法律状态公告日
法律状态信息
法律状态
2020-05-08
未缴年费专利权终止 IPC(主分类):G06T5/00 授权公告日:20140723 终止日期:20190522 申请日:20120522
专利权的终止
2014-07-23
授权
授权
2012-12-05
实质审查的生效 IPC(主分类):G06T5/00 申请日:20120522
实质审查的生效
2012-10-10
公开
公开
技术领域
本发明属于数字图像处理领域,特别涉及一种使用主成份分析的方法训练采样矩阵,可用于对自然图像进行采样和重构。
背景技术
当今社会是信息社会,人们对信息的追求不只停留在量上,更对信号获取的速度有所要求,即怎样又快又准确地获得需要的信息,而又能尽量地避免那些冗余信息的获取和处理。压缩感知理论是新兴的一种信号采样策略,它将信号的采样过程与压缩过程成功的融为了一体。该理论的前提就是在已知信号具有稀疏性或可压缩性的条件下,对数据进行采集、编解码。其核心主要是降低对信号的测量成本,在这个过程中会利用信号的特点,以便用更小的测量次数恢复这个信号;同时,在这其中包含了许多重要数学理论,涉及到数据采集,信息处理,以及模型优化等领域的知识。压缩感知理论框架主要包括三个方面:稀疏表示,观测矩阵的设计,以及重建优化算法。压缩感知理论开创了一个更经济有效的模拟信号数字化的途径。对于任意信号来说,只要能够找到与其稀疏表示相对应的一个稀疏表示空间,就可以应用压缩感知的理论进行采样与重构。
对于一个二维图像信号来说,由于其自身的高维度,使得压缩感知理论不得不面对这样一个“维数灾难”的问题。感知矩阵的存贮与计算将耗费大量的资源,这将对构造图像信号的实时采样系统带来极大的困难。另一方面,图像的重构过程也同样的面临极高的运算复杂度。因此,图像分块采样的方法在压缩感知领域被广泛的使用。在现有的理论中,由于构造简单,且满足有限等距条件,随机观测矩阵被广泛的使用。事实证明,针对于一个未知的信号,随机观测矩阵具有很好的采样效果,能够尽可能的采得信号的大部分信息。
但是实际上,信号采样所针对的并非是一些未知的信号,而是具有某些共性的一小部分信号,即自然图像块。在这种情况下,使用随机观测的方法,必然会造成一些采样资源的浪费,并且并不能很好的把握信号的特征,会丢失大量的信息。
此外,在信号重构的过程中,信号小波系数的零范数最小先验被广泛的使用。而实际上,小波变换具有弱稀疏性,也就是说信号x在小波基Ψ下的稀疏表示α的l0范数并不是很小,从某种意义上来讲,α的l0范数是一个很大的值,因为小波变换具有“高尖峰,长拖尾”的性质,所以α中虽然有很多比较小的系数,但真正为零的系数并不是很多。因此,使用零范数最小先验重构的稀疏系数
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于主成份分析的压缩感知方法,以避免造成采样资源的浪费和图像的细节的丢失,更好的把握信号的特征,提高图像的重构效果。
为实现上述目的,本发明包括如下步骤:
(1)从灰度自然图像库中取z幅常见的灰度自然图像,15≤z≤25,对取出的每幅图像延横竖两个方向每隔3个像素取一个32×32大小的子块,组成训练样本集x1,x2,...,xm,其中m是训练样本的个数,对训练样本集x1,x2,...,xm使用主成份分析的方法训练出满秩的观测矩阵Φf;
(2)将需要被采样的图像分成n个32×32大小的图像子块x1,x2,...,xn,n为图像子块的个数,给出信号的采样率s,根据采样率s,取满秩的观测矩阵Φf的前M行作为观测矩阵Φ,其中
(3)根据观测向量y得到图像信号x的初始解:
>
其中
(4)对初始解x0进行迭代,重构出原始信号x':
4a)设定k为迭代次数,令k=0;
4b)对上一次迭代图像xk进行三维块匹配BM3D滤波平滑处理,得到滤波平滑后的图像
4c)将滤波平滑后的图像
4d)计算信号在每次迭代后与迭代前的变化情况E(k)=||xk+1-xk||2,||.||2表示2范数,如果|E(k)-E(k-1)|≤0.001或者k>100,迭代终止,重构的原始信号x'=xk+1,否则迭代次数k加1,返回步骤4b)。
本发明相比现有技术具有以下优点:
(1)本发明使用训练的感知矩阵来对信号进行采样,能够获取被感知信号的绝大部分能量,有效的利用采样资源,保留图像信号的大量信息;
(2)本发明将三维块匹配BM3D的思想引入到图像信号的重构过程中来,有效的保护了图像信号的边缘与纹理信息,使重构出的图像信号得到了更高的峰值信噪比,提高了图像的重构效果;
(3)本发明成功的将能量最小初始解与标准差最小初始解统一起来,使用伪逆法就可以得到一个很好的初始解,用这个初始解可以很好的重构出原始图像。
附图说明
图1是本发明的总流程图;
图2是用本发明训练出的变换空间示意图;
图3是用本发明训练出的满秩观测矩阵示意图;
图4是用本发明训练出的观测矩阵示意图;
图5是用本发明和BCS-SPL-DWT方法得到的重构图像的对比图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,训练出满秩的观测矩阵Φf。
为了寻求图像子块的共性,使用主成份分析的方法来训练出满秩的观测矩阵Φf,其步骤如下:
1a)从灰度自然图像库中取z幅常见的灰度自然图像,15≤z≤25,对取出的每幅图像延横竖两个方向每隔3个像素取一个32×32大小的子块,组成训练样本集x1,x2,...,xm,其中m是训练样本的个数,本次实验中取z=19,m=4935;
1b)求解出训练样本集x1,x2,...,xm的均值向量μ以及协方差矩阵
1c)求解出协方差矩阵E的特征值λj,j=0,1,...,r-1,r是特征值的个数,将它的特征值从大到小排列:λ0≥λ1≥...≥λr-1,其对应的特征向量为uj,则满秩的观测矩阵Φf=[u0,u1,...ur-1]T,T表示矩阵的转置,训练出的满秩观测矩阵Φf示意图如图3所示,满秩的观测矩阵即为变换空间矩阵,变换空间示意图如图2所示,其中图2(a)是信号空间,图2(b)是变换空间。
步骤2,给出信号的采样率s,对需要被采样的图像进行观测,得到观测向量y。
2a)将需要被采样的图像分解成n个32×32大小的图像子块x1,x2,...,xn,n为图像子块的个数;
2b)根据采样率s,取Φf的前M行作为观测矩阵Φ,其中
2c)用观测矩阵Φ对每个图像子块进行采样,得到观测向量>其中yi=Φxi,i=1,2,...,n。
步骤3,根据观测向量y得到图像信号x的初始解:
>
其中
步骤4,使用迭代方法对图像信号进行重构。
为了得到更好的重构效果,引入三维块匹配BM3D的思想来重构图像,其实现步骤如下:
4a)设定k为迭代次数,令k=0;
4b)对上一次迭代图像xk进行滤波平滑处理,得到滤波平滑后的图像
4b1)把上一次迭代图像xk分成一定大小的块,根据图像块之间的相似性,把具有相似结构的二维图像块组合在一起形成三维信号;
4b2)用联合滤波的方法对这些三维信号进行滤波处理,通过逆变换得到三维信号中所有图像块的估计值,把这些图像块的估计值返回到它们的在上一次迭代图像xk中的原始位置,对得到的有重叠的局部块进行加权平均,得到滤波平滑后的图像
4c)将滤波平滑后的图像
4d)计算信号在每次迭代后与迭代前的变化情况E(k)=||xk+1-xk||2,||.||2表示2范数,如果|E(k)-E(k-1)|≤0.001或者k>100,迭代终止,重构的原始信号x'=xk+1,否则迭代次数k加1,返回步骤4b)。
本发明的效果可以通过下面的仿真结果进一步说明。
1.仿真条件
从灰度自然图像库中取19幅常见的灰度自然图像,用来训练满秩的观测矩阵Φf;用本发明对4幅512×512大小的标准自然图像进行测试,它们分别为Lena图像,Barbara图像,Peppers图像和Goldhill图像。
本实验的目的是展示在相同采样率的情况下,本发明与现有BCS-SPL-DWT方法对自然图像的重构结果;在不同采样率情况下,本发明与现有BCS-SPL-DWT方法对自然图像重构的峰值信噪的对比结果。
仿真1、用本发明与现有BCS-SPL-DWT方法在采样率s=0.2的情况下,对两幅大小为512×512的标准自然图像Lena,Barbara进行重构,其重构结果如图5所示,其中图5(a)是用BCS-SPL-DWT方法对Lena图像的重构结果图,图5(b)是用本发明对Lena图像的重构结果图,图5(c)是用BCS-SPL-DWT方法对Barbara图像的重构结果图,图5(d)是用本发明对Barbara图像的重构结果图,从图5可以看出,本发明可以大幅度的提高重构图像的质量,无论在边缘区域还是在平滑区域重构效果都得到了大幅度的提升。
仿真2、用本发明与现有BCS-SPL-DWT方法分别在采样率s=0.2,0.3,0.4和0.5的情况下,对4幅大小为512×512的标准自然图像Lena,Barbara,Peppers和Goldhill进行重构,重构结果的峰值信噪比的对比结果如表1所示:
表1:峰值信噪比的比较结果(单位:db)
从表1可以看出,本发明可以大幅度的提高重构图像的峰值信噪比,表明重构图像的质量好。
综上,本发明提出了学习压缩感知的思想,打破了稀疏先验对压缩感知理论的统治地位,使用图像的一些空域先验与结构信息,如:标准差最小与三维块匹配BM3D最小,达到良好的重构效果。同时,本发明利用训练的方式来构造感知矩阵,这样的感知矩阵对于图像子块有着很好的采样效果,它能够采得图像信号的大多数的能量,达到很好的重构效果。
机译: 基于(TRNG)生成的令牌并分成份额的安全令牌的生成和传输的方法及其系统
机译: 基于相同方法的紧凑型GPS天线的非主匹配电路及稳定性分析方法
机译: 基于块稀疏压缩感知的红外图像重建方法及其系统