基于图像块重要性预测的自适应单像素成像算法研究

摘要

传统的成像方法通常将目标图像全部采集后才进行压缩，导致采样和存储的浪费。单像素成像技术是只用一个桶探测器同时进行图像采集和压缩的成像技术。单像素成像技术常采用自适应方法进行采样，先获取目标图像低分辨信息，通过阈值确定图像重要信息后高分辨采样。自适应单像素成像方法简单快速，但预测方法不够准确导致采样率较高且成像质量低。为解决上述问题，本文设计了一种基于图像块细粒度的自适应单像素成像方法和一种基于图像块灰度熵的自适应单像素成像方法，在相近采样率条件下提高成像质量。 论文首先介绍研究背景与意义，对单像素成像技术进行介绍。然后对单像素成像技术的研究现状进行了概述，根据不同采样方法对单像素成像技术的研究成果进行分类。最后对现有基于图像块的自适应成像方法进行仿真分析，将其中存在的预测不够准确、采样率较高、成像质量低的问题作为研究目标。 设计了一种基于图像块细粒度的自适应单像素成像方法。获取目标图像的低分辨图像，将低分辨图像分为四个等大不重叠的图像块。计算每个图像块的重要小波系数，并根据重要小波系数的数目和分布将图像块划为三类：非重要块、重要块和半重要块。忽略非重要块；采样重要块的高分辨小波系数。按照相同方法循环划分半重要块直到不含半重要子块为止，并采样其所有重要子块的小波系数。本方法能够缩小采样范围，在相似采样率条件下提高成像质量。较对比算法，实验得到的平滑生物图像平均重建质量提高 0.4~15dB，纹理图像的平均重建质量提高 2~5.5dB，自然图像的平均重建质量提高0.7~15dB。 设计了一种基于图像块灰度熵的自适应单像素成像方法。获取目标图像的低分辨图像，并将其分为多个等大不重叠的图像块。计算每个图像块灰度共生矩阵的熵。结合图像块的灰度共生矩阵熵与邻域图像块的灰度共生矩阵熵计算每个图像块的复杂程度。对复杂程度大于阈值的图像块进行高分辨采样。本方法能够更准确地预测图像中的重要信息，提高相同采样率下的成像质量。较对比算法，平滑生物图像的平均重建质量提高0.8~16dB；纹理图像的平均重建质量提高1.8~5.4dB；自然图像的平均重建质量提高1.5~12.7dB。

目录

第一个书签之前