CN107333132A - 一种分布式视频压缩感知中确定性测量矩阵的优化方法 - Google Patents
一种分布式视频压缩感知中确定性测量矩阵的优化方法 Download PDFInfo
- Publication number
- CN107333132A CN107333132A CN201710476492.5A CN201710476492A CN107333132A CN 107333132 A CN107333132 A CN 107333132A CN 201710476492 A CN201710476492 A CN 201710476492A CN 107333132 A CN107333132 A CN 107333132A
- Authority
- CN
- China
- Prior art keywords
- mtd
- mtr
- msub
- matrix
- phi
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种分布式视频压缩感知中确定性测量矩阵的优化方法。该优化通过在正交对称托普利兹矩阵(Orthogonal Symmetric Toeplitz Matrices,OSTM)的基础上通过引入伪随机循环的构造方法，增加确定性测量矩阵的伪随机特征，这样便保证了测量矩阵的随机性能，提高了感知性能与硬件友好度。具体优化方法如下：第一步、采用格雷互补序列(Golay ComplemEntary Sequences)作为符号序列，根据正交托普利兹矩阵的构造规则，构造出N个方阵Φi；第二步、将生成的N个方阵看作一维向量；第三步、将该一维向量作为分块矩阵的第一行，再根据循环矩阵的生成方式，生成余下N‑1行，得到分块阵Φ。最后对分块阵进行规范化，获得最终的优化测量矩阵。最后通过仿真实验结果对比，基于优化的测量矩阵压缩测量获得的重构图像PSNR显著提高。
Description
技术领域
本发明涉及一种分布式视频压缩感知中测量矩阵优化算法，属于视频图像处理领域。
背景技术
在图像压缩感知成像过程中，测量矩阵在视频压缩感知系统中具有举足轻重的作用，其性能会影响到编码效率与视频的重建质量。目前大多数测量矩阵是随机的，由于随机性太强，使得此类矩阵具有存储量大、难以硬件实现等缺陷。为了克服随机测量矩阵的固有缺陷，在现有的确定性测量矩阵中，权衡测量矩阵构建的复杂程度、重建性能、编码效率、矩阵维数受限与否等多方面因素决策出一个最适用于传感网的测量矩阵，但该矩阵的感知性能仍差于随机高斯测量矩阵。我们选定正交托普利兹测量矩阵(OSTM)，在该矩阵基础上进行优化，通过引入伪随机循环来构造。正交托普利兹矩阵是一种确定性测量矩阵，其结构如下：
其中，a1,b1,b2,…,bk,c由线性变换得出ωn＝e2πi/n。
该矩阵的构造方法如下：
(1)使用长度为N/2的二进制序列来作为符序列σ＝[s1,....,sN/2,±s1,sN/2,....,s2]
并对符号序列进行傅里叶逆变换(IFIT)来获取长度为N的g序列。
(2)将g的元素作为正交对称托普利兹矩阵的第一行，并遵循循环规则来构建N×N阶方阵Φ。
(3)在Φ中任意选取M行，并进行规范化，并获得最终的测量矩阵。
采用正交对称托普利兹矩阵进行优化，通过引入伪随机循环的方式，优化后的测量矩阵能够以很大的概率满足统计学RIP(约束等距)理论，并且使用OST矩阵的原因在于与其他现有的测量矩阵相比，OST矩阵更易生成和高效实现，因为实现该矩阵只需要存储n个元素。此外，托普利兹结构非常适合于如信道估计和系统识别等许多应用。
发明内容
目前多数测量矩阵是随机的，由于随机性太强，使得此类测量矩阵具有存储量大，难以硬件实现等缺点，本发明提出一种在确定性测量矩阵正交对称阵托普利兹矩阵上通过引入伪随机循环的方式，增加了其随机性，提高了该矩阵与硬件友好度，本发明的具体步骤如下：
第一步、根据正交对称托普利兹矩阵的构造方法构造OSTM，本发明采用的符号序列为格雷互补序列(extended Golay sequences)，格雷序列具有特殊的自相关特性，通过格雷互补序列经过OSTM的构造方法生成N个n阶方阵.。
第二步、将N个OSTM当做一维分块行向量，按照循环矩阵的构造方法，生成一个分块循环测量矩阵Φ。
第三步、任意选取分块循环阵的M行，因为最后的测量矩阵正交的，接着我们对其进行规范化。最后即可获得最终的基于OSTM的优化测量矩阵。
本发明是在正交对称托普利兹矩阵的基础上进行优化，引入了随机循环特性，增加了确定性测量矩阵的的伪随机特征，易于硬件实现，且独立元数目减少了，降低了存储量和运算时间。并且通过仿真实验结果表明，基于优化后的正交对称托普利兹测量矩阵的压缩测量，重构后的图像质量显著提高了。
附图说明
图1为本发明的具有伪随机循环特征的正交对称托普利兹测量矩阵优化方法的整体流程图。
图2采样率为0.5时不同的测量矩阵对应的图像重建效果对比图；(1)a、(1)d为Bernouli矩阵；(2)b、(2)e为OSTM；(3)c、(3)f为本发明优化后的矩阵。
图3为不同采样率下各种测量矩阵重构图像的PSNR曲线图。
具体实施方式
下面结合附图，详细说明本发明的具体实施步骤。
本发明采用格雷互补序列作为符号序列，构建正交对称托普利兹矩阵，由于格雷互补序列具有特殊的自相关特性，并且在对交对称托普利兹矩阵优化过程中加入了伪随机循环特征，使得优化后的矩阵独立元大大减少了，降低了存储量，易于硬件实现。
(1)采样率为0.5下的仿真实验结果
分别对256×256的Lenna、Coins、Boat和Foreman图像进行分块压缩测量和重构仿真实验，表1给出了不同测量矩阵的构建时间，由表1和图2可见，在单一采样率下，贝努利随机矩阵与正交对称托普利兹矩阵测量下的重构图像质量相当，而基于本发明优化后的OSTM测量下的图像主观质量显著更好，且构造时间更少。
(2)不同采样率下的仿真实验结果
表2给出了在不同的采样率下压缩测量图像重构的PSNR值。而图3为不同采样率下的各种测量矩阵重构图像的PSNR曲线图。通过仿真实验结果可以看出，本发明优化后的测量矩阵在重构图像时无论是PSNR指标还是图像质量都有了显著提高。
表1：不同测量矩阵的构造时间(s)
| Bernouli随机矩阵 | OSTM | 本发明的OSTM |
| 0.061430 | 0.011651 | 0.012876 |
表2：不同测量矩阵重构图像的PSNR值(单位：dB)
Claims (1)
1.一种分布式视频压缩感知中确定性测量矩阵的优化方法，其特征在于，该优化方法是在正交对称托普利兹确定性测量矩阵的基础上，通过引入伪随机循环的优化方法来构造测量矩阵，具体步骤如下：
(1)选取格雷互补序列为符号序列，产生N个的n×n方阵Φi，1≤i≤N，每个Φi均为正交对称托普利兹矩阵；
(2)将生成的N个方阵看成一个一维分块行向量，Φ1,Φ2,...,ΦN，然后按照循环矩阵的构造方法，生成N-1个余下行向量，最后得到一个分块阵Nn×Nn的方阵Φ，结构如下：
<mrow>
<mi>&Phi;</mi>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&Phi;</mi>
<mi>N</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>&Phi;</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>&Phi;</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>&Phi;</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&Phi;</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>&Phi;</mi>
<mi>N</mi>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>&Phi;</mi>
<mn>3</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>&Phi;</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&Phi;</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>&Phi;</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>&Phi;</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>&Phi;</mi>
<mi>N</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
(3)从方阵Φ选取任意M行作为测量矩阵，并对其规范化，最终测量矩阵
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710476492.5A CN107333132A (zh) | 2017-06-21 | 2017-06-21 | 一种分布式视频压缩感知中确定性测量矩阵的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710476492.5A CN107333132A (zh) | 2017-06-21 | 2017-06-21 | 一种分布式视频压缩感知中确定性测量矩阵的优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107333132A true CN107333132A (zh) | 2017-11-07 |
Family
ID=60194006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710476492.5A Pending CN107333132A (zh) | 2017-06-21 | 2017-06-21 | 一种分布式视频压缩感知中确定性测量矩阵的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107333132A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646012A (zh) * | 2013-11-28 | 2014-03-19 | 天津大学 | 分块ostm压缩测量矩阵构造方法 |
| CN106301383A (zh) * | 2016-08-25 | 2017-01-04 | 东北大学 | 一种基于压缩感知的信号处理方法 |
-
2017
- 2017-06-21 CN CN201710476492.5A patent/CN107333132A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646012A (zh) * | 2013-11-28 | 2014-03-19 | 天津大学 | 分块ostm压缩测量矩阵构造方法 |
| CN106301383A (zh) * | 2016-08-25 | 2017-01-04 | 东北大学 | 一种基于压缩感知的信号处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| KEZHI LI _ET_AL: "Deterministic compressed-sensing matrices: Where Toeplitz meets Golay", 《2011 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS，SPEECH AND SIGNAL PROCESSING(ICASSP)》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Toderici et al. | Full resolution image compression with recurrent neural networks | |
| Kanso et al. | An efficient (t, n)–threshold secret image sharing scheme | |
| CN103533343B (zh) | 一种基于数字水印的立体图像质量客观评价方法 | |
| CN110139000B (zh) | 基于压缩感知和生命游戏置乱的图像压缩加密方法 | |
| CN111614455B (zh) | 一种彩色图像压缩加密方法 | |
| CN103517065B (zh) | 一种质降参考立体图像质量客观评价方法 | |
| CN105306779A (zh) | 基于压缩感知和索引置乱的图像加密方法 | |
| Zou et al. | A novel image scrambling algorithm based on Sudoku puzzle | |
| CN111179144A (zh) | 一种多进制秘密信息多次嵌入的高效信息隐藏方法 | |
| Gupta et al. | Hybrid image compression-encryption scheme based on multilayer stacked autoencoder and logistic map | |
| CN112351151A (zh) | 基于fcn的图像信息加密方法及装置 | |
| CN105931282B (zh) | 一种维数任意的部分哈达玛测量矩阵构造及信号处理方法 | |
| CN107920250A (zh) | 一种压缩感知图像编码传输方法 | |
| CN104683818B (zh) | 基于双正交不变集多小波的图像压缩方法 | |
| Shi et al. | A Blind Watermarking Technique for Color Image based on SVD with Circulation. | |
| CN103824264B (zh) | 基于随机傅里叶特征的压缩感知方法 | |
| CN112887509A (zh) | 一种基于多混沌系统的融合加密方法 | |
| CN107333132A (zh) | 一种分布式视频压缩感知中确定性测量矩阵的优化方法 | |
| CN103985100A (zh) | 一种基于自适应观测组合优化的分块压缩感知方法 | |
| Abdeihaleem et al. | A chess-based chaotic block cipher | |
| CN107563179B (zh) | 基于行复用压缩鬼成像和超平面密钥分享的图像认证方法 | |
| CN106685428A (zh) | 基于混沌的结构化压缩感知循环观测矩阵的构造 | |
| CN109089123A (zh) | 基于1比特矢量量化的压缩感知多描述编解码方法 | |
| CN114615392A (zh) | 一种基于比特联动的图像加密方法 | |
| Bugár et al. | Blind steganography based on 2D Haar transform |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171107 |