本文關(guān)鍵詞：基于冗余字典的圖像壓縮感知技術(shù)研究

  更多相關(guān)文章： 壓縮感知 測(cè)量率 稀疏字典 KSVD 圖像塊 分類

【摘要】：壓縮感知(Compressive Sensing,CS)理論基于信號(hào)的稀疏性或可壓縮性,能以遠(yuǎn)低于奈奎斯特采樣頻率的采樣速率對(duì)信號(hào)進(jìn)行采樣,并從采樣值中精確重構(gòu)原始信號(hào)。信號(hào)采樣率的下降、采樣值的減少大大降低了信號(hào)采集系統(tǒng)的硬件設(shè)計(jì)難度,同時(shí)也降低了采樣數(shù)據(jù)傳輸和存儲(chǔ)的成本。壓縮感知理論主要包括三個(gè)核心問題:具有稀疏表示能力的稀疏字典設(shè)計(jì)、滿足有限等距性質(zhì)或非相關(guān)性的觀測(cè)矩陣設(shè)計(jì)和快速精確的重構(gòu)算法設(shè)計(jì)。信號(hào)的稀疏性是壓縮感知理論的前提,通常將信號(hào)在稀疏字典下展開,獲取信號(hào)的稀疏性。觀測(cè)矩陣的構(gòu)造是壓縮感知的關(guān)鍵,觀測(cè)矩陣與稀疏字典之間要滿足不相關(guān)性。重構(gòu)算法是壓縮感知的手段,快速、精確、魯棒性強(qiáng)的重構(gòu)算法設(shè)計(jì)一直是壓縮感知理論的研究重點(diǎn)。對(duì)于圖像壓縮感知技術(shù),Gan提出了分塊壓縮感知(Block Compressive Sensing,BCS),通過將大尺寸圖像分塊,對(duì)每個(gè)圖像塊單獨(dú)進(jìn)行稀疏表示、隨機(jī)觀測(cè)和重構(gòu)處理,加快了采樣與重構(gòu)速度,并節(jié)省了存儲(chǔ)空間。本文主要針對(duì)圖像壓縮感知中隨機(jī)觀測(cè)過程和稀疏字典設(shè)計(jì)做了一些研究,具體內(nèi)容包括以下三個(gè)方面:1.傳統(tǒng)的圖像分塊壓縮感知對(duì)各個(gè)圖像塊以相同的測(cè)量率進(jìn)行壓縮采樣,但是不同的圖像塊包含的結(jié)構(gòu)特征不同,因此所需的觀測(cè)次數(shù)也不相同。本文提出一種自適應(yīng)測(cè)量率設(shè)定法,根據(jù)方差對(duì)圖像塊進(jìn)行分類,不同類圖像塊設(shè)定不同的測(cè)量率,同類圖像塊則采用相同的測(cè)量率。通過對(duì)有限觀測(cè)資源的合理分配,提高了觀測(cè)值的有效性。仿真結(jié)果表明,該方案重構(gòu)圖像質(zhì)量?jī)?yōu)于非自適應(yīng)方案。2.圖像分塊壓縮感知的稀疏字典訓(xùn)練中,所有的圖像塊均在同一稀疏字典下進(jìn)行稀疏表示,這對(duì)字典原子包含的結(jié)構(gòu)特征的豐富性提出很高要求。不同的圖像塊的特征不同,為提高字典對(duì)圖像塊的適應(yīng)性,提出基于分類圖像塊的稀疏字典訓(xùn)練方法�；诜讲顚�(duì)圖像塊分類,不同類的圖像塊訓(xùn)練設(shè)定不同的學(xué)習(xí)算法參數(shù),訓(xùn)練不同的稀疏字典。該方案訓(xùn)練字典的特征與圖像塊特征具有更好的一致性,圖像塊在字典下的稀疏逼近更加精確。3.結(jié)合自適應(yīng)測(cè)量率設(shè)定方法和基于分類圖像塊的稀疏字典訓(xùn)練方法,利用正交匹配追蹤(Orthogonal Mathing Pursuit,OMP)算法對(duì)圖像進(jìn)行重構(gòu)。合理的觀測(cè)次數(shù)的分配使得觀測(cè)值更加有效,分類訓(xùn)練的稀疏字典對(duì)各類圖像塊具有更加精確的稀疏逼近。仿真結(jié)果表明,相對(duì)于原算法,本文算法能夠獲得更好的圖像重構(gòu)結(jié)果和更高的重構(gòu)圖像PSNR值。
【關(guān)鍵詞】：壓縮感知 測(cè)量率 稀疏字典 KSVD 圖像塊 分類
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第1章 緒論10-16
• 1.1 研究背景與意義10-11
• 1.2 壓縮感知理論及其稀疏表示系統(tǒng)發(fā)展概述11-14
• 1.2.1 壓縮感知發(fā)展概述11-13
• 1.2.2 信號(hào)稀疏表示發(fā)展概述13-14
• 1.3 本文研究?jī)?nèi)容及章節(jié)安排14-16
• 第2章 壓縮感知理論16-26
• 2.1 壓縮感知數(shù)學(xué)模型16-18
• 2.2 壓縮感知核心內(nèi)容18-23
• 2.2.1 信號(hào)稀疏表示18-21
• 2.2.2 觀測(cè)矩陣設(shè)計(jì)21-22
• 2.2.3 信號(hào)重構(gòu)算法22-23
• 2.3 壓縮感知的應(yīng)用23-24
• 2.3.1 模擬—信息采樣23-24
• 2.3.2 基于壓縮感知的圖像處理24
• 2.3.3 分布式壓縮感知24
• 2.4 本章小結(jié)24-26
• 第3章 基于方差分類圖像塊的自適應(yīng)測(cè)量率設(shè)定26-36
• 3.1 圖像分塊壓縮感知26-28
• 3.2 自適應(yīng)觀測(cè)壓縮感知28-30
• 3.3 分類圖像塊自適應(yīng)測(cè)量率的設(shè)定30-32
• 3.4 仿真結(jié)果與分析32-35
• 3.5 本章小結(jié)35-36
• 第4章 基于圖像塊方差的冗余字典訓(xùn)練36-48
• 4.1 圖像稀疏表示36-37
• 4.2 KSVD算法37-39
• 4.3 基于方差分類圖像塊的字典訓(xùn)練39-40
• 4.4 仿真結(jié)果與分析40-46
• 4.5 本章小結(jié)46-48
• 第5章 基于方差分類圖像塊的重構(gòu)48-60
• 5.1 基于方差分類圖像塊重構(gòu)模型48
• 5.2 重構(gòu)算法選取48-54
• 5.2.1 OMP算法48-50
• 5.2.2 GPSR算法50-52
• 5.2.3 兩種算法重構(gòu)結(jié)果比較52-54
• 5.3 仿真結(jié)果與分析54-59
• 5.4 本章小結(jié)59-60
• 第6章 總結(jié)與展望60-62
• 6.1 本文工作總結(jié)60
• 6.2 進(jìn)一步研究展望60-62
• 參考文獻(xiàn)62-66
• 作者簡(jiǎn)介及科研成果66-67
• 致謝67

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 牛亞坤;玉振明;李陶深;;一種近似奇異值分解的觀測(cè)矩陣優(yōu)化方法[J];計(jì)算機(jī)應(yīng)用與軟件;2016年01期

2 吳光文;張愛軍;王昌明;;一種用于壓縮感知理論的投影矩陣優(yōu)化算法[J];電子與信息學(xué)報(bào);2015年07期

3 翟雪含;朱衛(wèi)平;康彬;;結(jié)合KSVD和分類稀疏表示的圖像壓縮感知[J];計(jì)算機(jī)工程與應(yīng)用;2015年06期

4 練秋生;石保順;陳書貞;;字典學(xué)習(xí)模型、算法及其應(yīng)用研究進(jìn)展[J];自動(dòng)化學(xué)報(bào);2015年02期

5 李然;干宗良;崔子冠;武明虎;朱秀昌;;圖像分塊壓縮感知中的自適應(yīng)測(cè)量率設(shè)定方法[J];通信學(xué)報(bào);2014年07期

6 黨殭;馬林華;田雨;張海威;茹樂;李小蓓;;m序列壓縮感知測(cè)量矩陣構(gòu)造[J];西安電子科技大學(xué)學(xué)報(bào);2015年02期

7 李少東;楊軍;馬曉巖;;基于壓縮感知的ISAR高分辨成像算法[J];通信學(xué)報(bào);2013年09期

8 胡正平;徐波;白洋;;Gabor特征集結(jié)合判別式字典學(xué)習(xí)的稀疏表示圖像識(shí)別[J];中國(guó)圖象圖形學(xué)報(bào);2013年02期

9 李佳;王強(qiáng);沈毅;李波;;壓縮感知中測(cè)量矩陣與重建算法的協(xié)同構(gòu)造[J];電子學(xué)報(bào);2013年01期

10 孫道達(dá);趙健;王瑞;馮寧;胡江華;;基于稀疏表示和字典學(xué)習(xí)的QR碼圖像去噪[J];西北大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年06期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 趙魏玨;基于壓縮感知的圖像超分辨率重構(gòu)算法研究[D];吉林大學(xué);2014年

2 崔白楊;基于Ridgelet冗余字典的非凸壓縮感知重構(gòu)方法[D];西安電子科技大學(xué);2013年

3 李小波;基于壓縮感知的測(cè)量矩陣研究[D];北京交通大學(xué);2010年

，

本文編號(hào)：609525