CN111147863B - 基于张量的视频快照压缩成像恢复方法 - Google Patents
基于张量的视频快照压缩成像恢复方法 Download PDFInfo
- Publication number
- CN111147863B CN111147863B CN201911389380.1A CN201911389380A CN111147863B CN 111147863 B CN111147863 B CN 111147863B CN 201911389380 A CN201911389380 A CN 201911389380A CN 111147863 B CN111147863 B CN 111147863B
- Authority
- CN
- China
- Prior art keywords
- tensor
- matrix
- order
- representing
- target
- 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
Images
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
- H04N19/44—Decoders specially adapted therefor, e.g. video decoders which are asymmetric with respect to the encoder
-
- 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
- H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
- H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
- H04N19/176—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a block, e.g. a macroblock
-
- 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
- H04N19/189—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the adaptation method, adaptation tool or adaptation type used for the adaptive coding
- H04N19/19—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the adaptation method, adaptation tool or adaptation type used for the adaptive coding using optimisation based on Lagrange multipliers
-
- 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
- H04N19/189—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the adaptation method, adaptation tool or adaptation type used for the adaptive coding
- H04N19/192—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the adaptation method, adaptation tool or adaptation type used for the adaptive coding the adaptation method, adaptation tool or adaptation type being iterative or recursive
-
- 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
- H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
- H04N19/36—Scalability techniques involving formatting the layers as a function of picture distortion after decoding, e.g. signal-to-noise [SNR] scalability
-
- 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
- H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
- H04N19/97—Matching pursuit coding
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于张量的视频快照压缩成像恢复方法,主要解决现有技术解码恢复视频质量差且耗时长的问题。其实现方案是:1)输入压缩数据帧和掩码张量;2)利用输入压缩数据帧,自适应计算压缩数据帧对应的噪声方差;3)根据1)和2)的结果,以非中心相似块张量的加权张量核范数作为约束,通过交替方向乘子法初步得到要恢复的目标图像;4)以非中心相似块矩阵的加权矩阵核范数作为约束,通过交替方向乘子法对初步得到的目标图像进行细节补全,最终获得要恢复的目标图像。本发明与现有技术相比,减少了运行时间,提高了图像恢复的精度,可用于高速压缩视频和高光谱压缩图像的解码。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种视频快照压缩成像恢复方法,可用于高速压缩视频和高光谱压缩图像的解码。
背景技术
视频快照压缩成像SCI是计算机视觉中的一个基本问题。压缩感知是一种从少量低维测量数据中获取和重建高维信号的强大技术。在压缩感知的启发下,各种计算成像系统应运而生。作为计算成像的一个重要分支,快照压缩成像成为今年来的研究热点。快照压缩成像SCI是一种利用现有的低维传感器捕获高维信号的技术,其中最主要的特点是多个图像帧被映射到单个测量帧中,然后使用一种解码器算法来重构所需的信号。
然而,现有的大多数解码方法重建的图像质量较差,限制了快照压缩成像的广泛应用。快照压缩感知是具有挑战性的问题,主要有以下原因:1)目前所有的解码方法将视频看作一系列矩阵,视频数据中的空-时关系没有被利用;2)目前较好的解码方法并不是对所有的视频恢复效果都好,不具备普适性;3)解码方法中的冗余块提取和矩阵奇异值分解耗费了大量的内存和运行时间。
现有的主流快照压缩成像恢复方法主要是利用视频的先验知识来恢复目标图像,如高斯混合模型GMM,全差分方法TV等,这些方法都是基于矩阵的方法来恢复目标图像的,不能很好的利用视频数据中的空-时关系,导致恢复的效果译码性能差或者无法解码出目标帧。其中Xin Yuan等人在文章Rank Minimization for Snapshot Compressive Imaging(IEEE Transactions on Pattern Analysis and Machine Intelligence(TPAMI),2018.)中针对快照压缩成像恢复问题提出了一种有效的解压缩恢复方法,该方法将SCI压缩采样模型与视频非局部相似块的加权核范数结合,提出了SCI图像重建的联合模型,使用交替方向乘子法ADMM对SCI图像模型迭代优化得到目标图像,是目前处理SCI恢复图像最好的方法。然而,该方法并不能对所有的快照压缩数据都恢复出较为满意的结果,部分视频数据细节恢复效果较差,且冗余的块匹配和矩阵奇异值分解都会耗费较大的计算机内存和较长的运行时间。
发明内容
本发明的目的在于针对上述现有技术存在的不足,提出一种基于张量的两阶段自适应视频快照压缩成像恢复方法,以更好地恢复出目标图像的细节,并且缩短运行时间,快速有效地解码出目标视频帧。
为实现上述目的,本发明基于张量的视频快照压缩成像恢复方法,其技术步骤包括如下:
(1)输入压缩数据帧Y和掩码张量其中,压缩数据帧掩码张量压缩数据帧为F个连续视频帧的第f帧,1≤f≤F,作为三阶张量视频数据的第f个正面切面,为与第f帧视频相对应的掩码矩阵,其为0和1构成的稀疏矩阵,作为三阶掩码张量的第f个正面切面,n1和n2分别表示每一帧视频帧的长和宽,⊙表示基于元素的矩阵乘积,为噪声;
本发明与现有技术相比具有以下优点:
第一,由于本发明在解决视频快照压缩成像恢复问题时采用块匹配的方法,将非局部相似块构建成一个三阶张量,可以有效的获得视频数据的空-时结构信息,即一个视频内以及跨视频帧间的结构信息,提高了视频快照压缩成像恢复的恢复精度。
第二,由于本发明利用非局部相似块构建成的三阶张量,以加权张量核范数作为约束,在张量的变换域进行迭代求解,来恢复被压缩的视频,在变换域进行处理使得我们的迭代求解具有更快的收敛性,提高了视频快照压缩成像恢复的处理速度。
第三,由于本发明在解决视频快照压缩成像恢复问题时采用两阶段的迭代译码求解过程,第一阶段以非局部相似块张量的加权张量核范数作为约束,通过交替方向乘子法初步得到要恢复的目标图像,第二阶段以非局部相似块矩阵的加权矩阵核范数作为约束,通过交替方向乘子法对初步得到的目标图像进行细节补全,从而使得本方法具有更快的收敛性和更高的恢复精度。
第四,由于本发明在解决视频快照压缩成像恢复问题时采用的是自适应计算输入压缩帧的噪声方差参数的方法,克服了现有技术必须多次手动设置噪声方差参数,并通过实验验证来寻找最优噪声方差的缺点,提高了算法实现的自适应性。
附图说明
图1是本发明的实现流程图;
图2是不同恢复方法在科比数据集上的视觉恢复效果图;
图3是不同恢复方法在交通数据集上的视觉恢复效果图;
图4是不同恢复方法在调制盘数据集上的视觉恢复效果图;
图5是不同恢复方法在三维球数据集上的视觉恢复效果图;
图6是不同恢复方法在锤子数据集上的视觉恢复效果图。
具体实施方式
下面结合附图对本发明的实施例和效果作详细描述。
本发明是一种基于张量的两阶段的自适应视频快照压缩成像恢复方法,通过两阶段的迭代译码过程实现快照压缩感知图像的恢复,第一阶段以非局部相似块张量的加权张量核范数作为约束,通过交替方向乘子法初步得到要恢复的目标图像,第二阶段以非局部相似块矩阵的加权矩阵核范数作为约束,通过交替方向乘子法对初步得到的目标图像进行细节补全,最终得到要恢复的视频数据。
参照图1,本实例的实现步骤如下。
其中,Yij表示压缩数据帧中第i行第j列的元素,Y0ij表示压缩数据帧中第i行第j列的元素,1≤i≤n1,1≤j≤n2,n1和n2分别表示每一数据帧的长和宽,B=αF,α表示三阶掩码张量中元素1所占的百分比,0<α<1,F表示被压缩的视频帧数,为已处理过的压缩数据帧Y0对应的最优初始噪声方差;
其中,为目标张量,为辅助张量,为拉格朗日乘子张量,表示由三阶张量得到的N1个非局部相似块张量的第i个张量,1≤i≤N1,表示从辅助张量到尺寸为n1×n2的压缩帧的压缩映射操作,为三阶辅助张量的第f个正面切面,为三阶掩码张量的第f个掩码矩阵,其元素为0和1构成的稀疏矩阵,1≤f≤F,n1和n2分别表示每一视频帧的长和宽,F表示被压缩的视频帧数,⊙表示基于元素的矩阵乘积,||·||wt,*表示三阶张量的加权核范数,||·||F表示三阶张量的Frobenius范数,η为平衡目标函数函数的第一项和第二项的参数,ρ为惩罚因子;
第二步,以每个中心块矩阵Bi,1≤i≤N1,为中心建立一个尺寸为L1×L2×T1的搜索窗,这里L1和L2表示一个视频帧内的空间上窗口的大小,T1表示跨视频帧时间上的窗口大小;
具体求解方法参见“Rank Minimization for Snapshot Compressive Imaging”(Yang Liu,Xin Yuan,IEEE Transactions on Pattern Analysis and MachineIntelligence(TPAMI),2018.);
3.3.3)根据3.3.2)得到的辅助变量第k-1轮迭代得到的拉格朗日乘子张量和步骤3.1中的目标函数求解目标张量为第k轮迭代需要求解的目标张量其求解过程为固定辅助变量为拉格朗日乘子张量为由目标函数求解目标张量转化为以下最小化问题:
其中,表示由三阶目标张量得到的N1个非局部相似块张量的第i个张量,1≤i≤N1,的构造方法见步骤3.1),表示由三阶张量得到的N1个非局部相似块张量的第i个张量,1≤i≤N1,由三阶张量构造相似块张量的方法与构造相似块三阶张量的方法相同;
3.3.4)对每个相似块张量1≤i≤N1,进行张量奇异值分解其中,张量其中为相似块张量的奇异值对角张量,和为两个正交张量,表示的共轭转置,·表示两个张量的t-积,对于任意两个三阶张量和其t-积为:定义三阶张量第q行第w列的元素为:
4.1)利用非局部相似块矩阵,以加权矩阵核范数作为约束,得到交替方向乘子法框架下的增广拉格朗日目标函数为:
其中,为目标张量,为拉格朗日乘子张量,为辅助变量,η为平衡目标函数的第一项和第二项的参数,ρ为惩罚项因子,||·||w,*表示矩阵的加权核范数,||·||F表示三阶张量的Frobenius范数,Ah表示由三阶张量构成的第h个非局部相似块矩阵,1≤h≤N2,表示从三阶张量到尺寸为n1×n2的压缩帧的压缩映射操作,为三阶张量的第f个正面切面,为三阶掩码张量的第f个掩码矩阵,其元素为0和1构成的稀疏矩阵,1≤f≤F,n1和n2分别表示每一视频帧的长和宽,F表示被压缩的连续视频帧数,⊙表示基于元素的矩阵乘积;
第二步,以每个中心块向量ah,1≤h≤N2,为中心建立一个尺寸为L3×L4×T2的搜索窗,其中,L3×L4表示一个视频帧内的空间上的窗口大小,T2表示跨视频帧时间上的窗口大小;
具体求解方法参见“Rank Minimization for Snapshot Compressive Imaging”(Yang Liu,Xin Yuan,IEEE Transactions on Pattern Analysis and MachineIntelligence(TPAMI),2018.);
4.2.3)根据4.2.2)得到的辅助变量第k-1轮得到的拉格朗日乘子张量和4.1)中的目标函数求解目标张量为第k轮迭代需要求解的目标张量其求解过程为固定辅助变量为拉格朗日乘子张量为由目标函数求解目标张量转化为以下最小化问题:
Sw(Σh)jj=max(Σhjj-wj,0),1≤j≤min(d3d4,M2),
本发明的效果可通过以下仿真结果进一步说明:
一.仿真条件
本发明仿真使用的数据分为合成数据集和真实数据集,其中:
合成数据集,包括科比数据集、交通数据集、奔跑者数据集和水滴数据集。
真实数据集,是采用专用设备拍摄的高速视频数据,其包括调制盘数据集、三维球数据集、锤子数据集,由于是真实数据集,所以这三组视频数据没有真实的原始图像。
本实验所使用的合成数据集的尺寸n1×n2×F为256×256×8,所使用的调制盘数据集的尺寸为256×256×14,三维球数据集和锤子数据集尺寸为512×512×22,步骤3.1)非局部相似块个数设置为M1=40,搜索窗尺寸参数L1×L2×T1设置为20×20×8,步骤4.1)非局部相似块个数设置为M2=40,搜索窗尺寸参数L3×L4×T2设置为20×20×8,平衡参数η设置为1,惩罚因子ρ设置为10-6,步骤3中初步估计张量时的最大迭代次数K1设置为60,步骤4中总的最大迭代次数K2设置为180。
仿真中使用的现有的视频快照压缩成像恢复方法,包括基于高斯混合模型的两种解码方法GMM-TP和MMLE-GMM、基于全差分的解码方法GAP-TV、基于低秩矩阵的解码方法DeSCI。
本方法与上述现有的GMM-TP、MMLE-GMM、GAP-TV、DeSCI恢复方法进行了性能对比。
二.仿真内容与结果分析
仿真1,用本发明和上述现有的GMM-TP、MMLE-GMM、GAP-TV、DeSCI恢复方法在科比数据集上进行的视觉恢复仿真,结果如图2,其中:
图2(a)是未压缩的原始数据集,
图2(b)是用GMM-TP方法恢复的视觉效果图,
图2(c)是用MMLE-MFA方法恢复的视觉效果图,
图2(d)是用GAP-TV方法恢复的视觉效果图,
图2(e)是用DeSCI方法恢复的视觉效果图,
图2(f)为本发明方法恢复的视觉效果图,
从图2中可以看出,本发明方法恢复视觉效果均比其他几种方法好,且结果最为准确。
仿真2,用本发明和上述现有的GMM-TP、MMLE-GMM、GAP-TV、DeSCI恢复方法在交通数据集上进行的视觉恢复仿真,结果如图3,其中:
图3(a)是未压缩的原始数据集,
图3(b)是用GMM-TV方法恢复的视觉效果图,
图3(c)是用MMLE-MFA方法恢复的视觉效果图,
图3(d)是用GAP-TV方法恢复的视觉效果图,
图3(e)是用DeSCI方法恢复的视觉效果图,
图3(f)为用本发明恢复的视觉效果图,
从图3可以看出,本发明恢复的视觉效果更好。
仿真3,用本发明和上述现有的GAP-TV、DeSCI恢复方法在调制盘数据集上进行的视觉恢复仿真,结果如图4,其中:
图4(a)是用GAP-TV方法恢复的视觉效果图,
图4(b)是用DeSCI方法恢复的视觉效果图,
图4(c)为本发明恢复的视觉效果图,
从图4可以看出,本发明的方法与其他两种恢复方法相比恢复图像更加清晰,效果更好。
仿真4,用本发明和上述现有的GAP-TV、DeSCI恢复方法在三维球数据集上进行的视觉恢复仿真,结果如图5,其中:
图5(a)是用GAP-TV方法恢复的视觉效果图,
图5(b)是用DeSCI方法恢复的视觉效果图,
图5(c)为本发明恢复的视觉效果图,
从图5可以看出,本发明法与其他两种恢复方法相比,恢复图像更加清晰,效果更好。
仿真5,用本发明和上述现有的GAP-TV、DeSCI恢复方法在锤子数据集上进行的视觉恢复仿真,结果如图6,其中:
图6(a)是用GAP-TV方法恢复的视觉效果图,
图6(b)是用DeSCI方法恢复的视觉效果图,
图6(c)为本发明恢复的视觉效果图,
从图6仿真结果可以看出,本发明的恢复效果最好。
将本发明与上述现有的GMM-TP、MMLE-GMM、GAP-TV、DeSCI恢复方法恢复的四个合成数据集的峰值信噪比PSNR和结构相似性SSIM值进行比较,结果见表1。
表1
从表1可以看出,本发明方法在合成数据集上的恢复结果与其他恢复方法定量比较,恢复效果更好,与目前最好的DeSCI方法相比,平均PSNR值提高了1.3dB,平均SSIM值提高了0.013,并且针对交通数据集上的恢复,本发明是唯一PSNR值超过30dB的方法,其中,针对每个数据集最好的恢复结果用黑体标明。
将本发明与上述现有的DeSCI恢复方法恢复的四个合成数据集的运行时间进行比较,单位为秒,结果见表2。
表2
科比数据集 | 交通数据集 | 奔跑者数据集 | 水滴数据集 | |
DeSCI | 15486 | 18037 | 19160 | 19195 |
本发明 | 3401 | 3535 | 3424 | 3467 |
从表2可以看出,本发明方法与DeSCI方法相比,运行速度提高了5倍,由此可以看出本发明方法可以更加有效地恢复出目标视频,实现更好的效果。
综上所述,本发明解决了之前方法都是基于矩阵模型,恢复的图像质量差,且浪费运行内存和时间的问题,可以有效地利用视频各帧之间的空-时关系,恢复结果精度更高,且运行时间更短。
Claims (2)
1.一种基于张量的视频快照压缩成像恢复方法,其特征在于,包括如下:
(1)输入压缩数据帧Y和掩码张量其中,压缩数据帧掩码张量压缩数据帧为F个连续视频帧的第f帧,1≤f≤F,作为三阶张量视频数据的第f个正面切面,为与第f帧视频相对应的掩码矩阵,其为0和1构成的稀疏矩阵,作为三阶掩码张量的第f个正面切面,n1和n2分别表示每一帧视频帧的长和宽,⊙表示基于元素的矩阵乘积,为噪声;
其中,为目标张量,为辅助张量,为拉格朗日乘子张量,表示由三阶张量得到的N1个非局部相似块张量的第i个张量,1≤i≤N1,表示从辅助张量到尺寸为n1×n2的压缩帧的压缩映射操作,为三阶辅助张量的第f个正面切面,为三阶掩码张量的第f个掩码矩阵,其元素为0和1构成的稀疏矩阵,1≤f≤F,n1和n2分别表示每一视频帧的长和宽,F表示被压缩的视频帧数,⊙表示基于元素的矩阵乘积,||·||wt,*表示三阶张量的加权核范数,||·||F表示三阶张量的Frobenius范数,η为平衡目标函数函数的第一项和第二项的参数,ρ为惩罚因子;
第一步,将三阶张量χ划分为N1个重叠的中心块矩阵Bi,1≤i≤N1,每个中心块矩阵Bi的大小为d1×d2;
第二步,以每个中心块矩阵Bi,1≤i≤N1,为中心建立一个尺寸为L1×L2×T1的搜索窗,这里L1和L2表示一个视频帧内的空间上窗口的大小,T1表示跨视频帧时间上的窗口大小;
第三步,在搜索窗内找出每个中心块矩阵Bi的M1-1个非局部相似块矩阵,将每个中心块矩阵和其M1-1个非局部相似块矩阵按照正面切面排列得到三阶张量1≤i≤N1,其中,三阶张量的第一个正面切面为其中心块矩阵Bi;
其中,为第k-1轮迭代求解得到的目标张量 第k-1轮迭代求解得到的拉格朗日乘子张量K1为得到三阶目标张量视频数据的初步估计张量所需的最大迭代次数,表示从辅助张量到尺寸为n1×n2的压缩帧的压缩映射操作,n1和n2分别表示每一帧视频帧的长和宽,||·||F表示三阶张量的Frobenius范数,ρ为惩罚因子;
其中,表示由三阶目标张量得到的N1个非局部相似块张量的第i个张量,1≤i≤N1,表示由三阶张量得到的N1个非局部相似块张量的第i个张量,1≤i≤N1,由三阶张量构造相似块张量的方法与构造相似块三阶张量的方法相同,||·||wt,*表示三阶张量的加权核范数;
3c4)对每个相似块张量进行张量奇异值分解其中,张量其中为相似块张量的奇异值对角张量,和为两个正交张量,表示的共轭转置,·表示两个张量的t-积,对于任意两个三阶张量和其t-积为:定义三阶张量第q行第w列的元素为:
其中,为目标张量,为拉格朗日乘子张量,为辅助变量,η为平衡目标函数的第一项和第二项的参数,ρ为惩罚项因子,||·||w,*表示矩阵的加权核范数,||·||F表示三阶张量的Frobenius范数,Ah表示由三阶张量构成的第h个非局部相似块矩阵,1≤h≤N2,表示从三阶张量到尺寸为n1×n2的压缩帧的压缩映射操作,为三阶张量的第f个正面切面,为三阶掩码张量的第f个掩码矩阵,其元素为0和1构成的稀疏矩阵,1≤f≤F,n1和n2分别表示每一视频帧的长和宽,F表示被压缩的连续视频帧数,⊙表示基于元素的矩阵乘积;由三阶目标张量得到的N2个非局部相似块矩阵的第h个矩阵Ah,通过如下步骤求解:
第二步,以每个中心块向量ah,1≤h≤N2,为中心建立一个尺寸为L3×L4×T2的搜索窗,其中,L3×L4表示一个视频帧内的空间上窗口大小,T2表示跨视频帧时间上的窗口大小;
其中,为第k-1次迭代求解得到的目标张量 为第k-1轮迭代求解得到的拉格朗日乘子张量K1+1≤k≤K2,K1为初步估计所需的最大迭代次数,K2为总的最大迭代次数,ρ为惩罚项因子,||·||F表示三阶张量的Frobenius范数,表示从三阶张量到尺寸为n1×n2的压缩帧的压缩映射操作,n1和n2分别表示每一视频帧的长和宽;
4b3)根据4b2)得到的辅助变量第k-1轮得到的拉格朗日乘子张量和4a)中的目标函数求解目标张量 为第k轮迭代需要求解的目标张量其求解过程为固定辅助变量为拉格朗日乘子张量为由目标函数求解目标张量转化为以下最小化问题:
Sw(Σh)jj=max(Σhjj-wj,0),1≤j≤min(d3d4,M2),
其中,Yij表示压缩数据帧中第i行第j列的元素,Y0ij表示压缩数据帧中第i行第j列的元素,1≤i≤n1,1≤j≤n2,n1和n2分别表示每一数据帧的长和宽,B=αF,α表示三阶掩码张量中元素1所占的百分比,0<α<1,F表示被压缩的视频帧数,为已处理过的压缩数据帧Y0对应的最优初始噪声方差;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911389380.1A CN111147863B (zh) | 2019-12-30 | 2019-12-30 | 基于张量的视频快照压缩成像恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911389380.1A CN111147863B (zh) | 2019-12-30 | 2019-12-30 | 基于张量的视频快照压缩成像恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111147863A CN111147863A (zh) | 2020-05-12 |
CN111147863B true CN111147863B (zh) | 2021-06-08 |
Family
ID=70521544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911389380.1A Active CN111147863B (zh) | 2019-12-30 | 2019-12-30 | 基于张量的视频快照压缩成像恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111147863B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115791628A (zh) * | 2021-09-10 | 2023-03-14 | 北京与光科技有限公司 | 光谱恢复方法、光谱恢复装置和电子设备 |
CN114302150B (zh) * | 2021-12-30 | 2024-02-27 | 北京超维景生物科技有限公司 | 视频编码方法及装置、视频解码方法及装置、电子设备 |
CN117273287B (zh) * | 2023-11-23 | 2024-03-08 | 山东科技大学 | 一种基于张量-矩阵耦合的地铁客流量预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063852A (zh) * | 2014-07-07 | 2014-09-24 | 温州大学 | 一种基于指数化核范数与混合奇异值截断的张量恢复方法 |
CN108876884A (zh) * | 2018-06-21 | 2018-11-23 | 汕头大学 | 一种基于非局部的张量低秩正则化的高光谱图像重建方法 |
CN110139046A (zh) * | 2019-05-05 | 2019-08-16 | 西安电子科技大学 | 一种基于张量的视频帧合成方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7902825B2 (en) * | 2008-05-19 | 2011-03-08 | The Board Of Trustees Of The Leland Stanford Junior University | Motion corrected tensor magnetic resonance imaging |
WO2015042873A1 (en) * | 2013-09-27 | 2015-04-02 | Google Inc. | Decomposition techniques for multi-dimensional data |
-
2019
- 2019-12-30 CN CN201911389380.1A patent/CN111147863B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063852A (zh) * | 2014-07-07 | 2014-09-24 | 温州大学 | 一种基于指数化核范数与混合奇异值截断的张量恢复方法 |
CN108876884A (zh) * | 2018-06-21 | 2018-11-23 | 汕头大学 | 一种基于非局部的张量低秩正则化的高光谱图像重建方法 |
CN110139046A (zh) * | 2019-05-05 | 2019-08-16 | 西安电子科技大学 | 一种基于张量的视频帧合成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111147863A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111147863B (zh) | 基于张量的视频快照压缩成像恢复方法 | |
CN113177882B (zh) | 一种基于扩散模型的单帧图像超分辨处理方法 | |
CN111626245B (zh) | 一种基于视频关键帧的人体行为识别方法 | |
CN106952317B (zh) | 基于结构稀疏的高光谱图像重建方法 | |
CN109671029B (zh) | 基于伽马范数最小化的图像去噪方法 | |
CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
CN111598786B (zh) | 一种基于深度去噪自编码网络的高光谱图像解混方法 | |
CN104732566B (zh) | 基于非分离稀疏先验的高光谱图像压缩感知方法 | |
CN114998167B (zh) | 一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法 | |
CN106504204A (zh) | 一种基于稀疏表示的单幅图像去雨方法 | |
CN107292855B (zh) | 一种结合自适应非局部样本和低秩的图像去噪方法 | |
Zou et al. | A nonlocal low-rank regularization method for fractal image coding | |
CN110097499B (zh) | 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法 | |
Huang et al. | Deep gaussian scale mixture prior for image reconstruction | |
CN112967210B (zh) | 一种基于全卷积孪生网络的无人机图像去噪方法 | |
CN106960225B (zh) | 一种基于低秩监督的稀疏图像分类方法 | |
CN112784747A (zh) | 高光谱遥感图像多尺度本征分解方法 | |
CN117291850A (zh) | 一种基于可学习低秩表示的红外偏振图像融合增强方法 | |
CN108596831B (zh) | 一种基于AdaBoost实例回归的超分辨率重建方法 | |
Seghouane et al. | RBDL: Robust block-Structured dictionary learning for block sparse representation | |
Zhang et al. | Kronecker component with robust low-rank dictionary for image denoising | |
CN110266318B (zh) | 一种在压缩感知信号重建中基于梯度投影算法的测量矩阵优化方法 | |
Liu et al. | Image Inpainting Algorithm Based on KSVD and Improved CDD | |
CN117095208B (zh) | 一种面向光电吊舱侦察图像的轻量化场景分类方法 | |
Cai et al. | Image restoration with group sparse representation and low‐rank group residual learning |
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 |