CN107516301A - 一种基于压缩感知在图像重建中测量矩阵的构造优化方法 - Google Patents
一种基于压缩感知在图像重建中测量矩阵的构造优化方法 Download PDFInfo
- Publication number
- CN107516301A CN107516301A CN201710760479.2A CN201710760479A CN107516301A CN 107516301 A CN107516301 A CN 107516301A CN 201710760479 A CN201710760479 A CN 201710760479A CN 107516301 A CN107516301 A CN 107516301A
- Authority
- CN
- China
- Prior art keywords
- matrix
- sensing
- calculation matrix
- calculation
- signal
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 207
- 238000004364 calculation method Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000006872 improvement Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 230000002349 favourable effect Effects 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 230000002969 morbid Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 230000006835 compression Effects 0.000 abstract description 7
- 238000007906 compression Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 230000002463 transducing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明为一种基于压缩感知在图像重建中测量矩阵的构造优化方法。在压缩感知的图像重建中需要对图像进行线性测量观测,这样对原始信号不仅完成了采样还完成了压缩,使信号维数大大降低,而测量矩阵的构造在线性测量过程中起着至关重要的作用。本发明是在0、1二值随机测量矩阵的基础上对测量矩阵进行了重新设计,构建了一种超稀疏对角测量矩阵,大大提高了矩阵的非相关性,使传感矩阵更好地满足RIP条件。新测量矩阵不仅易于硬件实现和简化了投影测量过程的计算,大大提高了重建图像的峰值信噪比(PSNR)和结构相似度(SSIM)。
Description
技术领域
本发明涉及一种基于压缩感知在图像重建中测量矩阵的构造优化方法,特点是对信号原始信号数据以更低的采样率恢复重建出更高精度的原始信号数据,应用于信号的压缩与恢复、图像处理和计算机视觉等,属于信号与信息处理中的信号压缩传输与恢复重建领域。
背景技术
压缩传感的核心是线性测量过程,设x(n)为原始信号,长度为N,通过左乘测量矩阵Φ得到y(m),长度为M(M<N)。如果x(n)不是稀疏信号,将进行正交稀疏变换得到s(k),记为x=Ψs,将测量过程重新写为y=Θs,其中Θ=ΦΨ(M×N),称为传感矩阵,过程如图2所示。压缩传感理论主要包括信号的稀疏表示、重构算法和测量矩阵的构造三个方面。
图像稀疏表示是指图像在特定变换基上的系数中一些数值较大的系数集中了图像的大部分能量和信息,而其它系数都为零或者接近于零,这意味着使用少量的比特数就能达到表示图像的目的。通常时域内的自然信号都是非稀疏的,例如,对于一幅自然图像,几乎所有的像素值都是非零的,但是将其变换到小波域时,大多数小波系数的绝对值都接近于零,并且有限的大系数能够表示出原始图像的绝大部分信息。信号的稀疏性是压缩传感理论的基础和前提,本文实验仿真采用离散小波变换基对图像进行稀疏化。
信号重构算法是指由M次测量向量y重构长度为N(M<N)的稀疏信号x的过程。上述方程组中未知数个数N超过方程个数M,无法直接从y(m)恢复出x(n),可以通过求解最小l0范数问题(1)加以解决。
但最小l0范数问题是一个NP-hard问题,需要穷举x中非零值的所有种排列可能,因而无法求解。由此用次最优解的算法进行求解,主要包括最小l1范数法、匹配追踪系列算法、迭代阈值法以及专门处理二维图像问题的最小全变分法等,本文实验仿真采用的为正交匹配追踪算法(Orthogonal matching pursuit,OMP)。
而在测量矩阵的构造方面,它与稀疏基构成的传感矩阵Θ需满足约束等距条件(RIP条件,2式),就可以通过以上重构算法恢复出原始信号。
其中,δk的最小值称为RIP常数,是衡量RIP性质好坏的一个标准。
RIP条件是保证信号能够重构的充分条件,然而要验证传感矩阵是否满足此条件是一个非常复杂的问题,因此需要有一种简便的、易于实现的RIP条件替代方法。理论与实践证明如果能保证测量矩阵Φ和正交基Ψ不相关,则Θ在很大的概率上满足RIP性质。由于Ψ是固定的,要使得Θ=ΦΨ满足约束等距条件,可以通过设计测量矩阵Φ解决。通过数学理论和大量的实践表明,常用来做测量矩阵的有贝努力测量矩阵(二值随机测量矩阵)、随机高斯测量矩阵、傅立叶随机测量矩阵、哈达玛测量矩阵,这些矩阵都以较高概率满足RIP条件。本文就是在二值随机测量矩阵的基础上对测量矩阵进行重新设计优化,构造出了一种非常稀疏的二值随机测量矩阵。
发明内容
本发明要解决技术问题为:针对压缩传感信号重建中现有二值随机测量矩阵不能很好的满足的RIP性质以及重建信号后精度不高的问题,构造出了一种非常稀疏的对角测量矩阵,使传感矩阵更好的满足RIP条件。在同等采样率和一样的重建条件下,该方法很好地提高了重建信号的精度和信噪比。
本发明解决上述技术问题采用的技术方案为:一种基于压缩感知在图像重建中测量矩阵的构造优化方法,该方法基于二值随机测量矩阵,构造一种非常稀疏的对角测量矩阵,使改进后的测量矩阵与稀疏基构成的传感矩阵更好的满足RIP条件,从而更加利于对稀疏信号的重构,最后再由稀疏信号重构出原始信号,其信号的重构过程主要包括如下步骤:
步骤1、首先测量矩阵按照如图2所示的对角分块的方式进行构造,对角线上为大小1×(M/N)的全1矩阵,除对角线上的矩阵外,整个测量矩阵其余元素全为0,因此测量矩阵是超稀疏的。
步骤2、然后原始信号数据通过乘以优化后的测量矩阵得到测量值,其中测量矩阵和小波稀疏基相乘共同构成了传感矩阵,优化后的测量矩阵所得的传感矩阵将更好的满足RIP条件,更利于信号的重构。
步骤3、最后根据所得的测量值和传感矩阵由重构算法重构出原始信号在小波域内的稀疏信号,所得的稀疏信号再通过小波稀疏基的逆变换得到重构的原始数据信号。
所述的一种基于压缩感知在图像重建中测量矩阵的构造优化方法,RIP条件是保证信号能够重构的充分条件,然而要验证传感矩阵是否满足此条件是一个非常复杂的问题,经过理论和实践证明,测量矩阵和稀疏基非相关性越低,则传感矩阵在很大的概率上满足RIP性质。
所述的一种基于压缩感知在图像重建中测量矩阵的构造优化方法,传感矩阵的条件数与传感矩阵的RIP属性有着实质性的联系,传感矩阵的条件数为传感矩阵的最大奇异值与最小奇异值的比值或奇异值取值区间的大小,也是RIP常数相关的一个重要参数,缩小传感矩阵奇异值的取值区间,可以使新得到的传感矩阵具有更好的RIP常数。
所述的一种基于压缩感知在图像重建中测量矩阵的构造优化方法,传感矩阵条件数越小,测量矩阵Φ与稀疏正交基Ψ的非相关性越好,得到的传感矩阵将具有更好的RIP常数;同时传感矩阵的条件数越小,矩阵越非病态,越利于重构算法的求解,因此传感矩阵的条件数是衡量测量矩阵性能优劣的一个重要指标。
所述的一种基于压缩感知在图像重建中测量矩阵的构造优化方法,基于压缩感知在图像重建中测量矩阵的性能评价指标在原有二值随机测量矩阵的基础上对测量矩阵进行了改进,重新构造出了一种非常稀疏的对角测量矩阵,改进后的测量矩阵与稀疏基构成的传感矩阵具有更小的条件数,更好地满足RIP条件,从而更利于最后对原始信号的重建。
本发明的原理在于:一种基于压缩感知在图像重建中的测量矩阵构造优化方法,构造出了一种非常稀疏的对角测量矩阵,使传感矩阵更好的满足RIP条件。再由优化后的测量矩阵得到的测量值通过重构算法重构稀疏信号,最后由稀疏信号经过小波逆变换重构出原始信号。
理论与实践表明,传感矩阵的条件数(传感矩阵的最大奇异值与最小奇异值的比值或奇异值取值区间的大小)与传感矩阵的RIP属性有着实质性的联系,也是RIP常数相关的一个重要参数,缩小传感矩阵奇异值的取值区间,可以使新得到的传感矩阵具有更好的RIP常数。传感矩阵条件数越小,测量矩阵Φ与稀疏正交基Ψ的非相关性越好,得到的传感矩阵Θ将具有更好的RIP常数。同时传感矩阵的条件数越小,矩阵越非病态,越利于重构算法的求解,因此传感矩阵的条件数是衡量测量矩阵性能优劣的一个重要指标。
根据上述对测量矩阵性能评价指标的分析,在原有二值随机测量矩阵的基础上对测量矩阵进行了重新设计改进,构造出了一种非常稀疏的对角测量矩阵,如图3所示。
如图3所示,测量矩阵大小为M×N,其中对角线上的分块矩阵是大小为的一维矩阵,这些一维的元素全为1。在这个对角测量矩阵中,除了对角线之外的其余元素全为0,所以矩阵为超稀疏的。这种对角分块的测量矩阵是非常稀疏的二值分布,方便计算和硬件实现,同时也加快了图像重建的计算速度。在测量矩阵对角线上的每个分块小矩阵的元素全为1,这样使得所构成的传感矩阵奇异值分布的稳定性,缩小奇异值分布区间,减小传感矩阵条件数。
设计出一种能够更好地满足RIP条件的测量矩阵,从而能够以更高精度重构原始信号,本发明所采用的技术方案是:
由背景技术分析可知,稀疏变换基Ψ已经确定,为离散小波变换基。由于传感矩阵的条件数决定了它所满足的RIP性质,在构造超稀疏对角测量矩阵后,为了验证它所满足的RIP性质,在采样率(M/N)分别为0.0625、0.125、0.25和0.5的情况下,分别计算测量矩阵与小波变换基相乘所得到的传感矩阵Θ的条件数,并和常用的传统0、1二值稀疏随机测量矩阵、随机高斯矩阵、部分哈达玛矩阵和随机伯努利矩阵所构成的传感矩阵条件数作对比。由于随机测量矩阵为随机生成,为了避免偶然性,取三次结果来做均值,得到表1所示的计算结果。
表1各类型测量矩阵构成的传感矩阵条件数(奇异值取值区间)比较
从表1可知,在四种不同采样率下,相对于其它四种传统测量矩阵,新型测量矩阵所得传感矩阵奇异值分布区间和条件数大大减小,而且随着采样率的提高,改进后的传感矩阵条件数减小的程度也越来越高,表明超稀疏对角测量矩阵更好的满足RIP条件。
本发明与现有技术相比的优点在于:
(1)本发明在现有二值随机测量矩阵的基础上,设计出了一种超稀疏对角测量矩阵。由于全是0、1二值分布,便于硬件实现,相对于原测量矩阵,这样的对角稀疏矩阵加快了测量矩阵的构造速度和简化了计算,提高了图像的重建效率,而且能方便地投入工程实践应用,更具实际意义。
(2)一般来说压缩感知图像重建对于高纹理细节类的图像重建效果都较差,本发明所使用的改进方法让指纹这种高纹理图像的重建精度有了一定程度的提升,使图像的细节重建能力有了一定的增强,因此在一定程度上弥补了现有压缩传感技术中对高频纹理类图像重建精度不高的问题。
(3)本发明使用易于实现的简单的对角构造方法对测量矩阵进行设计,使之高效率地满足了RIP条件,大大降低了传感矩阵的条件数和病态程度,更加利于算法求解。在0.5以内的采样率,相比于四种常用的测量矩阵,新测量矩阵重建图像PSNR提高了5到10dB,SSIM也已高了0.15到0.5,大大提高了重建精度,改善效果明显。
附图说明
图1为本发明方法用于压缩感知数据信号重建的实现流程图;
图2为本发明中压缩感知线性测量过程的基本原理框图;
图3为本发明所构造的超稀疏对角测量矩阵;
图4为采样率0.2时不同测量矩阵重建不同类型图像效果对比,其中,图4(a)为不同类型的测量矩阵重建的Goldhill图像,图4(b)为不同类型的测量矩阵重建的Lena图像,图4(c)为不同类型的测量矩阵重建的Barbara图像,图4(d)为不同类型的测量矩阵重建的Fingerprint图像;
图5为Barbara重建图像PSNR、SSIM与采样率的关系曲线,其中,图5(a)为重建Barbara图像PSNR与采样率的关系曲线,图5(b)为重建Barbara图像SSIM与采样率的关系曲线。
具体实施方式
下面结合附图意见具体实施方式进一步说明本发明。
如图1所示,一种基于压缩感知在图像重建中测量矩阵的构造优化方法,该方法基于二值随机测量矩阵,构造一种非常稀疏的对角测量矩阵,使改进后的测量矩阵与稀疏基构成的传感矩阵更好的满足RIP条件,从而更加利于对稀疏信号的重构,最后再由稀疏信号重构出原始信号,其信号的重构过程主要包括如下步骤:
步骤1、首先测量矩阵按照如图2所示的对角分块的方式进行构造,对角线上为大小1×(M/N)的全1矩阵,除对角线上的矩阵外,整个测量矩阵其余元素全为0,因此测量矩阵是超稀疏的。
步骤2、然后原始信号数据通过乘以优化后的测量矩阵得到测量值,其中测量矩阵和小波稀疏基相乘共同构成了传感矩阵,优化后的测量矩阵所得的传感矩阵将更好的满足RIP条件,更利于信号的重构。
步骤3、最后根据所得的测量值和传感矩阵由重构算法重构出原始信号在小波域内的稀疏信号,所得的稀疏信号再通过小波稀疏基的逆变换得到重构的原始数据信号。
由图2中原理框图可知,用图3所构造的对角分块二值随机矩阵作为测量矩阵Φ,新的测量矩阵降低了传感矩阵Θ(Θ=ΦΨ)的条件数,使传感矩阵更好的满足RIP条件,从而更加利于压缩感知对图像的重建。
用matlab分别对Goldhill、Lena、Barbara和Fingerprint大小为512*512的灰度图来做图像重建的仿真实验。用本文提出的超稀疏对角测量矩阵对上述图像进行测量重建,并和常用的传统0、1二值稀疏随机测量矩阵、随机高斯矩阵、部分哈达玛矩阵和随机伯努利矩阵重建图像进行效果对比。在采样率为0.2时,各测量矩阵重建图像如图4所示。
由图4可知,图4(a)到图4(d)分别是高频成分越来多的不同类型的四幅图像,相对于其余四种常用的传统测量矩阵,新提出的超稀疏测量矩阵大大提高了图像的峰值信噪比和结构相似度。0.2采样率时,PSNR比传统测量矩阵提高了6dB左右,SSIM提高了0.35到0.4。因为Barbara图像同时含有较多的低频和高频纹理信息,具有一定的代表性,因此用Barbara图像做仿真实验来评估超稀疏测量矩阵在不同采样率下重建图像的质量效果,其中为了避免随机测量矩阵生成的偶然性,每个采样率取三次实验所得数据作平均,画出了重建图像PSNR、SSIM与采样率的关系曲线,如图5所示。
由图5可知,图5(a)和图5(b)分别为重建Barbara图像的PSNR和SSIM与采样率的关系曲线,几种传统的常用测量矩阵重建图像的质量都相差不大,但在使用超稀疏对角测量矩阵后,重建图像的质量和精度得到了大幅度的提高,图像也变得更加平滑,噪声大大减小,重建图像的视觉效果有了质的提升。对于Barbara图像,在0.5以内的采样率,相比于四种常用的测量矩阵,超稀疏对角测量矩阵重建图像PSNR提高了5到10dB,SSIM也已高了0.15到0.5。
本发明未详细阐述部分属于本领域技术人员的公知技术。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例变化、变型都将落在本发明权利要求书的范围内。
Claims (5)
1.一种基于压缩感知在图像重建中测量矩阵的构造优化方法,其特征是:该方法基于二值随机测量矩阵,构造一种超稀疏对角测量矩阵,使改进后的测量矩阵与稀疏基构成的传感矩阵更好的满足RIP条件,从而更加利于对稀疏信号的重构,最后再由稀疏信号重构出原始信号,该方法包括如下步骤:
步骤1、首先测量矩阵按照对角分块的方式进行构造,对角线上为大小1×(M/N)的全1矩阵,除对角线上的矩阵外,整个测量矩阵其余元素全为0,因此测量矩阵是超稀疏的;
步骤2、然后原始信号数据通过乘以优化后的测量矩阵得到测量值,其中测量矩阵和小波稀疏基相乘共同构成了传感矩阵,优化后的测量矩阵所得的传感矩阵将更好的满足RIP条件,更利于信号的重构;
步骤3、最后根据所得的测量值和传感矩阵由重构算法重构出原始信号在小波域内的稀疏信号,所得的稀疏信号再通过小波稀疏基的逆变换得到重构的原始数据信号。
2.根据权利要求1所述的一种基于压缩感知在图像重建中测量矩阵的构造优化方法,其特征是:RIP条件是保证信号能够重构的充分条件,然而要验证传感矩阵是否满足此条件是一个非常复杂的问题,经过理论和实践证明,测量矩阵和稀疏基非相关性越低,则传感矩阵在很大的概率上满足RIP性质。
3.根据权利要求1所述的一种基于压缩感知在图像重建中测量矩阵的构造优化方法,其特征是:传感矩阵的条件数与传感矩阵的RIP属性有着实质性的联系,传感矩阵的条件数为传感矩阵的最大奇异值与最小奇异值的比值或奇异值取值区间的大小,也是RIP常数相关的一个重要参数,缩小传感矩阵奇异值的取值区间,可以使新得到的传感矩阵具有更好的RIP常数。
4.根据权利要求2或3所述的一种基于压缩感知在图像重建中测量矩阵的构造优化方法,其特征是:传感矩阵条件数越小,测量矩阵Φ与稀疏正交基Ψ的非相关性越好,得到的传感矩阵将具有更好的RIP常数;同时传感矩阵的条件数越小,矩阵越非病态,越利于重构算法的求解,因此传感矩阵的条件数是衡量测量矩阵性能优劣的一个重要指标。
5.根据权利要求2或3所述的一种基于压缩感知在图像重建中测量矩阵的构造优化方法,其特征是:基于压缩感知在图像重建中测量矩阵的性能评价指标在原有二值随机测量矩阵的基础上对测量矩阵进行了改进,重新构造出了一种超稀疏对角测量矩阵,改进后的测量矩阵与稀疏基构成的传感矩阵具有更小的条件数,更好地满足RIP条件,从而更利于最后对原始信号的重建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710760479.2A CN107516301A (zh) | 2017-08-30 | 2017-08-30 | 一种基于压缩感知在图像重建中测量矩阵的构造优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710760479.2A CN107516301A (zh) | 2017-08-30 | 2017-08-30 | 一种基于压缩感知在图像重建中测量矩阵的构造优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107516301A true CN107516301A (zh) | 2017-12-26 |
Family
ID=60724563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710760479.2A Pending CN107516301A (zh) | 2017-08-30 | 2017-08-30 | 一种基于压缩感知在图像重建中测量矩阵的构造优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107516301A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171680A (zh) * | 2018-01-24 | 2018-06-15 | 沈阳工业大学 | 应用于结构光图像的超稀疏cs融合算法 |
CN108233943A (zh) * | 2018-01-23 | 2018-06-29 | 浙江大学 | 一种基于最小相关性测量矩阵的压缩感知方法 |
CN108447033A (zh) * | 2018-03-12 | 2018-08-24 | 浙江大学 | 奇异值分解和天牛须寻优算法的灰度图像自适应增强方法 |
CN109088638A (zh) * | 2018-08-15 | 2018-12-25 | 苏州蛟视智能科技有限公司 | 一种基于二进制测量矩阵的压缩感知方法 |
CN109559357A (zh) * | 2018-09-17 | 2019-04-02 | 衡阳师范学院 | 一种基于小波包阈值的图像块压缩感知重构方法 |
CN109584330A (zh) * | 2018-11-29 | 2019-04-05 | 中国科学院光电技术研究所 | 一种基于压缩感知逼近l0范数的梯度投影图像重建方法 |
CN109756740A (zh) * | 2019-01-18 | 2019-05-14 | 北京邮电大学 | 基于最优测量矩阵的半张量图像压缩方法和图像恢复方法 |
CN110166055A (zh) * | 2019-05-09 | 2019-08-23 | 安徽大学 | 一种基于压缩感知的多通道压缩传感优化方法及系统 |
CN110163821A (zh) * | 2019-05-09 | 2019-08-23 | 安徽大学 | 一种基于非负约束的奇异值分解压缩鬼成像方法及系统 |
CN111192337A (zh) * | 2019-12-24 | 2020-05-22 | 东南大学 | 基于稀疏贝叶斯学习的序贯多帧电阻抗成像图像重建算法 |
CN111862256A (zh) * | 2020-07-17 | 2020-10-30 | 中国科学院光电技术研究所 | 一种在压缩感知图像重建中小波稀疏基优化方法 |
CN112365552A (zh) * | 2021-01-11 | 2021-02-12 | 成都职业技术学院 | 一种结合奇异值分解和小波包变换的图像压缩方法 |
CN112511824A (zh) * | 2020-11-27 | 2021-03-16 | 苏州浪潮智能科技有限公司 | 一种图像压缩采样方法及组件 |
CN115002293A (zh) * | 2022-08-01 | 2022-09-02 | 江西财经大学 | 基于缩略图格式保留的隐私保密方法、系统及存储介质 |
CN115102983A (zh) * | 2022-06-13 | 2022-09-23 | 国网河南省电力公司信息通信公司 | 基于压缩感知的电力物联网多源异构数据信号处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036576A (zh) * | 2012-12-20 | 2013-04-10 | 南开大学 | 基于压缩传感理论的一种二值稀疏信号重构算法 |
CN106899305A (zh) * | 2017-01-07 | 2017-06-27 | 陕西尚品信息科技有限公司 | 一种基于第二代小波的原始信号重构方法 |
CN107016656A (zh) * | 2017-04-01 | 2017-08-04 | 中国科学院光电技术研究所 | 基于压缩感知的图像重建中的小波稀疏基优化方法 |
-
2017
- 2017-08-30 CN CN201710760479.2A patent/CN107516301A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036576A (zh) * | 2012-12-20 | 2013-04-10 | 南开大学 | 基于压缩传感理论的一种二值稀疏信号重构算法 |
CN106899305A (zh) * | 2017-01-07 | 2017-06-27 | 陕西尚品信息科技有限公司 | 一种基于第二代小波的原始信号重构方法 |
CN107016656A (zh) * | 2017-04-01 | 2017-08-04 | 中国科学院光电技术研究所 | 基于压缩感知的图像重建中的小波稀疏基优化方法 |
Non-Patent Citations (2)
Title |
---|
WEI ZIRAN 等: "Structural Optimization of Measurement Matrix in Image Reconstruction Based on Compressed Sensing", 《ELECTRONICS INFORMATION AND EMERGENCY COMMUNICATION (ICEIEC)》 * |
李明 等: "Legendre序列测量矩阵的构造研究", 《信息工程大学学报》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108233943B (zh) * | 2018-01-23 | 2020-06-19 | 浙江大学 | 一种基于最小相关性测量矩阵的压缩感知方法 |
CN108233943A (zh) * | 2018-01-23 | 2018-06-29 | 浙江大学 | 一种基于最小相关性测量矩阵的压缩感知方法 |
CN108171680A (zh) * | 2018-01-24 | 2018-06-15 | 沈阳工业大学 | 应用于结构光图像的超稀疏cs融合算法 |
CN108171680B (zh) * | 2018-01-24 | 2019-06-25 | 沈阳工业大学 | 应用于结构光图像的超稀疏cs融合方法 |
CN108447033A (zh) * | 2018-03-12 | 2018-08-24 | 浙江大学 | 奇异值分解和天牛须寻优算法的灰度图像自适应增强方法 |
CN108447033B (zh) * | 2018-03-12 | 2022-03-18 | 浙江大学 | 奇异值分解和天牛须寻优算法的灰度图像自适应增强方法 |
CN109088638A (zh) * | 2018-08-15 | 2018-12-25 | 苏州蛟视智能科技有限公司 | 一种基于二进制测量矩阵的压缩感知方法 |
CN109559357A (zh) * | 2018-09-17 | 2019-04-02 | 衡阳师范学院 | 一种基于小波包阈值的图像块压缩感知重构方法 |
CN109584330A (zh) * | 2018-11-29 | 2019-04-05 | 中国科学院光电技术研究所 | 一种基于压缩感知逼近l0范数的梯度投影图像重建方法 |
CN109756740A (zh) * | 2019-01-18 | 2019-05-14 | 北京邮电大学 | 基于最优测量矩阵的半张量图像压缩方法和图像恢复方法 |
CN109756740B (zh) * | 2019-01-18 | 2020-02-18 | 北京邮电大学 | 基于最优测量矩阵的半张量图像压缩方法和图像恢复方法 |
CN110166055B (zh) * | 2019-05-09 | 2022-11-01 | 安徽大学 | 一种基于压缩感知的多通道压缩传感优化方法及系统 |
CN110163821A (zh) * | 2019-05-09 | 2019-08-23 | 安徽大学 | 一种基于非负约束的奇异值分解压缩鬼成像方法及系统 |
CN110166055A (zh) * | 2019-05-09 | 2019-08-23 | 安徽大学 | 一种基于压缩感知的多通道压缩传感优化方法及系统 |
CN110163821B (zh) * | 2019-05-09 | 2022-10-11 | 安徽大学 | 一种基于非负约束的奇异值分解压缩鬼成像方法及系统 |
CN111192337A (zh) * | 2019-12-24 | 2020-05-22 | 东南大学 | 基于稀疏贝叶斯学习的序贯多帧电阻抗成像图像重建算法 |
CN111192337B (zh) * | 2019-12-24 | 2022-11-15 | 东南大学 | 基于稀疏贝叶斯学习的序贯多帧电阻抗成像图像重建算法 |
CN111862256A (zh) * | 2020-07-17 | 2020-10-30 | 中国科学院光电技术研究所 | 一种在压缩感知图像重建中小波稀疏基优化方法 |
CN111862256B (zh) * | 2020-07-17 | 2023-09-19 | 中国科学院光电技术研究所 | 一种在压缩感知图像重建中小波稀疏基优化方法 |
CN112511824A (zh) * | 2020-11-27 | 2021-03-16 | 苏州浪潮智能科技有限公司 | 一种图像压缩采样方法及组件 |
WO2022110867A1 (zh) * | 2020-11-27 | 2022-06-02 | 苏州浪潮智能科技有限公司 | 一种图像压缩采样方法及组件 |
US11936869B2 (en) | 2020-11-27 | 2024-03-19 | Inspur Suzhou Intelligent Technology Co., Ltd. | Image compression sampling method and assembly |
CN112365552A (zh) * | 2021-01-11 | 2021-02-12 | 成都职业技术学院 | 一种结合奇异值分解和小波包变换的图像压缩方法 |
CN115102983B (zh) * | 2022-06-13 | 2023-06-27 | 国网河南省电力公司信息通信公司 | 基于压缩感知的电力物联网多源异构数据信号处理方法 |
CN115102983A (zh) * | 2022-06-13 | 2022-09-23 | 国网河南省电力公司信息通信公司 | 基于压缩感知的电力物联网多源异构数据信号处理方法 |
CN115002293B (zh) * | 2022-08-01 | 2022-10-25 | 江西财经大学 | 基于缩略图格式保留的隐私保密方法、系统及存储介质 |
CN115002293A (zh) * | 2022-08-01 | 2022-09-02 | 江西财经大学 | 基于缩略图格式保留的隐私保密方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516301A (zh) | 一种基于压缩感知在图像重建中测量矩阵的构造优化方法 | |
Ongie et al. | Off-the-grid recovery of piecewise constant images from few Fourier samples | |
CN102708576B (zh) | 基于结构字典的分块图像压缩感知重建方法 | |
CN103871058B (zh) | 基于压缩采样矩阵分解的红外小目标检测方法 | |
CN109584319A (zh) | 一种基于非局部低秩和全变分的图像压缩感知重构算法 | |
CN106373167A (zh) | 一种基于深度神经网络的压缩传感核磁共振成像方法 | |
CN104123705B (zh) | 一种超分辨率重建图像质量Contourlet域评价方法 | |
CN105046672A (zh) | 一种图像超分辨率重建方法 | |
CN105787895B (zh) | 基于分层高斯混合模型的统计压缩感知图像重构方法 | |
CN107170018A (zh) | 基于压缩感知在图像重建中测量矩阵的构造优化方法 | |
CN103077510B (zh) | 基于小波hmt模型的多变量压缩感知重构方法 | |
CN107527371A (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 | |
CN107016656A (zh) | 基于压缩感知的图像重建中的小波稀疏基优化方法 | |
CN102882530A (zh) | 一种压缩感知信号重构方法 | |
CN104166110A (zh) | 磁共振并行采集图像重建方法及设备 | |
CN105513048A (zh) | 基于子带信息熵度量的图像质量评价方法 | |
CN104036519A (zh) | 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法 | |
CN101609503B (zh) | 基于双流形对齐的人脸超分图像处理方法 | |
CN102609920B (zh) | 一种基于压缩感知的彩色数字图像修复方法 | |
CN103714534A (zh) | 一种基于压缩感知的材料表面缺陷检测方法 | |
CN109934884B (zh) | 一种基于变换学习和联合稀疏性的迭代自一致性并行成像重构方法 | |
CN106559670A (zh) | 一种改进的分块视频压缩感知算法 | |
CN105976329B (zh) | 一种基于时域信号低秩的频谱恢复方法 | |
CN105931184B (zh) | 基于联合优化的sar图像超分辨率方法 | |
CN107689067A (zh) | 一种基于压缩感知在图像重建中投影方式的优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171226 |
|
RJ01 | Rejection of invention patent application after publication |