CN103489207B - 一种渐进式正则化自适应匹配追踪方法 - Google Patents
一种渐进式正则化自适应匹配追踪方法 Download PDFInfo
- Publication number
- CN103489207B CN103489207B CN201310452181.7A CN201310452181A CN103489207B CN 103489207 B CN103489207 B CN 103489207B CN 201310452181 A CN201310452181 A CN 201310452181A CN 103489207 B CN103489207 B CN 103489207B
- Authority
- CN
- China
- Prior art keywords
- stage
- iteration
- value
- regularization
- adaptive matching
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000007906 compression Methods 0.000 description 6
- 230000006835 compression Effects 0.000 description 5
- 238000011084 recovery Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明属于图像信号处理领域,具体涉及一种用于信号或者图像重建的渐进式正则化自适应匹配追踪方法。本发明包括:初始参数定义,利用余量与传感矩阵的每一列的内积计算相关系数;对J中索引值对应原子的相关系数进行正则化;更新支撑集,并进行余量更新等。本发明更合理的设计了稀疏度的迭代步长,保证了迭代能够渐进式地逼近信号的真实稀疏度,提高了迭代的收敛性及信号重建的质量。
Description
技术领域
本发明属于图像信号处理领域,具体涉及一种用于信号或者图像重建的渐进式正则化自适应匹配追踪方法。
背景技术
近几年出现的压缩传感理论(如CANDES E.Compressive sampling[A].Proceedings of the International Congress of Mathematicians[C].Madrid,Spain,2006,3:1433-1452;DONOHO D.L.Compressed sensing[J].IEEE Trans.On InformationTheory.2006,52(4):1289-1306.),将信号的采样与压缩过程合二为一,在进行数据采集时,只需要获取很少的观测值,然后利用重构算法就能够精确恢复出原信号。该理论一经提出,就引起了学术界的轰动,国内外众多学者纷纷开展了相关领域的研究。
信号的重建是压缩传感理论的关键内容,DONOHO D L,ELAD M,and TEMLYAKOV VN在《Stable recovery of sparse overcomplete representations in the presence ofnoise》IEEE Transactions on Information Theory,2006,52(1):6-18中指出匹配追踪类方法能够有效地应用于压缩传感的信号重建并具有一定的稳定性。在此基础上引入的正交化和正则化过程,保证了迭代的最优性,减少了迭代次数。而自适应匹配追踪算法(THONG TDo,GAN Lu,NGUYEN et al.Sparsity adaptive matching pursuit algorithm forpractical compressed sensing.Asilomar Conference on Signals,Systems,andComputers,Pacific Grove,California,2008,10:581-587.)可以在信号稀疏度未知的情况下获得较好的重建效果,且具有较快的速度。刘亚新,赵瑞珍,胡绍海等在电子与信息学报的《用于压缩感知信号重建的正则化自适应匹配追踪算法》中将上述各种思想融合起来提出了正则化自适应匹配追踪算法。正则化自适应匹配追踪算法增强了信号重建的理论依据同时不需要预先估计信号的稀疏度,但其迭代步长的设置不甚合理,跨越式的步长迭代很难保证信号重建过程的收敛性。
发明内容
本发明的目的在于提供一种可提高信号稀疏度迭代的收敛性,并获得高质量的重建信号的渐进式正则化自适应匹配追踪方法。
本发明的目的是这样实现的:
(1)初始参数定义,定义测量值为y,重建信号为初始余量r0=y,传感矩阵为Θ,初始步长size≠0,初始稀疏度K0=size,索引值集合支撑集ΦΛ,迭代次数n=1,迭代阶段stage=1,阈值1为ε1、阈值2为ε2、阈值3为ε3;
(2)利用余量r与传感矩阵Θ的每一列的内积计算相关系数,在相关系数中寻找K0个最大值对应的索引值存入J中;
(3)对J中索引值对应原子的相关系数进行正则化,并将正则化结果存入集合J0中;
(4)更新支撑集ΦΛ,应用最小二乘法估算得到信号的估计值并进行余量更新;
(5)若||rn-rn-1||≤ε1,执行步骤6,否则,令n=n+1,重新执行步骤2;
(6)若||rn||2≤ε2,则停止迭代,否则执行步骤7;
(7)若||rn||2≤ε3,则令K0=K0+size,n=n+1,stage=stage+1,执行步骤2,否则令K0=K0+size,n=n+1,stage=stage+1,执行步骤2。
本发明的有益效果在于:本发明更合理的设计了稀疏度的迭代步长,保证了迭代能够渐进式地逼近信号的真实稀疏度,提高了迭代的收敛性及信号重建的质量。
附图说明
图1a为仿真所用一维原始信号;
图1b为用本发明所提方法重建的信号;
图1c为信号的重建误差;
图2为“lena”原始图像及重建图像;
图3为“boat”原始图像及重建图像;
图4为叉形目标的原始图像及重建图像。
具体实施方式
下面结合附图说明本发明的具体实施方式。
1.初始参数定义
定义测量值为y,由测量矩阵和信号的内积得到,在图1-图4中测量矩阵均选取高斯随机矩阵。记重建信号为初始余量r0=y,传感矩阵为Θ,由测量矩阵与信号的稀疏基内积得到,在图1中原始信号为时域稀疏信号,传感矩阵即为测量矩阵,在图2-图4中选取的图像稀疏域为小波域,传感矩阵即为测量矩阵与小波基的内积。初始步长size=4,初始稀疏度K0=size,索引值集合皆为空集。支撑集记为ΦΛ,迭代次数n=1,迭代阶段stage=1,阈值1、阈值2及阈值3分别为ε1、ε2和ε3,根据具体的信号类型自行选取。
2.利用式
u={uj|uj=|<r,ψj>|,j=1,2,...,N}计算相关系数u,其中r为余量,ψj为传感矩阵Θ的第j列,并从u中寻找K0个最大值对应的索引值存入J中。
3.对J中索引值对应原子的相关系数进行正则化,并将正则化结果存入集合J0中,该集合中原子的相关系数必须满足式|u(i)|≤2|u(j)|,i,j∈J。
4.更新支撑集ΦΛ,其中Λ=Λ∪J0,应用最小二乘法估算得到并对余量进行更新。
5.若||rn-rn-1||≤ε1,转步骤6,否则,令n=n+1,转步骤2。
6.若||rn||2≤ε2,则停止迭代,否则转步骤7。
7.若||rn||2≤ε3,则令K0=K0+size,n=n+1,stage=stage+1,转步骤2,否则令K0=K0+size,n=n+1,stage=stage+1,转步骤2。
根据以上步骤可提高信号稀疏度迭代的收敛性,获得高质量的重建信号。图1为一维信号的重建结果,其中原始信号的长度为N=400,稀疏度K=30,选取测量值个数M=100,即压缩比为MN=0.25,测量矩阵的大小为M×N。由图1可得,本发明提出的方法能够精确重建一维信号,其重建相对误差为0.06左右。图2-图4为对不同类型的二维图像的重建结果,其中图1为纹理复杂的Lena图像,图2为具有一定纹理和轮廓特性的boat图像,图3为只有简单轮廓特性的叉形目标图像。三幅图像的大小均为256×256,仿真所选的图像稀疏变换域为小波变换,测量矩阵为高斯随机矩阵,压缩比为MN=0.5。由图2-图4可得本发明提出的方法对三种不同类型的图像均能获得高质量的重建图像。
Claims (1)
1.一种渐进式正则化自适应匹配追踪方法,其特征在于:
(1)初始参数定义,定义测量值为y,重建信号为初始余量r0=y,传感矩阵为Θ,初始步长size≠0,初始稀疏度K0=size,索引值集合支撑集ΦΛ,迭代次数n=1,迭代阶段stage=1,阈值1为ε1、阈值2为ε2、阈值3为ε3;
(2)利用余量r与传感矩阵Θ的每一列的内积计算相关系数,在相关系数中寻找K0个最大值对应的索引值存入J中;
(3)对J中索引值对应原子的相关系数进行正则化,并将正则化结果存入集合J0中;
(4)更新支撑集ΦΛ,应用最小二乘法估算得到信号的估计值并进行余量更新;
(5)若||rn-rn-1||≤ε1,执行步骤(6),否则,令n=n+1,重新执行步骤(2);
(6)若||rn||2≤ε2,则停止迭代,否则执行步骤(7);
(7)若||rn||2≤ε3,则令K0=K0+size,n=n+1,stage=stage+1,执行步骤(2),否则令K0=K0+size,n=n+1,stage=stage+1,执行步骤(2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310452181.7A CN103489207B (zh) | 2013-09-29 | 2013-09-29 | 一种渐进式正则化自适应匹配追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310452181.7A CN103489207B (zh) | 2013-09-29 | 2013-09-29 | 一种渐进式正则化自适应匹配追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103489207A CN103489207A (zh) | 2014-01-01 |
CN103489207B true CN103489207B (zh) | 2017-01-18 |
Family
ID=49829404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310452181.7A Expired - Fee Related CN103489207B (zh) | 2013-09-29 | 2013-09-29 | 一种渐进式正则化自适应匹配追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103489207B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528792A (zh) * | 2016-01-11 | 2016-04-27 | 南京邮电大学 | 一种医学图像配准混合算法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6249595B1 (en) * | 1998-01-22 | 2001-06-19 | General Electric Company | Iterative reconstruction for EPI |
CN102722896A (zh) * | 2012-05-22 | 2012-10-10 | 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 |
-
2013
- 2013-09-29 CN CN201310452181.7A patent/CN103489207B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6249595B1 (en) * | 1998-01-22 | 2001-06-19 | General Electric Company | Iterative reconstruction for EPI |
CN102722896A (zh) * | 2012-05-22 | 2012-10-10 | 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 |
Non-Patent Citations (3)
Title |
---|
Deanna Needell等.Greedy Signal Recovery and uncertainty principles.《Computational Imaging VI》.2008,第6814卷第1-13页. * |
一种改进的稀疏度自适应匹配追踪算法;朱延万等;《信号处理》;20120125;第28卷(第1期);第80-86页 * |
用于压缩感知信号重建的正则化自适应匹配追踪算法;刘亚新等;《电子与信息学报》;20101115;第32卷(第11期);第2713-2717页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103489207A (zh) | 2014-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016656B (zh) | 一种基于压缩感知在图像重建中的小波稀疏基优化方法 | |
CN104199627B (zh) | 基于多尺度在线字典学习的可分级视频编码系统 | |
CN106952317B (zh) | 基于结构稀疏的高光谱图像重建方法 | |
CN102024266B (zh) | 基于图像结构模型的压缩感知图像重构方法 | |
CN104504740A (zh) | 压缩感知框架下的图像融合方法 | |
CN103077507B (zh) | 基于Beta算法的多尺度SAR图像降噪方法 | |
CN102496143B (zh) | 基于chelesky分解和近似奇异值分解的稀疏K-SVD噪声抑制方法 | |
CN104732504A (zh) | 基于压缩感知和wbct变换的图像融合方法 | |
CN103347189A (zh) | 基于dct和dft的二维压缩感知影像采集和重构方法 | |
Hu et al. | Patch-based low-rank minimization for image denoising | |
CN103489207B (zh) | 一种渐进式正则化自适应匹配追踪方法 | |
CN103236041A (zh) | 一种基于Contourlet变换的图像超分辨率重建方法 | |
Cao et al. | Sparse representation of classified patches for CS-MRI reconstruction | |
CN103942805A (zh) | 基于局部多原子匹配追踪的图像稀疏分解快速方法 | |
CN107689067B (zh) | 一种基于压缩感知在图像重建中投影方式的优化方法 | |
CN103679201B (zh) | 一种用于图像匹配、识别、检索的点集合匹配的校正方法 | |
Wang et al. | A novel lidar data classification algorithm combined densenet with STN | |
CN104867167B (zh) | 一种基于压缩感知的影像两步重构法 | |
Fang et al. | De-noising of SAR images based on Wavelet-Contourlet domain and PCA | |
CN108346167B (zh) | 一种基于正交字典下同时稀疏编码的mri图像重构方法 | |
Shen et al. | A image denoising algorithm based on sparse dictionary | |
Ni et al. | Image compressed sensing based on data-driven adaptive redundant dictionaries | |
Li et al. | Edge guided compressive sensing for image reconstruction based on two-stage l0 minimization | |
Cheng et al. | MRI Reconstruction Based on Transfer Learning Dynamic Dictionary Algorithm | |
Li et al. | ADMM-Net for robust compressive sensing image reconstruction in the presence of symmetric α-stable noise |
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: 20170118 |