图像子块组成迭代后的图像xk+1;
4d)计算信号在每次迭代后与迭代前的变化情况E(k)=||xk+1-xk||2,||.||2表示2范数,如果|E(k)-E(k-1)|≤0.001或者k>100,迭代终止,重构的原始信号x'=xk+1,否则迭代次数k加1,返回步骤4b)。
本发明的效果可以通过下面的仿真结果进一步说明。
1.仿真条件
从灰度自然图像库中取19幅常见的灰度自然图像,用来训练满秩的观测矩阵Φf;用本发明对4幅512×512大小的标准自然图像进行测试,它们分别为Lena图像,Barbara图像,Peppers图像和Goldhill图像。
本实验的目的是展示在相同采样率的情况下,本发明与现有BCS-SPL-DWT方法对自然图像的重构结果;在不同采样率情况下,本发明与现有BCS-SPL-DWT方法对自然图像重构的峰值信噪的对比结果。
仿真1、用本发明与现有BCS-SPL-DWT方法在采样率s=0.2的情况下,对两幅大小为512×512的标准自然图像Lena,Barbara进行重构,其重构结果如图5所示,其中图5(a)是用BCS-SPL-DWT方法对Lena图像的重构结果图,图5(b)是用本发明对Lena图像的重构结果图,图5(c)是用BCS-SPL-DWT方法对Barbara图像的重构结果图,图5(d)是用本发明对Barbara图像的重构结果图,从图5可以看出,本发明可以大幅度的提高重构图像的质量,无论在边缘区域还是在平滑区域重构效果都得到了大幅度的提升。
仿真2、用本发明与现有BCS-SPL-DWT方法分别在采样率s=0.2,0.3,0.4和0.5的情况下,对4幅大小为512×512的标准自然图像Lena,Barbara,Peppers和Goldhill进行重构,重构结果的峰值信噪比的对比结果如表1所示:
表1:峰值信噪比的比较结果(单位:db)
从表1可以看出,本发明可以大幅度的提高重构图像的峰值信噪比,表明重构图像的质量好。
综上,本发明提出了学习压缩感知的思想,打破了稀疏先验对压缩感知理论的统治地位,使用图像的一些空域先验与结构信息,如:标准差最小与三维块匹配BM3D最小,达到良好的重构效果。同时,本发明利用训练的方式来构造感知矩阵,这样的感知矩阵对于图像子块有着很好的采样效果,它能够采得图像信号的大多数的能量,达到很好的重构效果。
Claims (3)
1.一种基于主成份分析的压缩感知方法,包括如下步骤:
(1)从灰度自然图像库中取z幅常见的灰度自然图像,15≤z≤25,对取出的每幅图像沿横竖两个方向每隔3个像素取一个32×32大小的子块,组成训练样本集x1,x2,...,xm,其中m是训练样本的个数,对训练样本集x1,x2,...,xm使用主成份分析的方法训练出满秩的观测矩阵Φf;
(2)将需要被采样的图像分成n个32×32大小的图像子块x1,x2,...,xn,n为图像子块的个数,给出信号的采样率s,根据采样率s,取满秩的观测矩阵Φf的前M行作为观测矩阵Φ,其中 表示向下取整,N=1024为图像子块的维数,用观测矩阵Φ对每个图像子块进行采样,得到观测向量其中yi=Φxi,i=1,2,...,n;
(3)根据观测向量y得到图像信号x的初始解:
其中 i=1,2,...,n,T表示矩阵的转置;
(4)对初始解x0进行迭代,重构出原始信号x′:
4a)设定k为迭代次数,令k=0;
4b)对上一次迭代图像xk进行三维块匹配BM3D滤波平滑处理,得到滤波平滑后的图像
4c)将滤波平滑后的图像 分成n个32×32大小的子块 对每个子块进行投影处理,将 投影到超平面{e|Φie=yi,e∈R32×32}上,e是一个变量,R32×32表 示32×32维的信号,得到投影处理后的图像子块: i=1,2,...,n,这些投影处理后的图像子块组成迭代后的图像xk+1;
4d)计算信号在每次迭代后与迭代前的变化情况E(k)=||xk+1-xk||2,||.||2表示2范数,如果|E(k)-E(k-1)|≤0.001或者k>100,迭代终止,重构的原始信号x′=xk+1,否则迭代次数k加1,返回步骤4b)。
2.根据权利要求1所述的基于主成份分析的压缩感知方法,其中步骤(1)所述的对训练样本集x1,x2,...,xm使用主成份分析的方法训练出满秩的观测矩阵Φf,按如下步骤进行:
2a)求解出训练样本集x1,x2,...,xm的均值向量μ以及协方差矩阵 m是训练样本的个数,T表示矩阵的转置;
2b)求解出协方差矩阵E的特征值λj,j=0,1,...,r-1,r是特征值的个数,将它的特征值从大到小排列:λ0≥λ1≥...≥λr-1,其对应的特征向量为uj,则满秩的观测矩阵Φf=[u0,u1,...ur-1]T,T表示矩阵的转置。
3.根据权利要求1所述的基于主成份分析的压缩感知方法,其中步骤4b)所述的对上一次迭代图像xk进行三维块匹配BM3D滤波平滑处理,按如下步骤进行:
4b1)将上一次迭代图像xk分成一定大小的块,根据图像块之间的相似性,把具有相似结构的二维图像块组合在一起形成三维信号;
4b2)用联合滤波的方法对这些三维信号进行滤波处理,再通过逆变换得到三维信号中所有图像块的估计值,把这些图像块的估计值返回到它们的在上一次迭代图像xk中的原始位置,对得到的有重叠的局部块进行加权平均,得到滤波平滑后的图像
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210159979.8A CN102722866B (zh) | 2012-05-22 | 2012-05-22 | 基于主成份分析的压缩感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210159979.8A CN102722866B (zh) | 2012-05-22 | 2012-05-22 | 基于主成份分析的压缩感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102722866A CN102722866A (zh) | 2012-10-10 |
CN102722866B true CN102722866B (zh) | 2014-07-23 |
Family
ID=46948613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210159979.8A Expired - Fee Related CN102722866B (zh) | 2012-05-22 | 2012-05-22 | 基于主成份分析的压缩感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102722866B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI642291B (zh) * | 2017-09-22 | 2018-11-21 | 淡江大學 | 基於區塊的主成分分析轉換方法及其裝置 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103220016B (zh) * | 2013-04-19 | 2015-03-25 | 山东大学 | 一种脉冲超宽带系统正交稀疏字典的产生系统及方法 |
CN103402096B (zh) * | 2013-08-14 | 2016-06-01 | 程涛 | 一种利用方向信息的压缩感知影像重构方法 |
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 |
CN103871087B (zh) * | 2014-03-20 | 2016-07-13 | 西北工业大学 | 基于三维全变差稀疏先验的高光谱解混压缩感知方法 |
CN103955706B (zh) * | 2014-04-29 | 2017-03-22 | 东南大学 | 一种基于直接双侧二维主成分分析的图像识别和图像重建方法 |
CN104036519B (zh) * | 2014-07-03 | 2017-05-10 | 中国计量学院 | 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法 |
CN105007487A (zh) * | 2015-05-27 | 2015-10-28 | 华南理工大学 | 一种基于块匹配压缩感知的视频采样复原算法 |
CN107121709B (zh) * | 2017-06-01 | 2023-07-25 | 华南师范大学 | 一种基于压缩感知的对象成像系统及其成像方法 |
CN107784278B (zh) * | 2017-10-18 | 2019-02-05 | 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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739571A (zh) * | 2009-12-22 | 2010-06-16 | 中国科学院长春光学精密机械与物理研究所 | 基于分块主成分分析的人脸确认装置 |
CN101895297B (zh) * | 2010-07-30 | 2012-12-26 | 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 |
CN102184526B (zh) * | 2011-04-22 | 2012-12-05 | 西安电子科技大学 | 基于字典学习和块匹配的自然图像去噪方法 |
-
2012
- 2012-05-22 CN CN201210159979.8A patent/CN102722866B/zh not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI642291B (zh) * | 2017-09-22 | 2018-11-21 | 淡江大學 | 基於區塊的主成分分析轉換方法及其裝置 |
Also Published As
Publication number | Publication date |
---|---|
CN102722866A (zh) | 2012-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722866B (zh) | 基于主成份分析的压缩感知方法 | |
CN102722896B (zh) | 基于自适应压缩感知的自然图像非局部重构方法 | |
CN102427527B (zh) | 基于分布式视频压缩感知系统非关键帧的重构方法 | |
CN103400402B (zh) | 基于低秩结构稀疏的压缩感知mri图像重建方法 | |
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 | |
CN103279959B (zh) | 一种二维分析稀疏模型、其字典训练方法和图像去噪方法 | |
CN105513026A (zh) | 一种基于图像非局部相似的压缩感知重构方法 | |
CN103279932B (zh) | 一种二维合成稀疏模型和基于该模型的字典训练方法 | |
CN103297782B (zh) | 分布式视频压缩感知系统中基于区域划分的重构方法 | |
CN104867119B (zh) | 基于低秩矩阵重建的结构性缺失图像填充方法 | |
CN102789633B (zh) | 基于k-svd和局部线性嵌套的图像降噪系统和方法 | |
CN103136728B (zh) | 基于字典学习和非局部总变差的图像超分辨方法 | |
CN102075749B (zh) | 压缩感知框架下基于非凸模型的图像压缩重构方法 | |
CN103077510A (zh) | 基于小波hmt模型的多变量压缩感知重构方法 | |
CN102142139A (zh) | 基于压缩学习感知的sar高分辨图像重建方法 | |
CN104036519B (zh) | 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法 | |
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 | |
CN102609920B (zh) | 一种基于压缩感知的彩色数字图像修复方法 | |
CN103714534A (zh) | 一种基于压缩感知的材料表面缺陷检测方法 | |
CN102930573B (zh) | 一种基于二维分析稀疏模型及其训练字典的图像重建方法 | |
CN104881846A (zh) | 基于双密度双树复小波的结构化图像压缩感知还原方法 | |
CN103985100A (zh) | 一种基于自适应观测组合优化的分块压缩感知方法 | |
CN103824264A (zh) | 基于随机傅里叶特征的压缩感知方法 | |
CN103678801B (zh) | 一种基于图像信息熵的自适应压缩感知采样方法 | |
CN105184832A (zh) | 一种改进噪声方差估计的图像重构的设计方法 |
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: 20140723 Termination date: 20190522 |
|
CF01 | Termination of patent right due to non-payment of annual fee |