CN103400348A - 基于压缩感知的图像还原方法及系统 - Google Patents
基于压缩感知的图像还原方法及系统 Download PDFInfo
- Publication number
- CN103400348A CN103400348A CN201310306346XA CN201310306346A CN103400348A CN 103400348 A CN103400348 A CN 103400348A CN 201310306346X A CN201310306346X A CN 201310306346XA CN 201310306346 A CN201310306346 A CN 201310306346A CN 103400348 A CN103400348 A CN 103400348A
- Authority
- CN
- China
- Prior art keywords
- row
- col
- reduction
- rarefaction representation
- transposition
- 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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于压缩感知的图像还原方法及系统,该基于压缩感知的图像还原方法通过列优先分离还原法、行优先分离还原法或分离-合并还原法完成原图像的还原。本发明的有益效果是本发明的行优先分离还原法或列优先分离还原法的计算复杂度低,计算速度快且数据存储量小,能够处理大图片,分离-合并还原法计算复杂度稍高,却能更高质量地还原图像。
Description
技术领域
本发明涉及信号处理领域,尤其涉及基于压缩感知的图像还原方法及系统。
背景技术
压缩感知图像处理(Compressive Imaging)领域一直存在一个难题,即随着图片尺寸的增大而呈平方级增长的数据存储量将该领域的研究限制在小尺寸图片和低速的应用范围中。如何降低编解码复杂度以提高压缩感知图像处理应用的时效性成为一个重要的议题。
2009年Yair Rivenson和Adrian Stern提出了一种分离算子的投影方法,很好地解决了投影步骤的运算量问题。然而这种方法对应的还原步骤的运算量问题却依然存在。目前针对这种图片投影方案的还原算法主要有两种:一是将二维的投影值矩阵展开为一维向量,使用一个大小为图片尺寸的平方级别的投影矩阵进行投影和还原,数据存储量和运算时间都很大;二是保持投影值的二维矩阵形式进行还原,如2011年Yong Fang提出的一种与1D-OMP原子选择机制等同的二维正交匹配追踪算法2D-OMP。这种方法在保持还原效果的同时,解决了数据存储量的问题,同时也一定程度上降低了运算量,但当图片尺寸继续增大和所需投影值更多时,其实时应用仍有局限性。
发明内容
为了解决现有技术中的问题,本发明提供了一种基于压缩感知的图像还原方法。
本发明提供了一种基于压缩感知的图像还原方法,包括如下步骤:
作为本发明的进一步改进,在所述步骤B中,列优先分离还原法中,先列后行还原,即先消除列投影矩阵的作用,再消除行投影矩阵的作用,令Y1=Y且则其中,S1此处称为列压缩数据;因此先根据Y1=A1S1,使用Y1还原出S1;再令根据有用还原出S2,再将S2转置后得到还原的小波稀疏表示
作为本发明的进一步改进,在所述步骤B中,行优先分离还原法中,先行后列还原,即先消除行投影矩阵的作用,再消除列投影矩阵的作用,令则其中,S1此处称为行压缩数据;因此先根据Y1=A2S1,使用Y1还原出S1;再令根据有用还原出S2,得到的S2即还原的小波稀疏表示
作为本发明的进一步改进,在所述列优先分离还原法中包括如下步骤:
(1).列还原:因Y1=A1S1,先使用Y1的每一列还原出S1的每一列,即For alli∈1:M2,min||coli(S1)||1,s.t.coli(Y1)=A1coli(S1),即得到大小为N1×M2的列压缩数据
(3).行还原:因Y2=A2S2,再使用Y2的每一列还原出S2的每一列,即For alli∈1:N1,min||coli(S2)||1,s.t.coli(Y2)=A2coli(S2),即得到大小为N2×N1的
coli(Y)和rowi(Y)分别表示矩阵Y的第i列和第i行。
作为本发明的进一步改进,在所述行优先分离还原法中包括如下步骤:
(1).转置:将Y转置,得到Y1=YT;
(2).行还原:因Y1=A2S1,先使用Y1的每一列还原出S1的每一列,即For alli∈1:M1,min||coli(S1)||1,s.t.coli(Y1)=A2coli(S1),即得到大小为N2×M1的
(4).列还原:因Y2=A1S2,再使用Y2的每一列还原出S2的每一列,Forall i∈1:N2,min||coli(S2)||1,s.t.coli(Y2)=A1coli(S2),即得到大小为N1×N2的S2,也即还原的小波稀疏表示
coli(Y)和rowi(Y)分别表示矩阵Y的第i列和第i行。
作为本发明的进一步改进,该图像还原方法还包括:
C.对列优先分离还原法得到的还原小波稀疏表示和行优先分离还原法得到的还原小波稀疏表示进行加权合并,得到加权稀疏表示其中和分别表示列优先分离还原法和行优先分离还原法得到的还原小波稀疏表示,其中α、β是加权系数,0<α,β<1且α+β=1;
本发明还提供了一种基于压缩感知的图像还原系统,包括:
作为本发明的进一步改进,所述图像还原模块包括列优先分离还原模块,所述列优先分离还原模块包括:
列还原单元,因Y1=A1S1,先使用Y1的每一列还原出S1的每一列,即Forall i∈1:M2,min||coli(S1)||1,s.t.coli(Y1)=A1coli(S1),即得到大小为N1×M2的列压缩数据
行还原模块,因Y2=A2S2,再使用Y2的每一列还原出S2的每一列,即Forall i∈1:N1,min||coli(S2)||1,s.t.coli(Y2)=A2coli(S2),即得到大小为N2×N1的
coli(Y)和rowi(Y)分别表示矩阵Y的第i列和第i行。
作为本发明的进一步改进,所述图像还原模块包括行优先分离还原模块,所述行优先分离还原模块包括:
第一转置单元,将Y转置,得到Y1=YT;
行还原单元,因Y1=A2S1,先使用Y1的每一列还原出S1的每一列,即Forall i∈1:M1,min||coli(S1)||1,s.t.coli(Y1)=A2coli(S1),即得到大小为N2×M1的
列还原单元,因Y2=A1S2,再使用Y2的每一列还原出S2的每一列,For alli∈1:N2,min||coli(S2)||1,s.t.coli(Y2)=A1coli(S2),即得到大小为N1×N2的S2,也即还原的小波稀疏表示
coli(Y)和rowi(Y)分别表示矩阵Y的第i列和第i行。
作为本发明的进一步改进,所述图像还原模块还包括:
合并模块,用于对列优先分离还原法得到的还原小波稀疏表示和行优先分离还原法得到的还原小波稀疏表示进行加权合并,得到加权稀疏表示其中和分别表示列优先分离还原法和行优先分离还原法得到的还原小波稀疏表示,其中α、β是加权系数,0<α,β<1且α+β=1;
本发明的有益效果是:本发明的列优先分离还原法或行优先分离还原法计算复杂低,计算速度快,数据存储量小,能够处理大图片,从而高质量的还原图像。
附图说明
图1是分离感知算子投影法原理框图。
图2是本发明的列优先分离还原法原理框图。
图3是本发明的行优先分离还原法原理框图。
图4是本发明的分离-合并还原法原理框图。
图5是1024乘1024尺寸的Lena原图。
图6是本发明的Lena图行优先分离OMP还原法的还原图。
图7是本发明的Lena图分离-合并OMP还原法的还原图。
具体实施方式
本发明公开了一种基于压缩感知的图像还原方法,包括如下步骤:
如图2所示,在所述步骤S2中,列优先分离还原法中,先列后行还原,即先消除列投影矩阵的作用,再消除行投影矩阵的作用,令Y1=Y且则其中,S1此处称为列压缩数据;因此先根据Y1=A1S1,使用Y1还原出S1;再令根据有用还原出S2,再将S2转置后得到还原的小波稀疏表示
在所述列优先分离还原法中包括如下步骤:
(1).列还原:因Y1=A1S1,先使用Y1的每一列还原出S1的每一列,即For all i∈1:M2,min||coli(S1)||1,s.t.coli(Y1)=A1coli(S1),即得到大小为N1×M2的列压缩数据
(2).转置:将S1转置,得到
(3).行还原:因Y2=A2S2,再使用Y2的每一列还原出S2的每一列,即For all i∈1:N1,min||coli(S2)||1,s.t.coli(Y2)=A2coli(S2),即得到大小为N2×N1的
coli(Y)和rowi(Y)分别表示矩阵Y的第i列和第i行。
如图3所示,在所述步骤S2中,行优先分离还原法中,先行后列还原,即先消除行投影矩阵的作用,再消除列投影矩阵的作用,令则其中,S1此处称为行压缩数据;因此先根据Y1=A2S1,使用Y1还原出S1;再令根据有用还原出S2,得到的S2即还原的小波稀疏表示
在所述行优先分离还原法中包括如下步骤:
(1).转置:将Y转置,得到Y1=YT;
(2).行还原:因Y1=A2S1,先使用Y1的每一列还原出S1的每一列,即For all i∈1:M1,min||coli(S1)||1,s.t.coli(Y1)=A2coli(S1),即得到大小为N2×M1的
(4).列还原:因Y2=A1S2,再使用Y2的每一列还原出S2的每一列,Forall i∈1:N2,min||coli(S2)||1,s.t.coli(Y2)=A1coli(S2),即得到大小为N1×N2的S2,也即还原的小波稀疏表示
coli(Y)和rowi(Y)分别表示矩阵Y的第i列和第i行。
注意,第(2)步虽然是对列进行处理,但实质是行还原,因为第(1)步和第(2)步相当于用Y的每一行还原出Y2的每一行,即For all i∈1:M1,min||rowi(Y2)||1,s.t.rowi(Y)=rowi(Y2)A2 T。
根据分离还原的原理,列优先分离还原法和行优先分离还原法都能够通过还原稀疏表示完成原图像的还原,然而这两种还原方法都有一定的弊端,即由于第一步的单方向匹配搜索导致稀疏表示中大系数集中在图像的每一行或每一列中。另一方面,理论上根据信息处理不等式,相比于一维化处理方法,分离处理势必会导致一定的信息丢失。针对该问题提出一种分离-合并还原法,如图4所示,该分离-合并还原法包括:
在步骤S3中,对列优先分离还原法得到的还原小波稀疏表示和行优先分离还原法得到的还原小波稀疏表示进行加权合并,得到加权稀疏表示其中和分别表示列优先分离还原法和行优先分离还原法得到的还原小波稀疏表示,其中α、β是加权系数,0<α,β<1且α+β=1;
在步骤S3中,“合并”指的是对列优先分离还原法和行优先分离还原法得到的稀疏表示进行加权合并,即其中α、β是加权系数。这种分离还原后再合并的方法称为“分离-合并还原法”,该方法结合了两种还原表示的特征,有效地减少了信息丢失,改善了分离还原法的图像还原质量,适用于对实时性和图像质量均有一定要求的应用场景。
针对分离-合并还原法还原对图像质量的降低,应用中可以通过增加投影值数目的方法来弥补,此时还原速度将有部分降低,实际中可以根据需求权衡达到较高的还原质量和高速的还原。
若在分离还原步骤中列还原和行还原的基础算法都选择运算速度快的正交匹配追踪算法(OMP),则构成分离-合并还原法的一种,称为分离-合并OMP还原法。行优先分离OMP还原法分离-合并OMP还原法对于1024乘1024尺寸的Lena图的还原图分别如图6和图7所示。
该“分离-合并还原法”兼顾了列优先分离还原法和行优先分离还原法的特点,同时合并了两种方法的效果,以较小的性能损失换取到了几十到几千倍的还原速度提升,为压缩感知框架下大尺寸图像处理的解码端提供了一种可行的低复杂度还原方案。该“分离-合并还原法”合并后得到的图像比分离还原的图像质量高,同时速度降低约一半。
在列优先分离还原法和行优先分离还原法中使用的一维压缩感知还原法可以设定为各种不同的贪婪算法、凸优化还原算法或统计优化算法。
“分离-合并还原法”即是执行步骤S1至步骤S4,本发明使得大尺寸图像压缩感知的运算量和数据存储量始终保持在与图片尺寸相同的级别,达到了在保持较高的图像还原质量的同时高速实时地还原压缩的图像的目标,并降低了对应用平台的要求。此外,根据输入图片长宽比的不同,该方法可以还原不同尺寸比例图像的分离算子投影方案。根据需求的不同,分离-合并还原法可以在分离还原的第一步和第二步使用不同的贪婪算法、凸优化还原算法或统计优化算法,达到不同的效果以配合不同的应用场景。同时,M1与M2也可以设置为不同大小。特殊地,当M1=N1或M2=N2时,第一个方向的还原算法可使用线性算法,还原速度和还原图像质量将有更大的提升。此外,增加还原的步骤数,分离-合并还原法也适用于三维或更高维度的数据的压缩感知还原。
综上所述,分离-合并还原法显著提高了压缩感知图像还原的速度,将处理图片的尺寸扩大到原来难以达到的大尺寸,付出的代价是牺牲少许还原质量或投影值数目的增加。
本发明还公开了一种基于压缩感知的图像还原系统,包括:
图像还原模块包括列优先分离还原模块,所述列优先分离还原模块包括:
列还原模块,因Y1=A1S1,先使用Y1的每一列还原出S1的每一列,即Forall i∈1:M2,min||coli(S1)||1,s.t.coli(Y1)=A1coli(S1),即得到大小为N1×M2的列压缩数据
行还原模块,因Y2=A2S2,再使用Y2的每一列还原出S2的每一列,即Forall i∈1:N1,min||coli(S2)||1,s.t.coli(Y2)=A2coli(S2),即得到大小为N2×N1的
coli(Y)和rowi(Y)分别表示矩阵Y的第i列和第i行。
所述图像还原模块包括行优先分离还原模块,所述行优先分离还原模块包括:
第一转置单元,将Y转置,得到Y1=YT;
行还原单元,因Y1=A2S1,先使用Y1的每一列还原出S1的每一列,即Forall i∈1:M1,min||coli(S1)||1,s.t.coli(Y1)=A2coli(S1),即得到大小为N2×M1的
列还原单元,因Y2=A1S2,再使用Y2的每一列还原出S2的每一列,For alli∈1:N2,min||coli(S2)||1,s.t.coli(Y2)=A1coli(S2),即得到大小为N1×N2的S2,也即还原的小波稀疏表示
coli(Y)和rowi(Y)分别表示矩阵Y的第i列和第i行。
所述图像还原模块还包括:
合并模块,用于对列优先分离还原法得到的还原小波稀疏表示和行优先分离还原法得到的还原小波稀疏表示进行加权合并,得到加权稀疏表示其中和分别表示列优先分离还原法和行优先分离还原法得到的还原小波稀疏表示,其中α、β是加权系数,0<α,β<1且α+β=1;
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
4.根据权利要求2所述的图像还原方法,其特征在于,在所述列优先分离还原法中包括如下步骤:
(1).列还原:因Y1=A1S1,先使用Y1的每一列还原出S1的每一列,即For alli∈1:M2,min||coli(S1)||1,s.t.coli(Y1)=A1coli(S1),即得到大小为N1×M2的列压缩数据
(3).行还原:因Y2=A2S2,再使用Y2的每一列还原出S2的每一列,即For alli∈1:N1,min||coli(S2)||1,s.t.coli(Y2)=A2coli(S2),即得到大小为N2×N1的
coli(Y)和rowi(Y)分别表示矩阵Y的第i列和第i行。
5.根据权利要求3所述的图像还原方法,其特征在于,在所述行优先分离还原法中包括如下步骤:
(1).转置:将Y转置,得到Y1=YT;
(2).行还原:因Y1=A2S1,先使用Y1的每一列还原出S1的每一列,即For alli∈1:M1,min||coli(S1)||1,s.t.coli(Y1)=A2coli(S1),即得到大小为N2×M1的
(4).列还原:因Y2=A1S2,再使用Y2的每一列还原出S2的每一列,For alli∈1:N2,min||coli(S2)||1,s.t.coli(Y2)=A1coli(S2),即得到大小为N1×N2的S2,也即还原的小波稀疏表示
coli(Y)和rowi(Y)分别表示矩阵Y的第i列和第i行。
8.根据权利要求7所述的图像还原系统,其特征在于,所述图像还原模块包括列优先分离还原模块,所述列优先分离还原模块包括:
列还原模块,因Y1=A1S1,先使用Y1的每一列还原出S1的每一列,即For alli∈1:M2,min||coli(S1)||1,s.t.coli(Y1)=A1coli(S1),即得到大小为N1×M2的列压缩数据
行还原模块,因Y2=A2S2,再使用Y2的每一列还原出S2的每一列,即For alli∈1:N1,min||coli(S2)||1,s.t.coli(Y2)=A2coli(S2),即得到大小为N2×N1的
coli(Y)和rowi(Y)分别表示矩阵Y的第i列和第i行。
9.根据权利要求7所述的图像还原系统,其特征在于,所述图像还原模块包括行优先分离还原模块,所述行优先分离还原模块包括:
第一转置单元,将Y转置,得到Y1=YT;
行还原单元,因Y1=A2S1,先使用Y1的每一列还原出S1的每一列,即For alli∈1:M1,min||coli(S1)||1,s.t.coli(Y1)=A2coli(S1),即得到大小为N2×M1的第二转置单元,将S1转置,得到
列还原单元,因Y2=A1S2,再使用Y2的每一列还原出S2的每一列,For alli∈1:N2,min||coli(S2)||1,s.t.coli(Y2)=A1coli(S2),即得到大小为N1×N2的S2,也即还原的小波稀疏表示
coli(Y)和rowi(Y)分别表示矩阵Y的第i列和第i行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310306346.XA CN103400348B (zh) | 2013-07-19 | 2013-07-19 | 基于压缩感知的图像还原方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310306346.XA CN103400348B (zh) | 2013-07-19 | 2013-07-19 | 基于压缩感知的图像还原方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103400348A true CN103400348A (zh) | 2013-11-20 |
CN103400348B CN103400348B (zh) | 2016-03-02 |
Family
ID=49563960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310306346.XA Expired - Fee Related CN103400348B (zh) | 2013-07-19 | 2013-07-19 | 基于压缩感知的图像还原方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103400348B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952046A (zh) * | 2015-04-01 | 2015-09-30 | 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 |
Citations (3)
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 |
CN102708576A (zh) * | 2012-05-18 | 2012-10-03 | 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 |
CN102842115A (zh) * | 2012-05-31 | 2012-12-26 | 哈尔滨工业大学(威海) | 基于双重字典学习的压缩感知图像超分辨率重建方法 |
-
2013
- 2013-07-19 CN CN201310306346.XA patent/CN103400348B/zh not_active Expired - Fee Related
Patent Citations (3)
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 |
CN102708576A (zh) * | 2012-05-18 | 2012-10-03 | 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 |
CN102842115A (zh) * | 2012-05-31 | 2012-12-26 | 哈尔滨工业大学(威海) | 基于双重字典学习的压缩感知图像超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
YAIR RIVENSON ET AL: "Compressed Imaging With a Separable Sensing Operator", 《IEEE SIGNAL PROCESSING LETTERS》 * |
李博等: "一种改进的压缩感知重构算法研究", 《现代电子技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952046A (zh) * | 2015-04-01 | 2015-09-30 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN103400348B (zh) | 2016-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389671B (zh) | 一种基于多阶段神经网络的单图像三维重建方法 | |
US10769757B2 (en) | Image processing apparatuses and methods, image processing systems and training methods | |
EP3839875B1 (en) | Method and apparatus for correcting distorted document image | |
RU2018115810A (ru) | Способ и устройство для того, чтобы кодировать и декодировать двумерные облака точек | |
CN111182254A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
CN102158694B (zh) | 一种基于gpu的遥感图像解压缩方法 | |
WO2020062191A1 (zh) | 图像处理方法、装置及设备 | |
CN103473797B (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 | |
CN103473744B (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 | |
CN116704291A (zh) | 分片并行的模型训练方法、装置、设备及存储介质 | |
CN101867809A (zh) | 基于脉动阵列的高速图像压缩vlsi编码方法及编码器 | |
WO2018023847A1 (zh) | 用于缩放图像的处理器和方法 | |
CN114863539A (zh) | 一种基于特征融合的人像关键点检测方法及系统 | |
CN104244010B (zh) | 提高数字信号变换性能的方法及数字信号变换方法和装置 | |
WO2017107337A1 (zh) | 一种基于改进的按位替换法求矩阵三角分解的模块及方法 | |
CN104200498A (zh) | 融合Cortex-A7的实时视频超分辨率处理方法 | |
CN113705575B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN102842123B (zh) | 图像上采样中边缘清晰度提升的稀疏域残差补偿修正方法 | |
CN103400348B (zh) | 基于压缩感知的图像还原方法及系统 | |
CN101256668B (zh) | 一种计算均衡的多核进行视频滤波的方法 | |
CN116434039B (zh) | 一种基于多尺度拆分注意力机制的目标检测方法 | |
CN113240584A (zh) | 一种基于图片边缘信息的多任务手势图片超分辨率方法 | |
CN104683818A (zh) | 基于双正交不变集多小波的图像压缩方法 | |
Takahashi et al. | Rank minimization approach to image inpainting using null space based alternating optimization | |
US10771089B2 (en) | Method of input data compression, associated computer program product, computer system and extraction method |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160302 Termination date: 20180719 |