CN105488767B - 一种基于最小二乘优化的压缩感知图像快速重建方法 - Google Patents
一种基于最小二乘优化的压缩感知图像快速重建方法 Download PDFInfo
- Publication number
- CN105488767B CN105488767B CN201510856958.5A CN201510856958A CN105488767B CN 105488767 B CN105488767 B CN 105488767B CN 201510856958 A CN201510856958 A CN 201510856958A CN 105488767 B CN105488767 B CN 105488767B
- Authority
- CN
- China
- Prior art keywords
- signal
- block
- iteration
- compression
- piecemeal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000007906 compression Methods 0.000 claims description 37
- 230000006835 compression Effects 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 7
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- FZNCGRZWXLXZSZ-CIQUZCHMSA-N Voglibose Chemical compound OCC(CO)N[C@H]1C[C@](O)(CO)[C@@H](O)[C@H](O)[C@H]1O FZNCGRZWXLXZSZ-CIQUZCHMSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20228—Disparity calculation for image-based rendering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于最小二乘优化的压缩感知图像快速重建方法，基于最小二乘方法实现信号的优化重构，利用新定义的整体相关性度量参数‑整体相关度，选择针对图像信号的最相关原子，减少迭代次数,引入分块重构理论并重新设计分块大小和测量矩阵,降低了重构操作的计算规模；基于最小二乘方法实现信号的优化重构,保证了重构精度和收敛速度。实验结果表明,FBWRFI算法也可以显著降低信号的重构时间，并使随信号增大而高速增长的重构时间的增长趋势变为线性,证明了算法的有效性。
Description
技术领域
本发明涉及一种压缩感知图像重建方法，具体地涉及一种面向图像的、基于最小二乘优化的压缩感知采样快速重建方法。
背景技术
基于稀疏表示理论和泛函分析-逼近理论的压缩感知(compressed sensing orcompressive sampling,CS)是一种新型的采样方法，在对可压缩信号采样时能够突破著名的Shannon-Nyquist采样定理的限制，以远低于两倍信号最大带宽的采样率对信号采样，从而减少了采集的数据量。以其用少量采样值表示全长的信号的优点，压缩感知在出现之初就吸引了信号、通信、电子信息、统计理论、编解码理论和计算机等众多领域的研究热情，被认为是信息科学近年来最重大的研究成果。压缩感知基本原理如下：
假设一维离散信号s∈RN×1是可压缩的(这是前提条件)，压缩感知方法的信号采样是利用特别设计的观测矩阵Φ∈RM×N(这里M＜＜N)将可压缩信号s从N维投影到M维，即：y＝Φs；这里的y∈RM×1是信号s的压缩采样，而采样y的长度M与信号s的长度N与之比M:N就是在压缩感知框架下的采样率，该采样率一定小于1。由于y＝Φs是欠定方程组，无法直接求解，压缩感知方法从近似重构的角度来考虑求解问题。
考虑信号s可压缩的前提和稀疏表示理论，对于可压缩信号s一定存在某稀疏变换基Ψ∈RN×N，使得s在该变换基上的表示θ∈RN×1是稀疏的，即：
(1)s＝Ψθ，
式中θ的大部分元素为0或接近于0；通常θ中非0元素的个数K(K＜＜M＜＜N)被称为θ的稀疏度。从而有y＝Φs＝ΦΨθ＝Aθ；这里的A＝ΦΨ被称为信息算子或感知矩阵。y＝Aθ可以通过0-范数优化问题求解
(2)min||θ||0 s.t.y＝Aθ。
而根据Donoho、Candès等人研究提出的压缩感知理论，在感知矩阵A具有有限等距性质(Restricted Isometry Property,RIP)的条件下，0-范数优化可以转化为1-范数优化问题：
(3)min||θ||1 s.t.y＝Aθ，
其中，A具有RIP性质的等价条件是观测矩阵Φ与稀疏变换基Ψ不相干，这一点在设计观测矩阵Φ时已得到保证。
由于θ是稀疏的，通过(2)和(3)式可以得到其精确或近似逼近解然后利用(1)式得到原始信号s的精确或近似逼近解常用压缩感知算法主要包括针对(2)式的贪婪算法和针对(3)式的凸松弛算法。最经典的压缩感知算法就是凸松弛算法中的基追踪(BasisPursuit,BP)算法，所需的观测值数目少(即采样率低)、计算精度高；匹配追踪(MatchingPursuit,MP)、正交匹配追踪(Orthogonal MP,OMP)及其改进算法都是贪婪算法的代表，收敛速度快、计算复杂度较低，实际应用较多。
压缩感知方法的信号重建是近似优化重构，非常适合于处理图像信号，目前其已在磁共振、X-射线扫描、雷达成像、遥感图像处理、超频谱图像分析等方面有了很多应用，并已开发出单像素相机。压缩感知算法的提出都是以一维信号为处理对象的，对于二维信号一般以列或行向量为重建单位分别重建，当每一个列或行信号都被重建后，整个二维信号也就重建成功了，图像信号的重建通常也是按列处理的。我们把图像信号S记为[s1,s2,…,sn]，其中si(i＝1,2,…,n)为信号的第i列，在处理中每一个si分别进行重构。
压缩感知方法具有采样数目少的优点，但其应用仍然有很多难题等待解决，较长的信号重构时间是其中的一个关键。如BP算法的计算复杂度高达O(N3)，收敛速度较快的OMP算法的计算复杂度也达到了O(NK2)。在配置为Intel(R)Core(TM)2Duo CPU E4600@2.4GHz、3GB内存、Windows 7、Matlab R2011b的个人计算机上的重构不同大小信号时的重构时间如表1和2所示。
表1 OMP和BP算法重构一维信号时，信号大小每增加1倍重构时间的变化
表2 OMP和BP算法重构二维信号时，信号大小每增加1倍重构时间的变化
压缩感知算法重构信号所需的时间较长，并随信号增大以远大于信号增幅的速率增长，而且这个速率随信号的增大还在不断增长。对比表1和表2可以发现，二维信号的重构时间远远大于一维信号，且其增长幅度也较大；如大小为1024×1的信号重构时间是512×1的5.55倍，而大小为1024×1024的信号重构时间是512×512的11.76倍。
我们在压缩感知算法及其应用的研究中，利用日渐普及的高性能计算设备和云计算平台加速压缩感知算法，以提高算法的执行速度，验证了压缩感知方法在物联网数据采集中的应用，实现了压缩感知算法的并行化、多/多核CPU加速、GPU加速和云平台加速等，加速后的算法执行时间如图1和表3所示。
表3 OMP算法重构信号时，不同数量计算资源的云加速效果(编程语言Python，云平台)
从图1和表3中可知，压缩感知算法的并行化及加速虽然能显著减少算法的执行时间，但不能改变算法随信号增大而以极高的速率增长的趋势。压缩感知算法的重构时间高速增长，且增长趋势不断扩大，使重构算法的执行时间无法估计，不利于在云平台加速时的自动资源分配。
发明内容
针对上述技术问题，本发明目的是：提供一种基于最小二乘优化的压缩感知图像快速重建方法FBWRFI，它采用最小二乘优化方法实现图像的重建，以保证收敛速度和重构精度；以每一个原子和二维残差之间的整体相关度测量取代原子与一维残差之间的相关度测量，以减少迭代次数、降低计算复杂度；引入块压缩感知理论并重新设计快大小和测量矩阵，以降低优化迭代中的参数规模。该方法能够显著降低从压缩的采样中重建原始图像的时间，并使图像的重构时间由随信号增大而以极高速率增加变为线性增长，提高了重构时间的可预估性，有利于使用云资源加速时的资源智能分配。
本发明的技术方案是：
一种基于最小二乘优化的压缩感知图像快速重建方法，其特征在于，包括以下步骤：
S01：把原始图像信号S:N×N基于压缩感知方法的压缩采样Y:M×N，根据块测量矩阵ΦB:MB×B划分为个互不重叠的块Yi:MB×B，其中是基于压缩感知方法进行压缩采样时的采样率，
S02：利用WRFI重构每个块St:B×B，压缩采样为Yt:MB×B，稀疏系数记Θt:B×B，其过程如下：
S02-01：计算块感知矩阵AB＝ΦBΨB:MB×B中每一个原子αi(i＝1,2,…,B)与当前二维残差R(k-1):MB×B的整体相关度其中k表示当前是第k次迭代，αi是AB的第i列，二维残差R(k-1)的初始值为Yi并在每次迭代后更新，R(k-1)j是R(k-1)的第j列，ΨB:B×B是稀疏变换基且ΨB和ΦB线性无关；
S02-02：通过对比ρi(i＝1,2,…,B)，在序号不包含在原子序号集合Λk-1的原子中选出与当前残差最大相关原子的序号λk＝maxi＝1,2,…,N(ρi)；其中Λk-1是前面k-1次迭代中选择的最相关原子的序号组成的集合，λk表示第k次迭代选出的最相关原子的序号；
S02-03：把λk并入集合Λk-1，把原子并入集合Ak-1得到：Λk＝[Λk-1,λk]，其中是AB的第λk列，Ak-1是前面k-1中得到的最相关原子的集合；
S02-04：基于Ak和最小二乘优化方法获取本次迭代的近似逼近解Θtk；Θtk是第k次迭代得到的稀疏系数Θt的近似逼近；
S02-05：判断迭代条件：达到设定的重构精度或设定的最大迭代次数K，则结束重建块St的迭代计算并跳转到S02-07；Θtk是St的稀疏表示系数Θt的近似逼近解
S02-06：更新参数R(k)＝Y-AkΘtk和k＝k+1，跳转至S02-01继续迭代；这里k是新的迭代次数，R(k)是新的二维残差；
S02-07：利用St＝ΨBΘt得到St的近似逼近解
S02-08：判断是否每个块St都已经重建：即当t≥n则跳至S03，否则跳至S02重构下一个块St+1；
S03：将所有的重构信号拼接得到完整的重构信号
优选的，在重构过程之前还包括采样过程，采样过程包括以下步骤：
S11：把原始图像信号S:N×N分割为个大小为B×B的块，若原始信号边缘的分块大小不足B×B，将不足的部分的元素填充为0；
S12：对于每一个分块Si:B×B(i＝1,2,…,n)，使用相同的稀疏变换基ΨB:B×B进行稀疏变换Si＝ΨBΘi，其中Θi:B×B是Si的稀疏系数；
S13：对于每一个分块Si:B×B(i＝1,2,…,n)，使用相同的测量矩阵ΦB:MB×B进行投影变换Yi＝ΦBSi，其中Yi:MB×B是Si的压缩采样，就是采样率或压缩比，而Yi＝ΦBSi＝ΦBΨBΘi可记为Yi＝ABΘi，AB就是压缩感知方法的感知因子；
S14：把每一个Yi(i＝1,2,…,n)拼接起来组成Y就是原始图像信号S的压缩采样，就是采样率或压缩比。
优选的，所述块测量矩阵ΦB的大小为MB×B，分块大小大于等于256×256，在分块时当原始信号边缘的分块大小不足256×256，将不足的部分的元素填充为0；当重构完成后，将填充部分的值去掉。
与现有技术相比，本发明的优点是：
本发明采用最小二乘优化方法实现图像的重建，以原子和二维残差之间的整体相关度测量取代原子和一维残差之间的相关度测量，减少了迭代次数、降低计算复杂度，引入块压缩感知理论降低优化迭代中的参数规模和计算规模，并使重构时间随信号增大呈线性增长，提高了重构时间的可预估性。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为OMP算法重构信号时，多CPU并行的加速效果图；
图2为本发明基于最小二乘优化的压缩感知图像快速重建方法的整体重构设计的流程图；
图3为本发明基于最小二乘优化的压缩感知图像快速重建方法的原理图；
图4为使用本发明方法重构不同图像的效果图；
图5为在不同采样率下重构图像的效果图；
图6为重构不同大小图像的效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
实施例：
本发明主要包括两部分：整体重构设计WRFI和基于分块压缩感知的快速重建方法FBWRFI，它们之间的关系是：WRFI是以原子和二维残差之间的整体相关性测量取代原子和一维残差之间的相关性测量后，面向图像整体的、较少迭代次数的快速重建方法；FBWRFI是对需要重建的图像分块后，每一个图像块均采用WRFI方法进行重建，在保证较少迭代次数的前提下降低迭代中的参数规模和计算量，以获取更快的重建速度和可预估的重构时间。
WRFI在重构过程中将二维信号作为一个整体来处理，而不是按列分别处理。为了测量二维信号残差与测量矩阵各列(原子)之间的相关度，就需要定义新的相关度测量参数，称之为二维信号的整体相关度(whole-correlation)。
定义1(整体相关度).向量α∈Rm×1和矩阵Φ∈Rm×n的整体相关度(whole-correlation)为其中ρ为整体相关度，是是矩阵Φ的第i列。
对原始信号S:N×N(为了简单，假设S的行和列相同)，设压缩采样Y:M×N，测量矩阵Φ:M×N，稀疏变换基Ψ:N×N，记A＝ΦΨ:M×N且有S＝AΘ，Θ:N×N是稀疏的。WRFI的主要思想是：在每次迭代时(第t次迭代)，首先计算感知矩阵A中的每一个原子(A的每一列)αi:M×1(i＝1,2,…,N)与当前二维残差R(t-1):M×N(第t-1次迭代时更新的残差，初始值R(0)＝Y)的整体相关度ρi，并选出最大相关度这里最相关原子的序号是λt，最相关原子是然后将和At-1合并为这里的At-1是前t-1次迭代选出的最相关原子组成的矩阵；接着基于At和最小二乘优化方法获取本次迭代的近似估计：
当近似估计达到设定的精度或迭代计数器k达到设定的最大迭代次数K时，迭代结束，本次迭代的近似估计就是Θ的重建结果；否则更新残差和增量t，并继续迭代。WRFI的算法流程如图2所示。
在本发明方法中，对信号S:N×N，其稀疏变换基Ψ:N×N和测量矩阵Φ:M×N是线性无关，这是前提条件。在S＝ΨΘ和Y＝ΦS＝ΦΨΘ＝AΘ中，Y:M×N、Θ:N×N、A＝ΦΨ:M×N；对于S的每一列si:N×1都有si＝Ψθi(i＝1,2,…N)和yi＝Φsi＝ΦΨθi＝Aθi(i＝1,2,…,N)，因Ψ和Φ是线性无关的，根据压缩感知理论所有的si(i＝1,2,…,N)都可以被高概率地重构，从而作为整体的S也就可以被高概率精确重构，也即本方法理论上是可行的。
WRFI通过将选择原子用于二维信号整体重建降低了原子选择和重构操作中的迭代次数，但并不能改变重构时间的随信号增大而带来的高增长率。这主要是因为随着信号规模的增加，算法中使用的稀疏变换基、观测矩阵及其它一些中间参数的规模也随之增大，从而带来了优化算法中每一次迭代的计算量呈指数级增加。为了降低重构算法所需的存储和计算的规模，将信号的大小保持在一个相对较小的程度是必须的。在面向图像的二维整体重构得到WRFI的基础上，引入了块压缩感知(block compressed sensing)，并最终形成了基于最小二乘优化的快速图像重建压缩感知方法FBWRFI方法。
FBWRFI首先把原始图像S:N×N被分割成若干个大小为B×B的小块(图像)。基于压缩感知理论，图像S的稀疏变换就是对每一个块图像Si:B×B使用相同的稀疏变换基ΨB:B×B进行操作：Si＝ΨBΘi，Θi:B×B就是块图像Si的稀疏系数；图像S采样就是使用相同的测量矩阵ΦB:MB×B对每一个块图像Si进行投影变换Yi＝ΦBSi；若记AB＝ΦBΨB:MB×B，则Yi＝ABΘi，其中MB:B可表示采样率/压缩比。因为设计测量矩阵ΦB:MB×B时总是MB＜＜B，采样率也就小于1，实现了压缩采样。对于整个信号S来说，稀疏变换基Ψ:N×N和观测矩阵Φ:M×N(M＝MB×k，)分别如(5)式所示。
FBWRFI方法的(整体重构设计WRFI)原理与过程如图3所示。FBWRFI方法中设计的块测量矩阵ΦB的大小为MB×B，综合考虑重构时间和重构精度后把分块大小定义为256×256，这个分块大小是可以调整的，调整的原则基于实际应用中对重构图像精度的需求，分块越大则重建图像的精度越高。在分块时，原始信号边缘各个分块大小可能不足B×B，需要将不足部分的元素值填充为0；当重构完成后，再将这部分的值去掉即可。
本发明的具体实现步骤，包括：
输入：
原始信号S:N×N，压缩采样Y:M×N，块测量矩阵ΦB:MB×256，块稀疏变换基ΨB:B×B，块稀疏度K；
输出：
算法过程：
(1)FBWRFI的初始化
1)把压缩采样Y根据ΦB分块Yi:MB×256(i＝1,2,…,n)，为块数量；
2)t＝1，t为块计数器；
3)存放重构信号的参数
4)最大块数n；
(2)使用WRFI重构每一个块图像St:256×256(其压缩采样为Yt，t＝1,2,…,n)
1)WRFI的初始化
a)残差；R0＝Yt
b)已选出原子序号集合
c)已选择的原子组成的矩阵
d)迭代次数计数器k＝1；
2)获取块图像St稀疏表示系数的Θt:256×256近似解的迭代过程
a)计算块感知矩阵AB＝ΦBΨB:MB×256中每一原子αi(i＝1,2,…,256)与当前二维残差R(k-1):MB×256的整体相关度R(k-1)j是R(k-1)的第j列；
b)通过对比ρi(i＝1,2,…,256)，在序号不包含在集合Λk-1的原子中选出与当前残差最大相关的原子序号λk：λk＝maxi＝1,2,…,256(ρi)；
c)把λk并入集合Λk-1、把原子并入集合Ak-1得到：Λk＝[Λk-1,λk]，
d)利用Ak和最小二乘优化方法得到本次迭代的近似逼近解Θtk；
e)判断迭代结束条件：Θtk达到设定重构精度或迭代计数器k达到最大迭代次数K，则结束块St的重建迭代并跳转至步骤(2)-5)，这时最后一次迭代中得到的Θtk就是St的稀疏表示系数Θt的近似逼近解否则更新参数R(k)＝Y-AkΘtk和k＝k+1，并返回步骤(2)-2)-a)继续迭代；
5)利用St＝ΨBΘt得到St的近似逼近解
(3)保存重建的块并使t指向下一个需要重构的块
1)把第t块重构信号存入
2)t＝t+1；
(4)判断循环结束条件
1)如果t＞n，退出循环；
2)否则，返回步骤(2)继续循环；
(5)得到完整的重构信号
计算复杂度和空间复杂度
不同于OMP方法，WRFI利用原子与二维信号之间相关度的测量，在每次迭代时，选出针对当前二维残差R(t-1):M×N的最大相关原子，并利用该原子更新矩阵At及直接计算二维系数Θ的近似估计Θt:N×N，最终可以直接得到二维的最佳近似逼近解而不是信号S某列si:N×1的重构信号从而将迭代次数减少为OMP算法的1/N，即O(NK2)，有效地降低了计算复杂度。
FBWRFI方法进一步通过分块重构的方式降低了优化操作中的参数规模，降低了优化方法的计算量。它设计每个分块大小B＝256，这样一个分块的计算复杂度为O(256K′2)，K′是分块的最大稀疏度。对图像S:N×N，其分块数位其计算复杂度可表示为O(256nK′2)；且相对于OMP和WRFI方法的优化重建过程中使用的矩阵和Φ:M×N，FBWRFI在优化重建中使用ΨB:256×256和Φ:MB×256。也就是说，OMP和WRFI的优化迭代中以N×N矩阵为计算对象，随着图像的增大，其计算时间的增长率将以指数级增加；而FBWRFI的优化迭代中以256×256矩阵为计算对象，随着图像的增加，只是相应增加了几个基本运算的循环，其计算时间的增长率理论上可以实现线性增加。FBWRFI与现有压缩感知方法的计算复杂度对比如表4所示。
表4 算法计算复杂度对比
FBWRFI方法效果
重建不同图像，本组实验验证FBWRFI方法对不同图像的作用效果，实验结果表6和图4证明了算法的有效性(这里的测试图像大小为512×512)。
表6 FBWRFI对不同图像的重构时间和重构质量
| 信号长度 | 重构时间(s) | PSNR |
| Lenna | 16.35 | 27.07 |
| Barbara | 16.10 | 24.49 |
| Peppers | 16.74 | 27.47 |
| Boat | 16.48 | 24.89 |
| Fingerprint | 17.07 | 18.20 |
| MRI | 17.35 | 27.23 |
不同采样率下重建图像效果，本组实验验证不同采样率下FBWRFI方法重建图像的效果，实验结果表7和图5证明了算法的有效性(这里的测试图像大小为512×512)。
表7 不同采样率下FBWRFI重建图像的时间和质量
不同大小图像的重建效果，本组实验验证FBWRFI方法重建大同大小的图像的效果，实验结果表8和图6证明了算法的有效性(这里的测试图像大小为256×256、512×512和1024×1024)。
表8 FBWRFI和OMP重建不同大小图像的时间和质量对比
快速重构算法的研究一直都是压缩感知理论研究的热点，我们提出面向图像重建的快速压缩感知方法FBWRFI方法，它采用最小二乘优化方法实现图像的重建，基于图像的整体相关度实现原子和二维残差之间的相关度测量以减少迭代次数、降低计算复杂度，引入块压缩感知降低优化迭代中的参数规模以降低计算量，并使重构时间随信号增大而呈线性增长，提高了重构时间的可预估性。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (3)
1.一种基于最小二乘优化的压缩感知图像快速重建方法，其特征在于，包括以下步骤：
S01：把原始图像信号S:N×N基于压缩感知方法的压缩采样Y:M×N，根据块测量矩阵ΦB:MB×B划分为个互不重叠的块Yi:MB×B，其中是基于压缩感知方法进行压缩采样时的采样率，
S02：利用整体重构设计WRFI重构每个块St:B×B，压缩采样为Yt:MB×B，稀疏系数记Θt:B×B，t为WRFI重构后块的个数，其过程如下：
S02-01：计算块感知矩阵AB＝ΦBΨB:MB×B中每一个原子αi，i＝1,2,…,B与当前二维残差R(k-1):MB×B的整体相关度其中k表示当前是第k次迭代，αi是AB的第i列，二维残差R(k-1)的初始值为Yi并在每次迭代后更新，R(k-1)j是R(k-1)的第j列，ΨB:B×B是稀疏变换基且ΨB和ΦB线性无关；
S02-02：通过对比ρi，在序号不包含在原子序号集合Λk-1的原子中选出与当前残差最大相关原子的序号λk＝maxi＝1,2,...,N(ρi)；其中Λk-1是前面k-1次迭代中选择的最相关原子的序号组成的集合，λk表示第k次迭代选出的最相关原子的序号；
S02-03：把λk并入集合Λk-1，把原子并入集合Ak-1得到：Λk＝[Λk-1,λk]，其中是AB的第λk列，Ak-1是前面k-1中得到的最相关原子的集合；
S02-04：基于Ak和最小二乘优化方法获取本次迭代的近似逼近解Θtk；Θtk是第k次迭代得到的稀疏系数Θt的近似逼近；
S02-05：判断迭代条件：达到设定的重构精度或设定的最大迭代次数K，则结束重建块St的迭代计算并跳转到S02-07；Θtk是St的稀疏表示系数Θt的近似逼近解
S02-06：更新参数R(k)＝Y-AkΘtk和k＝k+1，跳转至S02-01继续迭代；这里k是新的迭代次数，R(k)是新的二维残差；
S02-07：利用St＝ΨBΘt得到St的近似逼近解
S02-08：判断是否每个块St都已经重建：即当t≥n则跳至S03，否则跳至S02重构下一个块St+1；
S03：将所有的重构信号拼接得到完整的重构信号
2.根据权利要求1所述的基于最小二乘优化的压缩感知图像快速重建方法，其特征在于，在重构过程之前还包括采样过程，采样过程包括以下步骤：
S11：把原始图像信号S:N×N分割为个大小为B×B的块，若原始图像信号边缘的分块大小不足B×B，将不足的部分的元素填充为0；
S12：对于每一个分块Si:B×B，i＝1,2,...,n使用相同的稀疏变换基ΨB:B×B进行稀疏变换Si＝ΨBΘi，其中Θi:B×B是Si的稀疏系数；
S13：对于每一个分块Si:B×B，使用相同的块测量矩阵ΦB:MB×B进行投影变换Yi＝ΦBSi，其中Yi:MB×B是Si的压缩采样，就是采样率或压缩比，而Yi＝ΦBSi＝ΦBΨBΘi记为Yi＝ABΘi，AB就是压缩感知方法的感知因子，也即块感知矩阵；
S14：把每一个Yi拼接起来组成Y就是原始图像信号S的压缩采样，就是采样率或压缩比。
3.根据权利要求1所述的基于最小二乘优化的压缩感知图像快速重建方法，其特征在于，所述块测量矩阵ΦB的大小为MB×B，分块大小大于等于256×256，在分块时当原始图像信号边缘的分块大小不足256×256，将不足的部分的元素填充为0；当重构完成后，将填充部分的值去掉。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510856958.5A CN105488767B (zh) | 2015-11-30 | 2015-11-30 | 一种基于最小二乘优化的压缩感知图像快速重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510856958.5A CN105488767B (zh) | 2015-11-30 | 2015-11-30 | 一种基于最小二乘优化的压缩感知图像快速重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105488767A CN105488767A (zh) | 2016-04-13 |
| CN105488767B true CN105488767B (zh) | 2018-08-07 |
Family
ID=55675732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510856958.5A Active CN105488767B (zh) | 2015-11-30 | 2015-11-30 | 一种基于最小二乘优化的压缩感知图像快速重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105488767B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599903B (zh) * | 2016-11-22 | 2020-01-21 | 电子科技大学成都研究院 | 基于相关性的加权最小二乘字典学习的信号重构方法 |
| CN106851322A (zh) * | 2017-01-15 | 2017-06-13 | 四川精目科技有限公司 | 一种分块最小二乘回归高速相机压缩图像重建方法 |
| CN107689067B (zh) * | 2017-08-30 | 2020-06-19 | 中国科学院光电技术研究所 | 一种基于压缩感知在图像重建中投影方式的优化方法 |
| CN110429938B (zh) * | 2019-06-25 | 2022-07-26 | 四川轻化工大学 | 一种高速核信号的压缩采样及重建方法 |
| CN110688763B (zh) * | 2019-10-08 | 2023-10-17 | 北京工业大学 | 一种基于脉冲型ToF相机深度和光强图像的多径效应补偿方法 |
| CN113365014B (zh) * | 2021-05-11 | 2022-04-26 | 中国科学院国家空间科学中心 | 一种并行压缩感知gpu加速实时成像系统与方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750262A (zh) * | 2012-06-26 | 2012-10-24 | 清华大学 | 基于omp算法在gpu上实现稀疏信号恢复的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100246920A1 (en) * | 2009-03-31 | 2010-09-30 | Iowa State University Research Foundation, Inc. | Recursive sparse reconstruction |
-
2015
- 2015-11-30 CN CN201510856958.5A patent/CN105488767B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750262A (zh) * | 2012-06-26 | 2012-10-24 | 清华大学 | 基于omp算法在gpu上实现稀疏信号恢复的方法 |
Non-Patent Citations (2)
| Title |
|---|
| Prototype design of multicoset sampling based on compressed sensing;Zhang Jingchao等;《2015 IEEE 12th International Conference on Electronic Measurement & Instruments》;20150716;第1303-1308 * |
| 基于矩阵分解的压缩感知重构算法的研究;李维明;《中国优秀硕士学位论文全文数据库》;20131115(第11期);第4-35页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105488767A (zh) | 2016-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105488767B (zh) | 一种基于最小二乘优化的压缩感知图像快速重建方法 | |
| Dao et al. | Monarch: Expressive structured matrices for efficient and accurate training | |
| Yang et al. | Fast ℓ 1-minimization algorithms and an application in robust face recognition: A review | |
| CN107730451B (zh) | 一种基于深度残差网络的压缩感知重建方法和系统 | |
| Blanchard et al. | CGIHT: conjugate gradient iterative hard thresholding for compressed sensing and matrix completion | |
| WO2020114329A1 (zh) | 磁共振快速参数成像方法及装置 | |
| CN107527371B (zh) | 一种在压缩感知中逼近光滑l0范数的图像重建算法的设计构建方法 | |
| CN104739410B (zh) | 一种磁共振图像的迭代重建方法 | |
| CN107945129B (zh) | 一种mri图像重构方法 | |
| CN108832934A (zh) | 一种基于奇异值分解的二维正交匹配追踪优化算法 | |
| Liu et al. | A deep framework assembling principled modules for CS-MRI: unrolling perspective, convergence behaviors, and practical modeling | |
| CN103295198A (zh) | 基于冗余字典和结构稀疏的非凸压缩感知图像重构方法 | |
| Kim et al. | Greedy algorithms for nonnegativity-constrained simultaneous sparse recovery | |
| Zhang et al. | A separation–aggregation network for image denoising | |
| CN109584330A (zh) | 一种基于压缩感知逼近l0范数的梯度投影图像重建方法 | |
| Asif | Primal Dual Pursuit: A homotopy based algorithm for the Dantzig selector. | |
| Barbano et al. | Steerable conditional diffusion for out-of-distribution adaptation in imaging inverse problems | |
| CN105447894B (zh) | 基于拟牛顿公式的压缩感知重建算法 | |
| Xue et al. | An Efficient and Globally Convergent Algorithm for $\ell_ {p, q} $-$\ell_ {r} $ Model in Group Sparse Optimization | |
| CN104376585B (zh) | 基于图像块结构属性策略的非凸压缩感知图像重构方法 | |
| CN106301384A (zh) | 一种基于分块压缩感知的信号重构方法 | |
| He et al. | A splitting method for separate convex programming with linking linear constraints | |
| CN104125459A (zh) | 基于支撑集和信号值检测的视频压缩感知重构方法 | |
| CN104103060B (zh) | 一种稀疏模型中字典的表示方法和设备 | |
| CN107403628A (zh) | 一种基于压缩感知的语音信号重构方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |