CN106204501B - 一种压缩感知恢复方法 - Google Patents
一种压缩感知恢复方法 Download PDFInfo
- Publication number
- CN106204501B CN106204501B CN201610613353.8A CN201610613353A CN106204501B CN 106204501 B CN106204501 B CN 106204501B CN 201610613353 A CN201610613353 A CN 201610613353A CN 106204501 B CN106204501 B CN 106204501B
- Authority
- CN
- China
- Prior art keywords
- signal
- divergence
- times iteration
- compressed sensing
- estimation
- 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 59
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 abstract description 8
- 230000006835 compression Effects 0.000 description 8
- 238000007906 compression Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G06T5/70—
Abstract
本发明提供了一种压缩感知恢复方法。本发明的方法基于去噪的思想,并且基于OAMP,因此称这种方法为去噪OAMP方法,英文简称为D‑OAMP。D‑OAMP具有快速的收敛速度和低计算复杂度,同时适用于各种不同的输入信号,如图像信号、语音信号等等。本发明的方法从恢复速度以及恢复的质量来比较都明显好于现有的其他方法。
Description
技术领域
本发明涉及一种压缩感知、信号处理、稀疏表示领域的信号重建(信号恢复) 方法,同时本发明提高的方法中利用了一些图像去噪领域的公开方法。
背景技术
对于一般信号采样,需要符合经典的奈奎斯特(Nyquist)采样定理,即采样频率为两倍的信号带宽。对于许多应用,如数码相机的图像信号采集,需要先采集大量的数据,然后使用压缩感知方法进行压缩。压缩感知方法利用了待采集信号的稀疏特性,直接对待采集信号进行低采样率的线性采样得到观测信号。压缩感知方法采用的测量系统描述如下:y=Ax,式中,x是待采集信号,A是设计的测量矩阵,该测量矩阵的行数远小于列数,测量得到的观测信号y的维度远小于原始信号。因此压缩感知方法能够直接得到压缩后的数据,大大地降低信号获取所需要的能量以及信号存储所需的空间。
在压缩感知方法中最重要的部分在于如何利用采样后的观测信号y重建原始信号。根据现有的理论,当压缩感知方法中用于信号采样的测量矩阵满足有限等距性质(英文简称为RIP)且测量率足够的时候,可以使用基追踪(英文简称为BP)方法来精确恢复原始信号。除了基追踪,现有的压缩感知方法的恢复方法主要有:正交匹配追踪(英文简称为OMP),迭代硬阈值方法(英文简称为IHT),迭代软阈值方法(英文简称为IST)等。
09年斯坦福大学的Donoho等人提出了一种基于概率图模型的近似信息传播方法(英文简称为AMP),这种方法是一种迭代方法,具有收敛速度快、计算复杂度低等特点,能够在测量矩阵A为独立同分布的高斯随机矩阵下很好地工作。但是AMP在一些测量矩阵A下无法正常工作,如离部分散傅里叶变化矩阵(英文简称为DFT)或者部分离散余弦变换矩阵(英文简称为DCT)。为了解决这个问题,马俊杰博士于16年初提出了一种新的方法,他提出利用一种(去除输入输出相关性的使噪声正交)正交的非线性结构来改进之前的AMP,因此被称为正交AMP(英文简称为OAMP)。
发明内容
本发明的目的是提供一种基于OAMP的新的压缩感知恢复方法。
为了达到上述目的,本发明的技术方案是提供了一种压缩感知恢复方法,其特征在于,包括以下步骤:
估计信号在线性估计器与无散度去噪器D(r,u)之间进行迭代优化直至输出收敛,其中,第t次迭代时,线性估计器的输出信号为rt,式中,为第t-1次迭代时无散度去噪器输出的估计信号,Wt为线性估计器的第t次迭代的线性估计矩阵,y为通过压缩感知法得到的观测信号,A为压缩感知法使用的M×N维的测量矩阵;
无散度去噪器D(rt,ut)的构造公式为:D(rt,ut)=C(d(rt,ut)-div(d)rt) CB,B=d(rt,ut)-div(d)rt,式中,C是一组可优化的常数向量,对于给定的去噪器d(rt,ut)而言,C=(BTB)-1rt T,ut为第t次迭代时的噪声方差估计值,div(d) 为去噪器d(rt,ut)的散度,第t次迭代时,线性估计器的输出信号rt输入无散度去噪器D(rt,ut)后,得到第t次迭代的估计信号
优选地,第t次迭代时,所述无散度去噪器D(rt,ut)还输出第t次迭代的噪声方差vt,
优选地,测量矩阵A为正交矩阵,所述第t次迭代时的噪声方差估计值式中,vt-1为第t-1次迭代时所述无散度去噪器输出的噪声方差。
由于本发明的方法基于去噪的思想,并且基于OAMP,因此称这种方法为去噪OAMP方法(英文简称为D-OAMP)。D-OAMP具有快速的收敛速度和低计算复杂度,同时适用于各种不同的输入信号,如图像信号、语音信号等等。本发明的方法从恢复速度以及恢复的质量来比较都明显好于现有的其他方法。
附图说明
图1为本发明的方法流程图;
图2为测量率为0.5的情况下,使用SURE-LET去噪器构造无散度的去噪器恢复出的图像对比,图2(a)是原图,图2(b)是使用本发明的方法恢复出的图像,图2(c)是使用SURE-AMP方法恢复出的图像;
图3为测量率为0.3的情况下,使用BM3D去噪器构造无散度的去噪器恢复出的图像对比,图3(a)是原图,图3(b)是使用本发明的方法恢复出的图像,图3(c)是使用SURE-AMP方法恢复出的图像;
图4为测量率为0.1的情况下,使用BM3D去噪器构造无散度的去噪器恢复出的图像对比,图4(a)是原图,图4(b)是使用本发明的方法恢复出的图像,图4(c)是使用SURE-AMP方法恢复出的图像。
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下。
本发明解决了压缩感知技术中正交观测矩阵采样后的信号重建问题,即对于压缩感知系统y=Ax,其中,测量矩阵A是一个M×N维的矩阵,我们需要由给定的观测信号y和测量矩阵A恢复出原始信号x。本发明基于OAMP设计出了一种新的压缩感知恢复方法。
如图1所示,在本发明的信号恢复方法中有两个模块,线性估计器模块和高斯白噪声去噪器模块。估计信号在这两个模块之间进行迭代优化直至输出收敛。
对于线性估计器模块,可以选择不同的线性估计矩阵(第t次迭代的线性估计矩阵为Wt)来处理输入的观测信号y和测量矩阵A,得到第t次迭代的输出信号为rt进入高斯白噪声去噪器模块。式中,为第t-1 次迭代时无散度去噪器输出的估计信号。同时,第t次迭代时的噪声方差估计值,对于正交的测量矩阵(如DFT或者DCT),式中,vt-1为第t-1 次迭代时无散度去噪器输出的噪声方差。
高斯白噪声去噪器模块是一种无散度(Divergence Free)的去噪器。构造方法如下:D(rt,ut)=C(d(rt,ut)-div(d)rt)=CB,B=d(rt,ut)-div(d)rt,式中,C是一组可优化的常数向量,对于给定的去噪器d(rt,ut)而言,C=(BTB)-1rt T, ut为第t次迭代时的噪声方差估计值,div(d)为去噪器d(rt,ut)的散度,去噪器 d(rt,ut)利用现有的图形去噪领域的一些去噪器(如块匹配3D过滤(英文简称为 BM3D)去噪器,Stein无偏风险估计(英文简称为SURE-LET)去噪器)。第t次迭代时,线性估计器的输出信号rt输入无散度去噪器D(rt,ut)后,得到第t次迭代的估计信号及第t次迭代的噪声方差vt,
以下内容以对于一个自然图像处理为例进一步说明本发明。
对于图像信号,如大小为512px乘512px的Lena图像,使用SFEF矩阵(其中S是随机行选择矩阵,F是DCT矩阵,E是对角元素为1或者-1的随机矩阵) 对其进行采样,然后用本发明提高的D-OAMP重建图像。
首先将图像进行分割,分割成大小相等的方块作为一次输入的信号,比如分割成64块64乘64的小块图像。采样时先对每块图像进行DCT变换,然后使用部分SFEF矩阵测量矩阵进行线性测量,得到的信号使用D-OAMP方法进行重建。
构建无散度的去噪器时可以使用例如SURE-LET去噪器来进行构建,重建时,将每一小块图像时得到的采样信号y和DCT测量矩阵输入到第一个模块中,采用D-OAMP方法直至收敛。
也可以使用BM3D去噪器来构造无散度去噪器,在使用这种去噪器的情况下,对应的采样方案是直接对每一小块图像使用SFEF矩阵进行线性测量。
使用BM3D去噪器的恢复效果是要比使用SURE-LET去噪器的效果明显要好,但是BM3D去噪器的恢复时间较长,再具体应用中需要考虑应用场景选择合适的去噪器。
将本发明的方法与目前恢复效果最好的SURE-AMP方法进行了对比,最终的对比结果见附图2、3、4。可以观察到的是,本发明的方法比其他压缩感知恢复方法在恢复精度上有很大的优势,同时本发明的方法的恢复速度也优于其他的方法。
Claims (3)
1.一种压缩感知恢复方法,其特征在于,包括以下步骤:
步骤1、对输入信号进行采样,形成估计信号,该输入信号为图像信号;
步骤2、估计信号在线性估计器与无散度去噪器D(r,u)之间进行迭代优化直至输出收敛,得到重建后的输入信号,其中,第t次迭代时,线性估计器的输出信号为rt,式中,为第t-1次迭代时无散度去噪器输出的估计信号,Wt为线性估计器的第t次迭代的线性估计矩阵,y为通过压缩感知法得到的观测信号,A为压缩感知法使用的M×N维的测量矩阵;
无散度去噪器D(rt,ut)的构造公式为:D(rt,ut)=C(d(rt,ut)-div(d)rt)=CB,B=d(rt,ut)-div(d)rt,式中,C是一组可优化的常数向量,对于给定的去噪器d(rt,ut)而言,C=(BTB)-1rt T,ut为第t次迭代时的噪声方差估计值,div(d)为去噪器d(rt,ut)的散度,第t次迭代时,线性估计器的输出信号rt输入无散度去噪器D(rt,ut)后,得到第t次迭代的估计信号
2.如权利要求1所述的一种压缩感知恢复方法,其特征在于,第t次迭代时,所述无散度去噪器D(rt,ut)还输出第t次迭代的噪声方差vt,
3.如权利要求2所述的一种压缩感知恢复方法,其特征在于,测量矩阵A为正交矩阵,所述第t次迭代时的噪声方差估计值式中,vt-1为第t-1次迭代时所述无散度去噪器输出的噪声方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610613353.8A CN106204501B (zh) | 2016-07-29 | 2016-07-29 | 一种压缩感知恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610613353.8A CN106204501B (zh) | 2016-07-29 | 2016-07-29 | 一种压缩感知恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204501A CN106204501A (zh) | 2016-12-07 |
CN106204501B true CN106204501B (zh) | 2019-03-19 |
Family
ID=57496803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610613353.8A Active CN106204501B (zh) | 2016-07-29 | 2016-07-29 | 一种压缩感知恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204501B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063729A (zh) * | 2010-12-30 | 2011-05-18 | 哈尔滨工业大学 | 基于二维稀疏性的压缩感知图像重建方法 |
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 |
CN103400349A (zh) * | 2013-07-20 | 2013-11-20 | 西安电子科技大学 | 基于盲压缩感知的图像重构方法 |
CN104767535A (zh) * | 2015-03-31 | 2015-07-08 | 电子科技大学 | 一种低复杂度块状稀疏信号重构方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8014616B2 (en) * | 2007-11-02 | 2011-09-06 | Siemens Aktiengesellschaft | System and method for fixed point continuation for total variation based compressed sensing imaging |
-
2016
- 2016-07-29 CN CN201610613353.8A patent/CN106204501B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063729A (zh) * | 2010-12-30 | 2011-05-18 | 哈尔滨工业大学 | 基于二维稀疏性的压缩感知图像重建方法 |
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 |
CN103400349A (zh) * | 2013-07-20 | 2013-11-20 | 西安电子科技大学 | 基于盲压缩感知的图像重构方法 |
CN104767535A (zh) * | 2015-03-31 | 2015-07-08 | 电子科技大学 | 一种低复杂度块状稀疏信号重构方法 |
Non-Patent Citations (2)
Title |
---|
From denoising to compressed sensing;C. A. Metzler等;《IEEE TRANSACTIONS ON INFORMATION THEORY》;20160420;第62卷(第9期);第5117-5143页 |
Turbo Compressed Sensing with Partial;J. Ma等;《IEEE Signal Process Letters》;20140826;第22卷(第2期);第158-161页 |
Also Published As
Publication number | Publication date |
---|---|
CN106204501A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109164483B (zh) | 多分量地震数据矢量去噪方法及多分量地震数据矢量去噪装置 | |
CN109490957B (zh) | 一种基于空间约束压缩感知的地震数据重建方法 | |
CN103871058B (zh) | 基于压缩采样矩阵分解的红外小目标检测方法 | |
CN110969124A (zh) | 基于轻量级多分支网络的二维人体姿态估计方法及系统 | |
CN108419083B (zh) | 一种图像多级小波全子带压缩感知编码方法 | |
Chountasis et al. | Digital image reconstruction in the spectral domain utilizing the Moore-Penrose inverse | |
CN103957011B (zh) | 基于阈值收缩迭代的压缩感知含噪信号的恢复方法 | |
CN105490682B (zh) | 基于svd和omp的压缩传感信号恢复算法 | |
CN105931184B (zh) | 基于联合优化的sar图像超分辨率方法 | |
Moore et al. | Denoising one-dimensional signals with curvelets and contourlets | |
CN103955956B (zh) | 一种面向压缩感知的图像联合重构方法 | |
Jeyakumar et al. | Hybrid hyperspectral image compression technique for non-iterative factorized tensor decomposition and principal component analysis: application for NASA’s AVIRIS data | |
CN103152298A (zh) | 一种基于分布式压缩感知系统的盲信号重构方法 | |
CN103150709A (zh) | 一种基于伪牛顿法的四元数域彩色图像压缩感知恢复方法 | |
CN106204501B (zh) | 一种压缩感知恢复方法 | |
CN104243986B (zh) | 基于数据驱动张量子空间的压缩视频采集与重构系统 | |
CN113487491B (zh) | 一种基于稀疏性与非局部均值自相似性的图像复原方法 | |
Beckers et al. | A method to generate fully multi-scale optimal interpolation by combining efficient single process analyses, illustrated by a DINEOF analysis spiced with a local optimal interpolation | |
CN107818325A (zh) | 基于集成字典学习的图像稀疏表示方法 | |
CN115205136A (zh) | 一种基于傅里叶先验的图像去雨方法 | |
CN104424635A (zh) | 一种信息处理方法、系统和设备 | |
Stagliano et al. | Learning adaptive and sparse representations of medical images | |
CN103136376A (zh) | 基于copula和Gabor小波的旋转不变图像检索方法 | |
Zhou et al. | Fast compression and reconstruction of astronomical images based on compressed sensing | |
Yao et al. | Compressive sensing for small moving space object detection in astronomical images |
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 |