基于幾何結(jié)構(gòu)特征和自相似性的圖像壓縮感知重構(gòu)方法
【專利摘要】本發(fā)明提供了一種基于幾何結(jié)構(gòu)特征和自相似性的圖像壓縮感知重構(gòu)方法。包括判定圖像塊的結(jié)構(gòu)類型；使用同步正交匹配追蹤算法對(duì)每個(gè)圖像塊獲得重構(gòu)估計(jì)值；為每個(gè)圖像塊進(jìn)行局部和非局部相似塊匹配；產(chǎn)生初始解集，進(jìn)行優(yōu)化，得到候選解集，進(jìn)而得到圖像塊的優(yōu)化重構(gòu)估計(jì)值；將圖像塊按順序拼接起來；重構(gòu)圖像。本發(fā)明能夠有效減少圖像壓縮感知重構(gòu)的不確定性，獲得對(duì)圖像更準(zhǔn)確的重構(gòu)估計(jì)。
【專利說明】基于幾何結(jié)構(gòu)特征和自相似性的圖像壓縮感知重構(gòu)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，具體是一種基于幾何結(jié)構(gòu)特征和自相似性的圖像 壓縮感知重構(gòu)方法。

【背景技術(shù)】
[0002] 圖像的壓縮感知重構(gòu)技術(shù)研究從圖像的壓縮觀測(cè)中重構(gòu)出高質(zhì)量圖像。這種技術(shù) 為圖像獲取和處理技術(shù)提供了全新的思路和處理方法，是當(dāng)前最為引人關(guān)注的新興技術(shù)和 研究領(lǐng)域之一。該技術(shù)的研究主要包括三個(gè)方面：壓縮觀測(cè)技術(shù)、圖像的稀疏表示和壓縮感 知重構(gòu)技術(shù)。
[0003] 壓縮觀測(cè)技術(shù)研究用盡量少的壓縮觀測(cè)數(shù)據(jù)獲得重構(gòu)圖像信號(hào)所需的全部信息。 對(duì)于自然圖像可以采用分塊壓縮觀測(cè)技術(shù)。該技術(shù)將圖像分成大小相等的不重疊的圖像 塊，每個(gè)圖像塊用相同的一個(gè)高斯隨機(jī)觀測(cè)矩陣進(jìn)行觀測(cè)，從而獲得圖像的分塊壓縮觀測(cè)， 即一組圖像塊的觀測(cè)向量的集合。圖像的稀疏表示可以通過構(gòu)造過完備字典獲得。
[0004] 在"Compressed sensing by collaborative reconstruction on overcomplete dictionary, Signal Processing, 2014, vol :103, 92 - 102.^ 一文中提出了一種圖像的 壓縮感知重構(gòu)方法。該方法在重構(gòu)每個(gè)圖像塊時(shí)，利用一組與其具有相似性的圖像塊，以減 少單個(gè)圖像塊重構(gòu)時(shí)的不確定性，從而提高圖像的重構(gòu)質(zhì)量。該方法存在的不足是，僅考慮 了圖像塊之間的相似性，忽略了圖像塊自身的結(jié)構(gòu)特征，所有圖像塊均采用同一種重構(gòu)方 式，運(yùn)行速度慢。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明為克服上述已有方法的不足，綜合利用圖像塊的幾何結(jié)構(gòu)特征和圖像塊之 間的相似性，提出一種基于幾何結(jié)構(gòu)特征和自相似性的圖像壓縮感知重構(gòu)方法，以提升圖 像的重構(gòu)效果。
[0006] 本發(fā)明提供的基于幾何結(jié)構(gòu)特征和自相似性的圖像壓縮感知重構(gòu)方法，包括圖像 壓縮觀測(cè)、圖像的稀疏表示和壓縮感知重構(gòu)，且利用圖像塊之間的相似性重構(gòu)每個(gè)圖像塊， 其創(chuàng)新之處在于：還包括結(jié)合幾何結(jié)構(gòu)特征進(jìn)行壓縮感知重構(gòu)，步驟包括： 步驟1 :估計(jì)每個(gè)圖像塊的幾何結(jié)構(gòu)特征，判定它的結(jié)構(gòu)類型為光滑圖像塊、單方向圖 像塊或隨機(jī)圖像塊； 步驟2 :為每個(gè)圖像塊進(jìn)行非局部相似匹配，找到一組與其具有相同結(jié)構(gòu)類型的相似 圖像塊，即它的非局部相似塊； 步驟3 :根據(jù)每個(gè)圖像塊的結(jié)構(gòu)類型指定它的稀疏字典或重構(gòu)方式，分別將各個(gè)圖像 塊和它的非局部相似塊的壓縮觀測(cè)向量共同作為優(yōu)化目標(biāo)，利用同步正交匹配追蹤算法重 構(gòu)該圖像塊： 步驟4 :為每個(gè)圖像塊進(jìn)行非局部和局部相似匹配，找到一組它的局部相似塊； 步驟5 :每個(gè)圖像塊以及它的非局部相似塊和局部相似塊已經(jīng)獲得的一組重構(gòu)估計(jì)值 組成該圖像塊的初始解集，分別優(yōu)化初始解集里的每個(gè)解，并從優(yōu)化后獲得的候選解集中 選擇最優(yōu)者作為圖像塊的最終重構(gòu)估計(jì)值； 步驟6 :將圖像塊按順序拼接起來，得到重構(gòu)圖像。
[0007] 具體地在步驟1，計(jì)算各個(gè)圖像塊的壓縮觀測(cè)向量的方差，設(shè)定平滑閾值為所有方 差的平均值K

【權(quán)利要求】
1. 基于幾何結(jié)構(gòu)特征和自相似性的圖像壓縮感知重構(gòu)方法，包括圖像壓縮觀測(cè)、圖像 的稀疏表示和壓縮感知重構(gòu)，且利用圖像塊之間的相似性重構(gòu)每個(gè)圖像塊，其特征在于：還 包括結(jié)合幾何結(jié)構(gòu)特征進(jìn)行壓縮感知重構(gòu)，步驟包括： 步驟1 :估計(jì)每個(gè)圖像塊的幾何結(jié)構(gòu)特征，判定它的結(jié)構(gòu)類型為光滑圖像塊、單方向圖 像塊或隨機(jī)圖像塊； 步驟2 :為每個(gè)圖像塊進(jìn)行非局部相似匹配，找到一組與其具有相同結(jié)構(gòu)類型的相似 圖像塊，即它的非局部相似塊； 步驟3:根據(jù)每個(gè)圖像塊的結(jié)構(gòu)類型指定它的稀疏字典或重構(gòu)方式，分別將各個(gè)圖像 塊和它的非局部相似塊的壓縮觀測(cè)向量共同作為優(yōu)化目標(biāo)，利用同步正交匹配追蹤算法重 構(gòu)該圖像塊： 步驟4 :為每個(gè)圖像塊進(jìn)行非局部和局部相似匹配，找到一組它的局部相似塊； 步驟5 :每個(gè)圖像塊以及它的非局部相似塊和局部相似塊已經(jīng)獲得的一組重構(gòu)估計(jì)值 組成該圖像塊的初始解集，分別優(yōu)化初始解集里的每個(gè)解，并從優(yōu)化后獲得的候選解集中 選擇最優(yōu)者作為圖像塊的最終重構(gòu)估計(jì)值； 步驟6 :將圖像塊按順序拼接起來，得到重構(gòu)圖像。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于：在步驟1，計(jì)算各個(gè)圖像塊的壓縮觀測(cè)向 量的方差，設(shè)定平滑閾值為所有方差的平均值的0.4倍，將壓縮觀測(cè)向量的方差小于平滑 閾值的圖像塊判定為光滑圖像塊，其他圖像塊判定為非光滑圖像塊； 對(duì)非光滑圖像塊再進(jìn)行如下判定：將事先得到的過完備字典
1具有相同方向參數(shù)的 字典原子組成一個(gè)方向字典，共得到36個(gè)方向字J
對(duì)一個(gè)非光滑圖像塊， 以圖像塊的壓縮觀測(cè)向量為重構(gòu)目標(biāo)，分別y
&豨疏字典，設(shè)定稀疏度為10， 利用正交匹配追蹤算法進(jìn)行重構(gòu)，得到36個(gè)重構(gòu)殘差值
；找到其中的最小
--
卩么認(rèn)為該圖像塊的方向與方向f .的方 向一致，并將該非光滑圖像塊判定為單方向圖像塊，否則，將該非光滑圖像塊判疋機(jī)圖 像塊；其4
是取余數(shù)操作。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于：在步驟2,對(duì)每個(gè)圖像塊，找出與其具有相 同類型的其他圖像塊，分別計(jì)算該圖像塊的壓縮觀測(cè)向量與這些圖像塊的壓縮觀測(cè)向量之 間的歐式距離，將?
個(gè)較小的歐式距離對(duì)應(yīng)的圖像塊作為該圖像塊的非局部相似塊。
4. 根據(jù)權(quán)利要求1所述的方法，其特征在于：在步驟1包括： 3.1、將事先得到的過完備字典中，尺度參數(shù)不小=
1不大3
的原子挑選出來， 構(gòu)造成字3
其他不滿足條件的字典原子，構(gòu)造成字典》
· 3. 2、重構(gòu)一個(gè)圖像塊時(shí)，將它和它的非局部相似塊的壓縮觀測(cè)組合限據(jù)該圖像 塊的結(jié)構(gòu)類型，執(zhí)行以下相應(yīng)步驟：
3. 2. 1、如果圖像塊為光滑圖像塊，
為稀疏字典，I為優(yōu)化目標(biāo)，利用同步正交 匹配追蹤算法獲得該圖像塊的重構(gòu)估計(jì)值；
9 1 2、如果圖像塊為單方向圖像塊，將與該圖像塊的方向一致的方向字典作為稀疏字 典，t 為優(yōu)化目標(biāo)，利用同步正交匹配追蹤算法獲得該圖像塊的重構(gòu)估計(jì)值；
3. 2. 3、如果圖像塊為隨機(jī)圖像塊，首先以
為稀疏字典，
b優(yōu)化目標(biāo)，利用同步 正交匹配追蹤算法獲得該圖像塊的第一部分重構(gòu)估計(jì)值，并計(jì)算重構(gòu)殘I
，其中，
是壓縮觀測(cè)矩陣
：用同步正交匹配追蹤算法獲得的稀疏系數(shù)
?示計(jì)算 向量的二范數(shù)值；然后G
?稀疏字典，卩
為優(yōu)化目標(biāo)，利用同步正交匹配追蹤算法獲 得該圖像塊的第二部分重構(gòu)估計(jì)值；最后將第一部分和第二部分的重構(gòu)估計(jì)值相加，得到 該隨機(jī)圖像塊的重構(gòu)估計(jì)值。
5. 根據(jù)權(quán)利要求1所述的方法，其特征在于：在步驟4,將各個(gè)圖像塊的八個(gè)相鄰圖像 塊作為該圖像塊的局部相似塊。
6. 根據(jù)權(quán)利要求1所述的方法，其特征在于：在步驟5,包括：
5. 1、用一個(gè)圖像塊以及它的非局部相似塊和局部相似塊已經(jīng)獲得的重構(gòu)估計(jì)值組成 該圖像塊的初始解集； 5. 2、對(duì)初始解集里的每個(gè)解，以該圖像塊的壓縮觀測(cè)向量：Η尤化目標(biāo)，并根據(jù)產(chǎn)生 它的圖像塊的結(jié)構(gòu)類型，按以下步驟進(jìn)行優(yōu)化：
5. 2. 1、如果這個(gè)初始解是由該圖像塊產(chǎn)生，將它直接加入到候詵値隼中； 5. 2. 2、如果這個(gè)初始解是由一個(gè)光滑圖像塊產(chǎn)生，將它表示成 將稀疏向量申非
零值對(duì)應(yīng)
中的原子取出，組按如下公式計(jì)算（1)候選解，并將候選解加入候選解 集中；

(1) 其中，
g示計(jì)算一個(gè)矩陣的偽逆矩陣； 5. 2. 3、如果這個(gè)初始解是由一個(gè)單方向圖像塊產(chǎn)生，首先將它表示成
其中，
I獲得這個(gè)解的方向字典，并將稀疏向：
#非零值對(duì)應(yīng)β
書的原子取出，組成
，然后找到所有滿足式（2)條件的原子組合
最后 選辻
彳值最小的原子組彳
）口入候選解 集中；
(2) 其中
是對(duì)原子進(jìn)行參數(shù)戈_的平移操作^的取值必須確保平移后得到的原

子是字_
的元素； 5. 2. 4、如果這個(gè)初始解是由一個(gè)隨機(jī)圖像塊產(chǎn)生，采用交替迭代優(yōu)化的方法求出相應(yīng) 的候選解，加入候選解集中： 首先將它表示成
并將稀疏向邏
中非零值對(duì)應(yīng)（
中的原子取出，組成
然后依次對(duì)其中每一個(gè)原
按如下公式（3)計(jì)算 該原子的優(yōu)化目標(biāo)，并找i
各列的乘積的絕對(duì)值中對(duì)應(yīng)最大值的原子，用它 來代〗
P的所有原子重復(fù)這個(gè)過i
L得f
:最后，將
]入候選 解集中；
(3) 其中，
指
中
刪除后剩下的原子組合； 5. 3、候選集中任一個(gè)候選銷
它對(duì)的重構(gòu)殘差用如下公式（4)計(jì)算：

(4) 之后，選出具有最小重構(gòu)殘差的候選解，將它作為該圖像塊的重構(gòu)估計(jì)值。
7. 根據(jù)權(quán)利要求3所述的方法，其特征在于：其
取值為2?5。
8. 根據(jù)權(quán)利要求6所述的方法，其特征在于：其中步驟5. 2. 4中，交替迭代優(yōu)化的重復(fù) 過程次I
?值為3?10。
9. 根據(jù)權(quán)利要求6或8所述的方法，其特征在于：其中步驟5. 2. 4中，交替迭代優(yōu)化的 重復(fù)過程次I
權(quán)值為3?5。
【文檔編號(hào)】G06T11/00GK104112286SQ201410376417
【公開日】2014年10月22日 申請(qǐng)日期:2014年8月1日 優(yōu)先權(quán)日:2014年8月1日
【發(fā)明者】林樂平, 歐陽寧, 莫建文, 袁華, 張彤, 首照宇, 陳利霞 申請(qǐng)人:桂林電子科技大學(xué)