CN104217431A - 基于边缘提取与图像融合技术的压缩感知补偿方法 - Google Patents
基于边缘提取与图像融合技术的压缩感知补偿方法 Download PDFInfo
- Publication number
- CN104217431A CN104217431A CN201410437813.7A CN201410437813A CN104217431A CN 104217431 A CN104217431 A CN 104217431A CN 201410437813 A CN201410437813 A CN 201410437813A CN 104217431 A CN104217431 A CN 104217431A
- Authority
- CN
- China
- Prior art keywords
- original image
- image
- compressed sensing
- edge
- 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.)
- Granted
Links
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明涉及一种基于边缘提取与图像融合技术的压缩感知补偿方法,包括下列步骤:在发送端,输入待传输的原图像I,分为两个阶段预先提取原图像I的边缘特征,得到包含原图像边缘信息的稀疏矩阵BW1;采用压缩感知测量方法对原图像I进行空域随机采样,得到原图像的低维投影矩阵BW2;将包含原图像边缘信息的稀疏矩阵BW1与原图像的低维投影矩阵BW2中的元素信息整合,进行传输;在接收端,对传输数据进行边缘解码和对原图像的低维投影矩阵进行重构;对所得的两个图像进行配准,运用空间域融合原理进行融合,输出最终结果BW3。本发明具有传输代价较小、抵抗噪声能力较好的优点。
Description
技术领域
本发明总体上涉及数字图像处理与压缩感知领域,更具体地涉及一种结合图像的边缘提取与空间域融合技术,以预提取的图像边缘信息作为基本压缩感知重构结果的补充,以增强图像传输质量的压缩感知补偿方法。
背景技术
随着信息时代的发展,压缩感知作为一种新兴的信息采样、传输技术得到了广泛的关注,其在数字图像处理领域的应用也得到了广泛发展。在当前的图像传输领域,仍然存在由于采样、测量方式并不完全恰当与不可靠信道传输中存在噪声干扰、网络丢包等原因引起的,压缩感知图像重构效果模糊、准确性欠佳的现象。如何进一步提高传输图像质量,增强传输系统抵抗不可靠信道的影响是亟待解决的问题。
早期的一些方法结合多特征编码的思想,将原图像分为多个独立描述进行编码,由多信道传输,各描述可独立恢复质量可接受的原图像。该方法可保证实时数据在不可靠信道传输中的数据恢复质量,但其抗丢包、误码的性能以及信号的重构质量严重依赖于所接收到的描述个数,随描述个数增加,编码复杂度增大,编码效率也相应降低。随后发展的基于压缩感知的多描述编码方法,应用压缩感知技术对变换后图像进行交织抽样形成的子图像,进行观测、压缩、重构。由于所有传输数据都位于同一稀疏域,因而对抗不同种噪声干扰的能力有限,传输代价较大,且没有针对性的改善图像的重要特征,如,边缘特征。
发明内容
本发明旨在改善现有技术的上述不足,提供一种传输代价较小、抵抗噪声能力较好的基于压缩感知技术的图像传输方法。
为了达到上述目的,本发明采用如下的技术方案:
一种基于边缘提取与图像融合技术的压缩感知补偿方法,包括下列步骤:
(1)在发送端,输入待传输的原图像I,分为两个阶段预先提取原图像I的边缘特征:边缘检测阶段,对I进行边缘检测,输出二值化矩阵BW1_0,边缘位置置1;边缘提取阶段,将BW1_0与原图像I相乘,得到包含原图像边缘信息的稀疏矩阵BW1;
(2)采用压缩感知测量方法对原图像I进行空域随机采样,得到原图像的低维投影矩阵BW2;
(3)将包含原图像边缘信息的稀疏矩阵BW1与原图像的低维投影矩阵BW2中的元素信息整合,进行传输;
(4)在接收端,对传输数据进行判断、分割,根据包含原图像边缘信息的稀疏矩阵BW1进行边缘解码,得到边缘解码图像BW1_t,根据原图像的低维投影矩阵BW2,采用压缩感知重构方法对原图像的低维投影矩阵进行重构,得到压缩感知重构图像BW2_t;
(5)对步骤(4)得到的两个图像进行配准,运用空间域融合原理进行融合,输出最终结果BW3,其中,图像融合方法遵循如下规则:
其中,(i,j)为像素点坐标,ε为预设判断阈值,λ1+λ2=1,根据接收图像每一点是否为边缘点,确定不同的融合方法,若该点判断为边缘点,即|BW1_t(i,j)|2≥ε2,则将边缘解码图像BW1_t与压缩感知重构图像BW2_t在该点像素值的加权平均值作为该点的输出值;若该点非边缘点,即|BW1_t(i,j)|2<ε2,则将压缩感知重构图像BW2_t在该点的像素值作为输出值。
其中,ε=kσ,σ为传输过程的噪声标准差,取小于60的数值,k为噪声增益,取为1.15。
与现有技术相比,本方法具有以下几项明显的优点:
(1)图像的边缘信息是图像最基本也最重要的特征之一,本方法以图像边缘信息作为原有压缩感知方法重构结果的补充,从而弥补压缩感知的稀疏采样与压缩重构过程及后续噪声干扰过程中,图像边缘信息的丢失情况,可获得更加丰富、准确的图像细节显示;
(2)边缘信息构成的稀疏矩阵稀疏度很高,增加的传输代价很小,编码效率较高;
(3)边缘信息构成的稀疏矩阵与压缩感知得到的低维投影矩阵位于不同的稀疏域,可增强抵抗不同类噪声干扰的能力。
附图说明
图1是本发明的基本流程图。
图2是本发明各基本流程的实验效果图:(a)为原图像I,(b)为边缘检测二值化图像BW1_0,(c)为边缘提取图像BW1,(d)为压缩感知重构结果BW2_t,(e)为图像融合结果BW3。
具体实施方式
为使本发明的目的、实现方案和优点更为清晰,下面对本发明的具体实施作进一步的详细描述。
本发明的突出特征是,以边缘信息作为压缩感知重构结果的补充,采用图像融合方法实现边缘信息与压缩感知重构图像的融合,获得更加清晰、全面的图像传输效果。以具体的压缩感知采样测量与压缩重构 方法、边缘检测与提取方法为例,参见图1和图2,本发明的具体实施方式如下:
(1)输入待传输图像I;
(2)预先提取图像的边缘信息,分为两个阶段:边缘检测阶段,采用经典的一阶边缘检测sobel算子对I进行边缘检测,输出二值化矩阵BW1_0,边缘位置置1;边缘提取阶段,将BW1_0与原图像相乘,得到包含原图像边缘信息的稀疏矩阵BW1;
(3)采用高斯随机测量矩阵对原始图像I进行空域随机采样,采样比设为30%,得到图像的低维投影矩阵BW2。有关高斯随机矩阵作为压缩感知测量矩阵的合理性证明,可参见“Candès E J,Romberg J,Tao T.Robust uncertainty principles:Exact signal reconstruction from highly incomplete frequency information[J].Information Theory,IEEE Transactions on,2006,52(2):489-509”一文。
此外,可同样采取部分Fourier集、部分Hadamard集、一致分布的随机投影集等作为测量矩阵实现对原始图像的低维投影,以上随机矩阵作为压缩感知测量矩阵的合理性证明,可参见“Tsaig Y,Donoho D L.Extensions of compressed sensing[J].Signal processing,2006,86(3):549-571”一文。
(4)将包含图像边缘信息的稀疏矩阵BW1与通过压缩感知得到的图像的低维投影矩阵BW2中的元素信息整合,进行传输;
(5)在接收端,对传输数据进行判断、分割。对包含边缘信息的稀疏矩阵BW1进行边缘解码,得到BW1_t,采用全变差方法对压缩感知得到的低维投影矩阵BW2进行重构,得到BW2_t。有关全变差法用于压缩感知重构的详细说明,可参见“MA S,YIN W,ZHANG Y,et al.An efficient algorithm for compressed MR imaging using total variation and wavelets[C]//IEEE Conference on.IEEE Computer Vision and Pattern Recognition(CVPR)2008.Anchorage,AK:[s.n.],2008:1-8”一文。
此外,可同样采取基追踪算法、贪婪追踪算法等对压缩感知得到的低维投影矩阵进行重构,得到BW2_t。以上方法用于压缩感知重构的合理性说明,可参见“Chen S S,Donoho D L,Saunders M A.Atomic decomposition by basis pursuit[J].SIAM review,2001,43(1):129-159.”,“Tropp J A,Gilbert A C.Signal recovery from random measurements via orthogonal matching pursuit[J].Information Theory,IEEE Transactions on,2007,53(12):4655-4666.”文献。
(6)对图像的边缘信息及压缩感知重构后的图像进行配准,运用空间域融合原理进行融合,输出最终结果BW3。其中,图像融合方法遵循如下规则:
其中,ε为预设判断阈值,ε=kσ,σ为传输过程的噪声标准差,取为0~60,k为噪声增益,取为1.15;λ1+λ2=1。根据接收图像每一点是否为边缘点,确定不同的融合方法。若该点判断为边缘点,即 |BW1_t(i,j)|2≥ε2,则将边缘解码图像BW1_t与压缩感知重构图像BW2_t在该点像素值的加权平均值作为输出值;若该点非边缘点,即|BW1_t(i,j)|2<ε2,则将压缩感知重构图像BW2_t在该点的像素值作为输出值。
从图2的融合结果看,本发明可以获得更加清晰、全面的图像传输效果。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于边缘提取与图像融合技术的压缩感知补偿方法,包括下列步骤:
(1)在发送端,输入待传输的原图像I,分为两个阶段预先提取原图像I的边缘特征:边缘检测阶段,对I进行边缘检测,输出二值化矩阵BW1_0,边缘位置置1;边缘提取阶段,将BW1_0与原图像I相乘,得到包含原图像边缘信息的稀疏矩阵BW1;
(2)采用压缩感知测量方法对原图像I进行空域随机采样,得到原图像的低维投影矩阵BW2;
(3)将包含原图像边缘信息的稀疏矩阵BW1与原图像的低维投影矩阵BW2中的元素信息整合,进行传输;
(4)在接收端,对传输数据进行判断、分割,根据包含原图像边缘信息的稀疏矩阵BW1进行边缘解码,得到边缘解码图像BW1_t,根据原图像的低维投影矩阵BW2,采用压缩感知重构方法对原图像的低维投影矩阵进行重构,得到压缩感知重构图像BW2_t;
(5)对步骤(4)得到的两个图像进行配准,运用空间域融合原理进行融合,输出最终结果BW3,其中,图像融合方法遵循如下规则:
其中,(i,j)为像素点坐标,ε为预设判断阈值,λ1+λ2=1,根据接收图像每一点是否为边缘点,确定不同的融合方法,若该点判断为边缘点,即|BW1_t(i,j)|2≥ε2,则将边缘解码图像BW1_t与压缩感知重构图像BW2_t在该点像素值的加权平均值作为该点的输出值;若该点非边缘点,即|BW1_t(i,j)|2<ε2,则将压缩感知重构图像BW2_t在该点的像素值作为输出值。
2.根据权利要求1所述的基于边缘提取与图像融合技术的压缩感知补偿方法,其特征在于,ε=kσ,σ为传输过程的噪声标准差,取小于60的数值,k为噪声增益,取为1.15。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410437813.7A CN104217431B (zh) | 2014-08-29 | 2014-08-29 | 基于边缘提取与图像融合技术的压缩感知补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410437813.7A CN104217431B (zh) | 2014-08-29 | 2014-08-29 | 基于边缘提取与图像融合技术的压缩感知补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104217431A true CN104217431A (zh) | 2014-12-17 |
CN104217431B CN104217431B (zh) | 2017-02-08 |
Family
ID=52098873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410437813.7A Expired - Fee Related CN104217431B (zh) | 2014-08-29 | 2014-08-29 | 基于边缘提取与图像融合技术的压缩感知补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104217431B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257191A (zh) * | 2018-03-24 | 2018-07-06 | 信阳师范学院 | 一种节能的压缩感知图像编码方法 |
CN111630558A (zh) * | 2018-08-22 | 2020-09-04 | 深圳配天智能技术研究院有限公司 | 一种图像处理、匹配方法、装置及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3718967B2 (ja) * | 1997-08-22 | 2005-11-24 | コニカミノルタビジネステクノロジーズ株式会社 | 画像特徴量抽出装置および方法並びに画像特徴量抽出プログラムを記録した記録媒体 |
CN101951619B (zh) * | 2010-09-03 | 2013-01-02 | 电子科技大学 | 一种认知网络中基于压缩感知的宽带信号分离方法 |
CN103117818B (zh) * | 2013-01-16 | 2015-02-25 | 南京邮电大学 | 基于空频联合压缩感知的宽带频谱检测方法 |
-
2014
- 2014-08-29 CN CN201410437813.7A patent/CN104217431B/zh not_active Expired - Fee Related
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257191A (zh) * | 2018-03-24 | 2018-07-06 | 信阳师范学院 | 一种节能的压缩感知图像编码方法 |
CN108257191B (zh) * | 2018-03-24 | 2021-06-15 | 信阳师范学院 | 一种节能的压缩感知图像编码方法 |
CN111630558A (zh) * | 2018-08-22 | 2020-09-04 | 深圳配天智能技术研究院有限公司 | 一种图像处理、匹配方法、装置及存储介质 |
CN111630558B (zh) * | 2018-08-22 | 2024-03-01 | 深圳配天机器人技术有限公司 | 一种图像处理、匹配方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104217431B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Scalable convolutional neural network for image compressed sensing | |
Wan et al. | Compressive image fusion | |
Yu et al. | Saliency-based compressive sampling for image signals | |
Sun | Nonuniform average sampling and reconstruction of signals with finite rate of innovation | |
CN102148987B (zh) | 基于先验模型和l0范数的压缩感知图像重构方法 | |
CN104574450B (zh) | 一种基于压缩感知的图像重构方法 | |
CN103327326B (zh) | 基于压缩感知和信道自适应的sar图像传输方法 | |
CN102891684B (zh) | 一种压缩感知含噪重构系统的构建方法 | |
CN112819082B (zh) | 一种基于深度学习的卫星频谱感知数据重构方法 | |
CN104199627A (zh) | 基于多尺度在线字典学习的可分级视频编码系统 | |
Yin et al. | Sparse analysis based on generalized Gaussian model for spectrum recovery with compressed sensing theory | |
CN101582169A (zh) | 基于三维小波变换的分布式超光谱图像压缩方法 | |
Luo et al. | Image fusion in compressed sensing | |
CN102148986A (zh) | 基于自适应块压缩传感的渐进图像编码方法 | |
Bi et al. | Image compressed sensing based on wavelet transform in contourlet domain | |
CN102509257B (zh) | 基于人类视觉特性压缩感知的灰度图像篡改检测方法 | |
CN104217431A (zh) | 基于边缘提取与图像融合技术的压缩感知补偿方法 | |
CN109672885B (zh) | 一种用于矿井智能监控的视频图像编解码方法 | |
CN105678699A (zh) | 基于测量域分块显著性检测的压缩感知图像重构方法 | |
Castorena et al. | The restricted isometry property for banded random matrices | |
CN104280705A (zh) | 基于压缩感知的磁共振图像重建方法和装置 | |
Goklani et al. | Image reconstruction using orthogonal matching pursuit (OMP) algorithm | |
Tralic et al. | Signal reconstruction via compressive sensing | |
Wang et al. | Image reconstruction from patch compressive sensing measurements | |
Siddamal et al. | A survey on compressive sensing |
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: 20170208 Termination date: 20200829 |
|
CF01 | Termination of patent right due to non-payment of annual fee |