CN104835126B - 一种基于观测信号拆分的快速稀疏图像复原方法 - Google Patents
一种基于观测信号拆分的快速稀疏图像复原方法 Download PDFInfo
- Publication number
- CN104835126B CN104835126B CN201510246975.7A CN201510246975A CN104835126B CN 104835126 B CN104835126 B CN 104835126B CN 201510246975 A CN201510246975 A CN 201510246975A CN 104835126 B CN104835126 B CN 104835126B
- Authority
- CN
- China
- Prior art keywords
- image
- restored
- imaging data
- signal
- orthonormal basis
- 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
Abstract
本发明属于数字图像处理领域,涉及一种基于观测信号拆分的快速稀疏求解方法,具体步骤为(S1)初始化,设待恢复图像X的分辨率为M×N,记R=[M×N/4],其中,M为所需图像像素的行数,N为所需图像像素的列数,M,N均为整数,[·]表示取最大整数符号;(S2)采集成像数据Y′;(S3)建立数学模型,计算信号基;(S4)将成像数据Y′,在标准正交基{ei}下分解,得到一组表示系数{αi},其中i=1,…,R;(S5)复原图像X′:本发明将信号复原的方法从迭代中解放出来,变化成一种线性加和的方法,从而大大降低单像元成像复原的算法复杂度,加速了单像元相机的成像速度。
Description
技术领域
本发明属于数字图像处理领域,特别涉及一种基于观测信号拆分的快速稀疏求解方法。
背景技术
随着压缩感知理论的日益成熟,越来越多的研究学者开始关注该理论,基于该理论的应用也越来越广泛,典型的应用涉及图像去噪、图像去模糊、单像元相机成像技术,核磁共振成像技术、雷达成像技术等等。随着对图像分辨率要求的提高,压缩感知的图像复原速度成为该理论的瓶颈。
在压缩感知理论框架下,提高图像成像速度,最为关键的是最终图像复原算法的速度。图像复原算法的本质是求解一个高度不完备的线性方程组,现今大多数算法,都是求解基于L1范数的凸优化问题。比较典型的方法有OMP,LASSO,Bregman等等。但是这些方法基本上需要迭代运算,一定程度上限制了图像复原的效率。
发明内容
针对上述计算量大,成像效率不高的技术问题,本发明提供了一种基于观测信号拆分的快速稀疏求解方法,包括如下步骤:
(S1)初始化,设待恢复图像X的分辨率为M*N,记R=[M*N/4],其中,M为所需图像像素的行数,N为所需图像像素的列数,M,N均为整数,[·]表示取最大整数符号;
(S2)采集成像数据Y′;
(S3)建立数学模型,计算信号基:设测量矩阵A,由0和1两种元素组成的矩阵,其中0和1元素个数比为1:1,维度为(RMN);
建立数学模型:Y=AX;
其中,Y表示成像数据;X为待恢复的图像,X维度为M*N;
令数学模型中的Y取值分别为对应的标准正交基{ei},求解得到一组值{xi},{xi}记为信号基,其中i=1,…,R;
(S4)将成像数据Y′,在标准正交基{ei}下分解,得到一组表示系数{αi},其中i=1,…,R;
(S5)复原图像X′:
为更好的理解本发明,现将相关原理介绍如下:
利用Bregman迭代算法,分别求取Y向量对应的标准正交基ei在数学模型下的解,记为xi。其中{ei}表示R维向量的一组标准正交基,ei表示第i位为1,其余位为0的单位向量,{xi}表示对应求取的一组的信号基,其中i=1,…,R,i取值为整数。
上述建立图像复原算法的数学模型原理为,根据压缩感知的理论框架(参考文献:D.Donoho,Compressedsensing,IEEETransactionsonInformationTheory52(4)(2006)1289–1306.),建立成像数据、测量矩阵及待恢复图像之间的关系:Y=AX。其中采集过程为:随机产生的测量矩阵A;通过搭建的平台,采集获得测量向量Y′。然后已知A与Y′,求解X′。
求解信号基的原理:选定测量矩阵A,对于R维信号Y,其标准正交基记为{ei},其中i=1,…,R,依次对标准正交基中的元素和固定的测量矩阵A,利用Bregman求解方法(参考文献:Jian-FengCai,LinearizedBregmanIterationsForCompressedSensing,MathematicsofComputation78(267)(2009)1515-1536),求解对应的信号基xi,即求解方程ei=Axi。经过R次运算,得到一组信号基{xi}。
复原图像X′原理为:对每次采样获得的成像数据Y′,可以将其在标准正交基{ei}进行表示,即其中αi表示对应的系数,将该式进行变化推演,可以得到:对比上述建立的数学模型,可以得到最终的信号
将成像数据Y′在单位向量下进行分解,具体原理指出是单位向量下进行表示,例如:如果y是个3维向量,那么y对应的标准正交基为[100],[010],[001],那么如果向量y′为[235],则表示为y′=2*[100]+3*[010]+5*[001],其中2、3、5即为系数。
采用本发明获得的技术效果:本发明在压缩感知的理论框架下,引入了一种基于观测信号拆分的快速稀疏求解方法,将信号复原的方法从迭代中解放出来,变化成一种线性加和的方法,从而大大降低单像元成像复原的算法复杂度,加速了单像元相机的成像速度。
附图说明
图1是单像元成像系统示意图;
图2是算法流程示意图;
图3是实施例中的真实图像;
图4是现有技术恢复得到的图像;
图5为采用本发明方法恢复的图像。
具体实施方式:
下面,将结合附图和具体实施例对本发明作进一步说明。
本发明的理论基础为压缩感知理论,测量矩阵A为0和1组成的二元随机矩阵(参考文献:E.J.Candes,J.Romberg,T.Tao,Robustuncertaintyprinciples:exactsignalreconstructionfromhighlyincompletefrequencyinformation,IEEETransactionsonInformationTheory52(2)(2006)489–509.)。
如图1所示,为本发明的一个具体实施例中的单像元成像系统示意图。搭建单像元成像系统,利用单像元探头、微型投影仪以及计算机组成单像元成像系统。其中,单像元探头采集成像数据,微型投影仪作为编码的光源,产生随机编码的测量矩阵,计算机则作为编码工具以及复原算法运行载体。本实施例中成像系统搭建其中单像元探头为Newport818-UV,功率计为Newport841-P-USB,微型投影仪为酷乐视Q6,计算机处理器为酷睿i7-4510U,CPU主频为2.6GHz。设备之间的距离可以随实际情况而定,本实施例投影仪和单像元探头在同一位置,距离图像50厘米。本实施例算法流程示意图如图2所示;图3所示为本实施例中的真实图像;下面按照步骤进行图像复原:
(S1)本实施例定义将获取一个分辨率50*50的图像。
(S2)利用上面搭建的实验平台,采集数据,得到成像数据Y′。
(S3)建立数学模型,计算信号基:产生测量矩阵A,对于R=[2500/4]=625成像数据,其标准正交基记为{ei},其中i=1,…,625。依次对标准正交基中的元素ei,利用Bregman方法求解方法,求解对应的信号基xi,即求解方程ei=Axi。经过625次运算,得到一组信号基{xi}。
(S4)对采集得到的成像数据Y′,在标准正交基{ei}下进行表示,可以得到,其中,αi表示对应的系数,求解得到一组表示系数{αi},其中i=1,…,R;
(S5)计算得到最终复原图像:
图4所示为Bregman方法最终复原图像,图5为采用本发明方法恢复的图像。两者对比可知,复原效果相当。但是本实施例的复原消耗的时间比Bregman算法缩小了三个数量级,其中复原一个50*50大小的图像,Bregman方法需要2s左右,本方法只需要时间约0.002s,大大提高了图像复原效率。
以上实施例的说明只是用于帮助和理解本发明的方法及其核心思想,应当指出,对于所述技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰和改进,这些修饰和改进也落入本发明权利要求的保护范围内。
Claims (1)
1.一种基于观测信号拆分的快速稀疏求解方法,其特征在于包括以下步骤:
(S1)初始化,设待恢复图像X的分辨率为M*N,记R=[M*N/4],其中,M为所需图像像素的行数,N为所需图像像素的列数,M,N均为整数,[·]表示取最大整数符号;
(S2)采集成像数据Y′;
(S3)建立数学模型,计算信号基:设测量矩阵A,由0和1两种元素组成的矩阵,其中0和1元素个数比为1:1,维度为(RMN);
建立数学模型:Y=AX;
其中,Y表示成像数据;X为待恢复的图像,X维度为M*N;
令数学模型中的Y取值分别为对应的标准正交基{ei},其中ei表示第i位为1,其余位为0的单位向量,利用Bregman迭代算法求解得到一组值{xi},{xi}记为信号基,其中i=1,…,R;
(S4)将成像数据Y′,在标准正交基{ei}下分解,得到一组表示系数{αi},其中i=1,…,R;
(S5)复原图像X′:。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510246975.7A CN104835126B (zh) | 2015-05-15 | 2015-05-15 | 一种基于观测信号拆分的快速稀疏图像复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510246975.7A CN104835126B (zh) | 2015-05-15 | 2015-05-15 | 一种基于观测信号拆分的快速稀疏图像复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104835126A CN104835126A (zh) | 2015-08-12 |
CN104835126B true CN104835126B (zh) | 2016-03-02 |
Family
ID=53812996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510246975.7A Active CN104835126B (zh) | 2015-05-15 | 2015-05-15 | 一种基于观测信号拆分的快速稀疏图像复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104835126B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780405A (zh) * | 2017-02-28 | 2017-05-31 | 长沙全度影像科技有限公司 | 一种快速鱼眼图像边缘增强方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722865A (zh) * | 2012-05-22 | 2012-10-10 | 北京工业大学 | 一种超分辨率稀疏重建方法 |
CN104091314A (zh) * | 2014-07-22 | 2014-10-08 | 西北工业大学 | 基于边缘预测和稀疏比值正则约束的湍流退化图像盲复原方法 |
-
2015
- 2015-05-15 CN CN201510246975.7A patent/CN104835126B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722865A (zh) * | 2012-05-22 | 2012-10-10 | 北京工业大学 | 一种超分辨率稀疏重建方法 |
CN104091314A (zh) * | 2014-07-22 | 2014-10-08 | 西北工业大学 | 基于边缘预测和稀疏比值正则约束的湍流退化图像盲复原方法 |
Non-Patent Citations (1)
Title |
---|
《基于编码孔径的折反射散焦模糊图像复原》;彭杨,刘煜,李永乐,张茂军;《计算机应用研究》;20121231;第29卷(第12期);4736页-4739页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104835126A (zh) | 2015-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Warren et al. | Online calibration of stereo rigs for long-term autonomy | |
CN109523482B (zh) | 一种基于深度神经网络的对含纹理退化图像的复原方法 | |
EP3481054A1 (en) | Machine vision 3d line scan image acquisition and processing | |
CN111695681B (zh) | 一种高分辨率动态视觉观测方法及装置 | |
CN103440675A (zh) | 图像分块压缩感知的全局重构优化模型构造方法 | |
CN111160298A (zh) | 一种机器人及其位姿估计方法和装置 | |
CN103559693A (zh) | 一种基于非连续性指示符的图像局部结构自适应复原方法 | |
CN105182359A (zh) | 一种星载Lidar 超混沌压缩感知高空间分辨率成像方法 | |
CN104835126B (zh) | 一种基于观测信号拆分的快速稀疏图像复原方法 | |
CN109447239B (zh) | 一种基于arm的嵌入式卷积神经网络加速方法 | |
Jia et al. | Depth measurement based on a convolutional neural network and structured light | |
Kiran et al. | FPGA implementation of blob detection algorithm for object detection in visual navigation | |
CN104574455A (zh) | 图像重建方法及装置 | |
Kerviche et al. | Information optimal scalable compressive imager demonstrator | |
CN116310105A (zh) | 基于多视图的物体三维重建方法、装置、设备及存储介质 | |
Shi et al. | Small target detection in infrared image via sparse representation | |
CN104809749B (zh) | 一种非稀疏图像压缩感知盲重建的方法 | |
CN107749047B (zh) | 基于哈达玛矩阵的渐进式压缩感知重建方法和系统 | |
Luo et al. | A novel surveillance video processing using stochastic low-rank and generalized low-rank approximation techniques | |
CN111275690B (zh) | 一种短波红外探测器像元编码曝光的仿真方法 | |
CN113902931B (zh) | 基于学习型卷积稀疏编码的图像去雨方法 | |
Hao et al. | Data compression based on compressed sensing and wavelet transform | |
CN101266683A (zh) | 一种图像复原方法 | |
CN104574323A (zh) | 一种基于层次模型与导向先验的单像元相机快速成像方法 | |
CN104700370B (zh) | 基于半确定性传感矩阵的图像压缩感知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |