CN108986043A - 一种基于自适应的块压缩感知图像重构方法 - Google Patents
一种基于自适应的块压缩感知图像重构方法 Download PDFInfo
- Publication number
- CN108986043A CN108986043A CN201810666297.3A CN201810666297A CN108986043A CN 108986043 A CN108986043 A CN 108986043A CN 201810666297 A CN201810666297 A CN 201810666297A CN 108986043 A CN108986043 A CN 108986043A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- block
- adds
- result
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000006835 compression Effects 0.000 abstract description 13
- 238000007906 compression Methods 0.000 abstract description 13
- 230000009466 transformation Effects 0.000 abstract description 7
- 230000000903 blocking effect Effects 0.000 abstract description 4
- 238000005192 partition Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 230000019771 cognition Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20004—Adaptive image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于自适应的块压缩感知图像重构方法,通过采用不同的分块方式,对图像进行多种形式的分块,然后分别对分块结果采用最小化二范式的方法,进行压缩重构。通过比较每一种分块方法的重构结果的稀疏度,自适应地选择稀疏最大的重构结果,最后通过逆变换,得到最优的结果。本发明的方法鲁棒性强,解决了现有分块压缩感知图像重构中分块重构存在的块效应问题,提高了重构效果。
Description
技术领域
本发明涉及块压缩感知图像重构方法,特别是一种基于自适应的块压缩感知图像重构方法。
背景技术
压缩感知(Compressed Sensing,CS)是近年在图像处理领域得到广泛重视的新兴理论体系。依据压缩感知理论,若某个待采样图像是稀疏的(或者在某个变换域是稀疏的),那么从其有限的不相关测量值中,可高概率地准确恢复出原始图像。2006年,Candes,Donoho,和Tao等学者从数学上证明:可以从部分傅立叶变换系数中精确重构信号。压缩感知理论指出:对可压缩的信号可通过远低于Nyquist标准的方式进行测量数据,仍能够精确地恢复出原始信号。图片或者信号经过某种域值变换(如小波变换,傅里叶变换等)后,要比图片和信号本身要稀疏很多。通过与变换基不相关的测量矩阵来测量信号,再用测量值求解优化问题,就可以实现信号的精确重构。
为提高图像压缩感知重构精度,不少学者对块压缩开展了相关研究工作。传统的图像压缩感知技术,是将图像按列或者行,依次进行重构,然后再把重构结果合并。而块压缩感知是考虑到图像大多情况下,相邻的区域像素值相等或相近,先将图像按一定块大小,进行分割,然后对每一块进行重构,最后把重构结果合并。由于块压缩感知技术考虑到图像本身的像素特征,所以可以得到比传统图像压缩感知技术更高的重构精度。
块压缩感在众多领域有着广泛的应用。目前现有的图像块压缩感知方法存在不足之处,主要包括:(1)分块方式单一,现有的块压缩感知方法中,分割块的形状为方块为主,块的形状是固定的,实验表明,采用方块的分割方式并不能保证取得最优的重构效果;(2)部分算法重构速度慢,在实际应用中受到一定的限制;(3)在部分重构方法中,重构结果存在的块效应,重构精度还有待进一步提高。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种基于自适应的块压缩感知的图像重构方法,解决现有分块压缩感知图像重构中分块重构存在的块效应问题,提高重构的精度。
为解决上述技术问题,提出一种基于自适应的块压缩感知的图像重构方法,技术方案主要由三部分构成,
(1)采用多种形状的块对图像进行分割,而非采用传统的基于方块的分割方式。
(2)对所有的分块结果采用最小化二范式的方法,对图像进行压缩重构是通过求解以下优化问题得到原始信号的稀疏系数x
(3)提出一种自适应方案,对基于不同块分块下的重构结果,能自适应地选择最优的结果,最后通过逆变换,得到最终的重构图像,从而实现提高重构精度的目地。
本发明包括以下步骤:
1)对原图像进行基于不同块形状的块分割,得到K1个结果,即
2)设置阈值参数λ和采样比例u;原图像的尺寸为N×N,N为自然数,M=N*u,迭代参数k1=1;高斯随机矩阵 定义ε;itr为迭代次数;小波正交矩阵Ψ∈RN×N;
3)设置迭代参数k1=1,迭代计算
4)将子向量标记为即有Q个向量;
5)初始化
6)设置迭代参数i=0,
7)初始化误差参数r0=1,r-1=0;
8)如果满足条件|ri-ri-1|<10-5,调整λ,λ=0.5*λ,使λ的值为原来的1/2,并转到步骤7),否则直接进入步骤9);
9)令xi为第i次迭代结果;
10)对进行Wiener滤波操作,
11)
12)令 为的中间值;
13)迭代参数p的值置1,为的子向量。对于中的每一个子向量,定义迭代参数k=1;对于中的每个元素进入步骤14);
14)如果那么
15)k的值加1,如果k小于中元素的个数,跳转到步骤14);否则转到步骤16);
16)p的值加1,如果p小于或等于Q,则转到步骤13);否则进入步骤17);
17)计算
18)
19)
20)i的值加1,如果i<=itr,则跳转到步骤8),否则,继续步骤21);
21)k1的值加1,如果k1<=K1,则跳转到步骤3),否则,继续步骤22);
22)对于K1种分块方式,共得到K1个不同的重构结果,即设置迭代参数k1=1;
23)中元素个数为T,统计中绝对值小于ε元素的个数,定义为Z,spk1=Z/T;
24)k1的值加1,如果k1<=K1,转到步骤29);否则进入下一步骤;
25)计算spd=max{sp1,sp2,...,spK1},得到稀疏度最大的结果的下标d,即得到最大结果
26)计算
27)s'(1),s'(2),...s'(Q)为s'对应的行向量,设置迭代参数p=1,
28)将s'的每一个行向量s'(p)转化成wd×hd的块wd为hd对图像s进行块分割的具体步骤中,步骤2)中定义的第d种分块方式的长和宽;
29)p的值加1,如果p<=Q,转到步骤28);否则进入下一步骤;
30)输出新的图像
步骤1)中,采用多种形状的块,对任意图像s进行块分割的具体步骤包括:
1)对于任意图像s进行大小调整操作,使得s∈RN×N,且N=2n;
2)对调整后图像进行多种方式的分割,共有K1种分块方式,其中定义块的大小长hk和宽wk,取wk=2a-1,hk=2b,k=1,...,K1,且a=1,...,K1;b=K1-a;
3)设置迭代参数k1=1;
4)采用wk1×hk1对s图像分割,共得到Q个子块,每个子块标记为s(1),s(2),...,s(Q),设置迭代参数p=1;
5)把s(p)块转化成1×(wk1*hk1)的行向量即行为1,列为wk1*hk1;
6)令
7)p的值加1,如果p<=Q,则跳转到步骤5);否则执行步骤8);
8)输出分割后的图像
9)k1的值加1,如果k1<=K1,则跳转到步骤5);否则结束。
与现有技术相比,本发明所具有的有益效果为:本发明采用分块压缩的方法,通过采用不同的块形状,对图像进行多种形式的分割,然后分别对分块结果采用最小化二范式的方法,对图像进行压缩重构。通过比较每一个分块方法的重构结果的稀疏度,自适应地选择稀疏最大的重构结果,最后通过逆变换,得到最优的结果。本发明的方法鲁棒性强,解决了现有分块压缩感知图像重构中分块重构存在的块效应问题。
(1)采用更细节的分块方式,把对图像进行多种形式的分块,让图像中像素值相近或相似的点尽可能分割到同一个块中,从而提高重构的精度。
(2)在不同分块式下,得到多个重构结果,采用一种基于稀疏度度量的策略,自适应地选择,稀疏度最大的重构结果。并通过逆变换得到最终的重构图像。
(3)充分发挥λ对重构结果的影响,在迭代过程中,依据重构结果的误差,调节λ
的取值。达到提高重构精度的目地。
附图说明
图1是本发明一种基于自适应的块压缩感知图像重构方法的系统流程图;
图2是本发明实验采用的一个两张原图像coins.png和saturn.png;(a)coins.png;(b)saturn.png;
图3是采样为20%时,采用本发明对图2进行重构实验结果;(a)psnr=34.8781dB(b)psnr=28.9389dB。
具体实施方式
基于不同形状块的图像分割实施方法:
步骤1,对于图像s,先做大小调整操作,规一化小大为256*256的图像,使得s∈R256 ×256,且N=256=28取K1=8+1=9。
步骤2,对调整后图像进行多种方式的分割,分块方式共有K1=9中方式,其中定义9种块的大小,分别为w1×h1(1×256),w2×h2(2×128),w3×h3(4×64),
w4×h4(8×32),w5×h5(16×16),w6×h6(32×8),w7×h7(64×4),w8×h8(128×2),w9×h9(256×1)。
步骤3,对图像s进行分割操作,并定义分割后的结果为设置迭代参数k1=0,用于迭代计算不同分块方法,
步骤4,采用wk1×hk1对s图像分割,共得到256个子块,每个子块标记为s(1),s(2),...,s(256),设置迭代参数k2=1,一共迭代256次,迭代计算子块。
步骤5,把s(k2)块转化成1×256的行向量即行为1,列为256。
步骤6,
步骤7,k2=k2+1;如果k2<=256,跳转到步骤5;否则跳转到下一步骤.
步骤8,输出分割后的图像
步骤9,k1=k1+1;如果k1<=9,跳转到步骤4;否则结束。
定义小波正交矩阵Ψ∈R256×256,一般情况下的自然图像s不是稀疏,通过X=Ψs,;对图像进行稀疏化处理,得到稀疏化的信息号X。
自适分块压缩感知图像重构算法步骤,
步骤1,采用基于不同形状块的图像分割实施方法,对图像进行块分割,得到9个结果,即K1=9,共每种方法得到256个子块,即Q=256,。迭代计算次数K2=256.
步骤2,阈值参数λ=6;ε=0.01;,定义采样率为0.5,取M=256*0.5=128,高斯随机矩阵Φ∈R128×256,
步骤3,设置迭代参数k1=1迭代计算
步骤4,对于转换后的图像子向量标记为迭代计算子块。
步骤5,
步骤6,设置迭代参数itr=100,i=0,
步骤7,初始化误差参数r0=1,r-1=0。
步骤8,如果满足条件|ri-ri-1|<10-5,调整λ,使λ的值为原来的1/2,并转到
步骤7),否则直接进入步骤9)。
步骤9,xi=[xi(1),xi(2),...,xi(256)],对xi进行Wiener滤波操作,步骤10,
步骤11,计算, 为计算的中间值,
步骤12,设置迭代参数p=1,对于中的每一个子块,迭代计算以下操作:
步骤13,定义迭代参数k=1;中共有256个完素,对于中的每个元素完成阈值操作.
步骤14,如果那么
步骤15,k=k+1;如果k>256,转到下一步;否则跳转到步骤14。
步骤16,p=p+1;如果p<=256,转到步骤13;否则跳到下一步;
步骤17,计算
步骤18,
步骤19,
步骤20,i=i+1,如果i<=100跳转到步骤8否则,结束循环,继续下一步骤.
步骤21,k1=k1+1,如果k1<=9跳转到步骤4,否则,结束循环,继续下一步骤.
步骤22,对于9种分块方式,共得到9个不同的重构结果,即设置迭代参数k1=1,对于每一个结果,迭代计算。
步骤23,中元素个数为T,统计中绝对值小于ε元素的个数,定义为Z,计算spk1=Z/T
步骤24,k1=k1+1;如果k1<=9,转到步骤23;否则跳到下一步。
步骤25,计算max(sp1,sp2,...,sp9),得到稀疏度最大的结果的下标d,得到最大结果.
步骤26,计算
步骤27,s'(1),s'(2),...s'(256)为s'对应的行向量,设置迭代参数p=1,
步骤28,对s'图像的每一个行向量s'(p),转化成wd×hd的块wd为hd基于不同形状块的图像分割实施方法中定义的第d种分块方式的长和宽。
步骤29,p的值加1,如果p<=256,转到步骤28);否则进入下一步骤;
步骤30,得到新的图像,并输出图像
表1基于不同采样率下,采用不同地重构算法重构coins.png图像的PSNR结果比较
方法 | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 |
SP | 8.6140dB | 10.8335 | 15.3583dB | 19.0546dB | 22.4958dB |
OMP | 11.2838dB | 13.8902dB | 18.9422dB | 23.4639dB | 26.8317dB |
BOMP | 16.3238dB | 19.4649dB | 21.6885dB | 23.8098dB | 26.0503dB |
CoSamp | 10.5429dB | 11.4296dB | 13.7771dB | 17.6289dB | 20.7148dB |
BCoSamp | 13.6000dB | 15.3981dB | 18.0270dB | 20.2280dB | 22.1882dB |
BCS_SPL | 24.2305dB | 28.0978dB | 36.1120dB | 39.0663dB | 41.3501dB |
New | 29.8787dB | 34.8781dB | 38.3583dB | 41.1370dB | 44.0048dB |
表2基于不同采样率下,采用不同地重构算法重构saturn.png图像的PSNR结果比较
方法 | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 |
SP | 8.6140dB | 10.8335dB | 15.3583dB | 19.0546dB | 22.4958dB |
OMP | 11.2838dB | 13.8902dB | 18.9422dB | 23.4639dB | 26.8317dB |
BOMP | 16.3238dB | 19.4649dB | 21.6885dB | 23.8098dB | 26.0503dB |
CoSamp | 10.5429dB | 11.4296dB | 13.7771dB | 17.6289dB | 20.7148dB |
BCoSamp | 13.6000dB | 15.3981dB | 18.0270dB | 20.2280dB | 22.1882dB |
BCS_SPL | 22.4666dB | 26.1024dB | 27.9982dB | 29.7102dB | 31.2721dB |
本发明 | 26.5844dB | 28.9389dB | 30.7383dB | 32.2955dB | 33.9197dB |
在表1和表2中,
(1)SP[1],OMP[2],CoSaMP[3]表示三种传统的压缩感知方法,BOMP[4],BCoSamp[5],BCS_SPL[6]表示传统的块压缩感知方法。
(2)表格第一行,0.1到0.9表示采样率。表格第一列的第二行到最后一行表示所采用的方法。
(3)表格中的其它数据表示,采用不同方法得重构结果与原图像比较,得到的PSNR(Peak Signal to Noise Ratio)值,PSNR值越大,表示重构结果越好。
参考文献
[1]Dai,Wei,and Olgica Milenkovic."Subspace pursuit for compressivesensing signal reconstruction."IEEE transactions on Information Theory 55.5(2009):2230-2249.
[2]Tropp,Joel A.,and Anna C.Gilbert."Signal recovery from randommeasurements via orthogonal matching pursuit."IEEE Transactions oninformation theory 53.12(2007):4655-4666.
[3]Eldar,Yonina C.,Patrick Kuppinger,and Helmut Bolcskei."Block-sparse signals:Uncertainty relations and efficient recovery."IEEETransactions on Signal Processing58.6(2010):3042-3054.
[4]Davenport,Mark A.,Deanna Needell,and Michael B.Wakin."Signal spaceCoSaMP for sparse recovery with redundant dictionaries."IEEE Transactions onInformation Theory 59.10(2013):6820-6829.
[5]Zhao,Huihuang,et al."Solder joint imagery compressing and recoverybased on compressive sensing."Soldering&Surface Mount Technology 26.3(2014):129-138.
[6]Mun,Sungkwang,and James E.Fowler."Block compressed sensing ofimages using directional transforms."Image Processing(ICIP),2009 16th IEEEInternational Conference on.IEEE,2009.
Claims (2)
1.一种基于自适应的块压缩感知图像重构方法,包括以下步骤:
1)对原图像进行基于不同块形状的块分割,得到K1个结果,即
2)设置阈值参数λ和采样比例u;原图像的尺寸为N×N,N为自然数,M=N*u,迭代参数k1=1;高斯随机矩阵 定义ε;itr为迭代次数;小波正交矩阵Ψ∈RN×N;
3)设置迭代参数k1=1,迭代计算
4)将子向量标记为即有Q个子向量;
5)初始化
6)设置迭代参数i=0,
7)初始化误差参数r0=1,r-1=0;
8)如果满足条件|ri-ri-1|<10-5,调整λ,使λ的值为原来的1/2,并转到步骤7),否则进入步骤9);
9)令xi为第i次迭代结果;
10)对进行Wiener滤波操作,
11)令
12)令 为的中间值;
13)迭代参数p的值设置为1,将子向量标记为对于中的每一个子向量,定义迭代参数k=1;对于中的每个元素进入步骤14);
14)如果那么
15)k的值加1,如果k小于中元素的个数,跳转到步骤14);否则转到步骤16);
16)p的值加1,如果p小于或等于Q,则转到步骤13);否则进入步骤17)
17)计算
18)计算
19)
20)i的值加1,如果i<=itr,则跳转到步骤8),否则,继续步骤21);
21)k1的值加1,如果k1<=K1,则跳转到步骤3),否则,继续步骤22);
22)对于K1种分块方式,共得到K1个不同的重构结果,即设置迭代参数k1=1;
23)中元素个数为T,统计中绝对值小于ε元素的个数,定义为Z,spk1=Z/T;
24)k1的值加1,如果k1<=K1,转到步骤29);否则进入步骤25);
25)计算spd=max{sp1,sp2,...,spK1},得到稀疏度最大的结果的下标d,即得到最大结果
26)计算
27)令s'(1),s'(2),...s'(Q)为s'对应的行向量,将迭代参数p置1;
28)将s'的每一个行向量s'(p)转化成wd×hd的块wd,hd分别为第d种分块方式的长和宽;
29)p的值加1,如果p<=Q,转到步骤28);否则进入下一步骤;
30)输出新的图像
2.根据权利要求1所述的基于自适应的块压缩感知图像重构方法,其特征在于,步骤1)中,采用多种形状的块,对任意图像s进行分割,具体步骤包括:
1)对于任意图像s进行大小调整操作,使得s∈RN×N,且N=2n;
2)对调整后图像进行多种方式的分割,共有K1种分块方式,其中定义块的大小长hk和宽wk,取wk=2a-1,hk=2b,k=1,...,K1,且a=1,...,K1;b=K1-a;
3)设置迭代参数k1=1;
4)采用wk1×hk1对s图像分割,共得到Q个子块,每个子块标记为s(1),s(2),...,s(Q),设置迭代参数p=1;
5)把s(p)块转化成1×(wk1*hk1)的行向量即行为1,列为wk1*hk1;
6)令
7)p的值加1,如果p<=Q,则跳转到步骤5);否则执行步骤8);
8)输出图像分割后的结果
9)k1的值加1,如果k1<=K1,则跳转到步骤4);否则结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810666297.3A CN108986043B (zh) | 2018-06-26 | 2018-06-26 | 一种基于自适应的块压缩感知图像重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810666297.3A CN108986043B (zh) | 2018-06-26 | 2018-06-26 | 一种基于自适应的块压缩感知图像重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108986043A true CN108986043A (zh) | 2018-12-11 |
CN108986043B CN108986043B (zh) | 2021-11-05 |
Family
ID=64538245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810666297.3A Active CN108986043B (zh) | 2018-06-26 | 2018-06-26 | 一种基于自适应的块压缩感知图像重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986043B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908890A (zh) * | 2010-07-30 | 2010-12-08 | 哈尔滨工业大学 | 分块大小未知的块稀疏信号的盲重构方法 |
US20110109773A1 (en) * | 2009-11-10 | 2011-05-12 | General Electric Company | System and method for adaptive nonlinear compressed visual sensing |
US20160178720A1 (en) * | 2014-12-17 | 2016-06-23 | Siemens Aktiengesellschaft | Memory Efficiency Of Parallel Magnetic Resonance Imaging Reconstruction |
CN106663316A (zh) * | 2016-08-30 | 2017-05-10 | 深圳大学 | 一种基于块稀疏压缩感知的红外图像重构方法及其系统 |
CN106686385A (zh) * | 2016-12-30 | 2017-05-17 | 平安科技(深圳)有限公司 | 视频压缩感知重构方法及装置 |
CN107330946A (zh) * | 2017-06-05 | 2017-11-07 | 中国农业大学 | 一种基于压缩感知的图像处理方法及装置 |
-
2018
- 2018-06-26 CN CN201810666297.3A patent/CN108986043B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110109773A1 (en) * | 2009-11-10 | 2011-05-12 | General Electric Company | System and method for adaptive nonlinear compressed visual sensing |
CN101908890A (zh) * | 2010-07-30 | 2010-12-08 | 哈尔滨工业大学 | 分块大小未知的块稀疏信号的盲重构方法 |
US20160178720A1 (en) * | 2014-12-17 | 2016-06-23 | Siemens Aktiengesellschaft | Memory Efficiency Of Parallel Magnetic Resonance Imaging Reconstruction |
CN106663316A (zh) * | 2016-08-30 | 2017-05-10 | 深圳大学 | 一种基于块稀疏压缩感知的红外图像重构方法及其系统 |
CN106686385A (zh) * | 2016-12-30 | 2017-05-17 | 平安科技(深圳)有限公司 | 视频压缩感知重构方法及装置 |
CN107330946A (zh) * | 2017-06-05 | 2017-11-07 | 中国农业大学 | 一种基于压缩感知的图像处理方法及装置 |
Non-Patent Citations (5)
Title |
---|
HUIHUANG ZHAO 等: "Compressive sensing for noisy solder joint imagery based on convex optimization", 《SOLDERING & SURFACE MOUNT TECHNOLOGY》 * |
HUIHUANG ZHAO 等: "Solder joint imagery compressing and recovery based on compressive sensing", 《SOLDERING & SURFACE MOUNT TECHNOLOGY》 * |
SHUANGJIANG LI: "Compressed Sensing in Resource-Constrained Environments_ From Sensing Mechanism Design to Recovery Algorithms", 《UNIVERSITY OF TENNESSEE》 * |
刘钢: "基于压缩感知和稀疏表示理论的图像去噪研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
程德强 等: "自适应多尺度分块压缩感知算法", 《中国图象图形学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108986043B (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101908889B (zh) | 一种块稀疏度未知的稀疏信号压缩感知重构方法 | |
CN112884851B (zh) | 基于展开迭代优化算法的深度压缩感知网络的构建方法 | |
CN105451024B (zh) | 一种采用压缩感知的数字全息图编码传输方法 | |
CN108419083B (zh) | 一种图像多级小波全子带压缩感知编码方法 | |
CN103237204B (zh) | 基于高维压缩感知的视频信号采集与重构系统 | |
CN103077510B (zh) | 基于小波hmt模型的多变量压缩感知重构方法 | |
CN109887050B (zh) | 一种基于自适应字典学习的编码孔径光谱成像方法 | |
CN104200436A (zh) | 基于双树复小波变换的多光谱图像重构方法 | |
CN107767337A (zh) | 一种图像超分辨率重建方法、装置、移动终端及存储介质 | |
CN112435162A (zh) | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 | |
CN105021280A (zh) | 基于全色和压缩光谱成像的图像超分辨率系统及方法 | |
CN108986043A (zh) | 一种基于自适应的块压缩感知图像重构方法 | |
CN111243047A (zh) | 基于自适应非线性网络的图像压缩感知方法及相关产品 | |
Wang et al. | Image reconstruction from patch compressive sensing measurements | |
CN109559357B (zh) | 一种基于小波包阈值的图像块压缩感知重构方法 | |
Manimala et al. | Sparse recovery algorithms based on dictionary learning for MR image reconstruction | |
CN104867167B (zh) | 一种基于压缩感知的影像两步重构法 | |
Habibi et al. | Bandwidth compression of multispectral data | |
Gantenapalli et al. | Selective mean filtering for reducing impulse noise in digital color images | |
Prabukumar et al. | Compressed Domain Contrast and Brightness Improvement Algorithm for Color Images through Contrast Measuring and Mapping of DWT Coefficients | |
Al-Khafaji | Image Improvement Using The Combination of Wavelet and Multiwavelet Transform | |
CN106709873B (zh) | 一种基于三次样条插值和迭代更新的超分辨率方法 | |
El Mahdaoui et al. | Image recovery using total variation minimization on compressive sensing | |
Pandey | Analysis of image compression using wavelets | |
Chavez-Roman et al. | Image resolution enhancement using edge extraction, sparse representation and interpolation in wavelet domain |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |