【摘要】：壓縮感知作為一種新的采樣理論,使得信號(hào)可以從遠(yuǎn)少于原始維度的觀測中重構(gòu)出來,一經(jīng)出現(xiàn)便受到了學(xué)術(shù)界的廣泛關(guān)注。經(jīng)過十多年的發(fā)展,最初的傳統(tǒng)壓縮感知漸漸轉(zhuǎn)向結(jié)構(gòu)化壓縮感知:處理對(duì)象從一維信號(hào)到二維圖像信號(hào),再到三維的視頻信號(hào);對(duì)信號(hào)稀疏性要求從信號(hào)自身的稀疏性到信號(hào)在正交字典下的稀疏性,再到冗余字典的下的稀疏性;重構(gòu)約束從固定基下信號(hào)的稀疏約束到融入更多先驗(yàn)結(jié)構(gòu)稀疏約束;從傳統(tǒng)的求解模型到與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的重構(gòu)框架。由其發(fā)展過程可見,壓縮感知的信號(hào)處理領(lǐng)域越來越廣泛,對(duì)結(jié)構(gòu)化約束的建模越來越重視,同時(shí)與現(xiàn)在學(xué)術(shù)前沿相結(jié)合,體現(xiàn)出其新的發(fā)展方向。本論文工作按照壓縮感知的發(fā)展趨勢,研究從信號(hào)自身具有稀疏性的小波域壓縮感知到可以在冗余字典下稀疏表示的空域圖像壓縮感知,再到三維的視頻域壓縮感知。在壓縮感知觀測方面,針對(duì)圖像結(jié)構(gòu)提出了基于素描特性和空間壓縮的結(jié)構(gòu)化測量方法,有效提高了壓縮感知觀測的有效性。在重構(gòu)中將信號(hào)的統(tǒng)計(jì)結(jié)構(gòu)、局部及非局部相似性與貪婪算法、自然進(jìn)化算法、深度學(xué)習(xí)算法等相結(jié)合,提出了結(jié)構(gòu)化的圖像或視頻信號(hào)重構(gòu)框架,其中包括組匹配追蹤算法、方向約束的粒子群重構(gòu)、基于內(nèi)在張量稀疏的視頻重構(gòu)、先驗(yàn)約束的組和殘差重構(gòu)網(wǎng)絡(luò)四種重構(gòu)框架。論文的主要工作包括:(1)在小波域壓縮感知重構(gòu)中,充分利用了小波系數(shù)的統(tǒng)計(jì)特性,提出了小波域下的組匹配追蹤算法。該算法針對(duì)在采樣率較低的情況下,傳統(tǒng)匹配追蹤算法中大系數(shù)位置判斷錯(cuò)誤的問題,利用小波系數(shù)具有鄰域聚集性這一先驗(yàn),將小波系數(shù)按鄰域分組,通過組相關(guān)性判斷大系數(shù)的位置,比傳統(tǒng)單個(gè)系數(shù)相關(guān)性判斷更為準(zhǔn)確;由于小波大系數(shù)常出現(xiàn)圖像邊緣位置,因此用估計(jì)的邊緣信息進(jìn)一步指導(dǎo)大系數(shù)的位置,提出了基于邊緣的組匹配追蹤算法;在對(duì)組系數(shù)求解時(shí),將組系數(shù)建模為多變量高斯模型,運(yùn)用最大后驗(yàn)的方法進(jìn)行組系數(shù)的估計(jì)。理論和實(shí)驗(yàn)證明,結(jié)合小波系數(shù)先驗(yàn)結(jié)構(gòu)的組匹配追蹤算法,降低了必需的采樣率,提高了圖像重構(gòu)質(zhì)量。(2)結(jié)構(gòu)化壓縮感知的研究包括結(jié)構(gòu)化觀測、結(jié)構(gòu)化字典和結(jié)構(gòu)化重構(gòu),將這三個(gè)方面聯(lián)合考慮,提出了基于素描特性和結(jié)構(gòu)化觀測的非凸壓縮感知重構(gòu)框架。在該框架中,提出了一種基于素描特性的結(jié)構(gòu)化觀測方法,這種觀測方法首先根據(jù)圖像的素描特性將圖像分為可素描塊和不可素描塊,其中可素描塊包括單方向塊和多方向塊,不可素描塊包括光滑塊和紋理塊。接下來,分別對(duì)不同類型圖像塊進(jìn)行聚類,對(duì)于可素描塊提出了一種基于素描線段方向的素描塊聚類方法,使得同一類圖像塊的結(jié)構(gòu)相似而不是灰度值相似。然后針對(duì)不同類型圖像塊提出了不同的觀測方法:針對(duì)光滑塊,提出了空間壓縮觀測的觀測模型;針對(duì)非光滑圖像塊,采用MMV模型來獲得測量。在提出的基于素描特性的結(jié)構(gòu)化觀測下,設(shè)計(jì)了兩類重構(gòu)方法:基于貪婪的重構(gòu)算法DR_OMP和基于粒子群優(yōu)化的重構(gòu)算法DR_HPSO。DR_OMP算法與觀測得到的類別、方向信息相結(jié)合,證明了提出觀測方法的有效性。DR_HPSO算法中,觀測得到的方向信息與字典相結(jié)合縮小了粒子的搜索范圍;將交叉、選擇算子加入到粒子群算法中,增強(qiáng)了粒子的搜索能力;方向限制的更新算子限制了粒子在正確的解空間飛行,進(jìn)一步加快了收斂。理論分析和實(shí)驗(yàn)都證明了,提出的結(jié)構(gòu)化觀測和重構(gòu)方法與結(jié)構(gòu)化Ridgelet字典相結(jié)合,顯著提升了自然圖像和可見光遙感圖像的壓縮感知性能。(3)基于卷積網(wǎng)絡(luò)的壓縮感知圖像重構(gòu)。目前在壓縮感知的圖像重構(gòu)領(lǐng)域,出現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)的壓縮感知重構(gòu)算法,相對(duì)于傳統(tǒng)算法,在較低采樣率下,它們?nèi)阅軌蚩焖贉?zhǔn)確的從壓縮感知測量中重構(gòu)出原始圖像,但是都忽略了圖像存在的自相似性。針對(duì)這一問題,提出了一種基于非局部約束的多尺度重構(gòu)網(wǎng)絡(luò),該方法通過非局部網(wǎng)絡(luò)模塊,將圖像的自相似性約束加入到重構(gòu)網(wǎng)絡(luò)中,并且采用不同卷積尺度的重構(gòu)模塊,將不同尺度重構(gòu)模塊輸出的圖像和最終輸出的圖像進(jìn)行加權(quán)作為目標(biāo)函數(shù),并且通過分階段的網(wǎng)絡(luò)訓(xùn)練,有效提高了網(wǎng)絡(luò)的訓(xùn)練效率。與其他重構(gòu)算法對(duì)比,本文提出的重構(gòu)方法能夠取得更好的重構(gòu)性能,特別是在低采樣率下表現(xiàn)尤為出色。(4)從圖像拓展到視頻域的壓縮感知重構(gòu)。相對(duì)于單幅圖像,視頻幀間具有極大的冗余性,利用視頻幀內(nèi)和幀間的相似性,建立了基于內(nèi)在張量稀疏視頻重構(gòu)模型。在該模型中,一方面通過對(duì)相似圖像塊采用時(shí)空張量稀疏懲罰項(xiàng)建立視頻的張量稀疏模型,其中采用內(nèi)在張量稀疏來度量張量的稀疏性;另一方面通過視頻幀間同一位置的相似性,將三維視頻塊建模為高斯聯(lián)合稀疏模型,用來得到初始重構(gòu)圖像。理論和實(shí)驗(yàn)表明,所提出的初始化重構(gòu)方法和張量稀疏重構(gòu)模型都有效提高了壓縮感知視頻重構(gòu)的質(zhì)量。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN911.7
【圖文】：

西安電子科技大學(xué)博士學(xué)位論文45°135°90°90°45°90°90°135° 135°90°僅有 45°素描線段僅有90°素描線段僅有135°素描線段僅有135°素描線段僅有135°素描線段僅有90°素描線段計(jì)統(tǒng)向池化方00000000 135° 90°90°:135°:4 像素2像素90°:135°:2 像素1 像素(a) (b) (c)方向統(tǒng)計(jì)分布特征的提取過程

addj ,xaddi j i j=x x x ∈X光滑塊的混合采樣和重構(gòu)過.2 基于結(jié)構(gòu)化觀測的數(shù)據(jù)發(fā)送塊的類型、分類和方向信息對(duì)圖像的重構(gòu)具有些信息，并且連同測量數(shù)據(jù)一同發(fā)送給接收方小的數(shù)據(jù)量，具體發(fā)送數(shù)據(jù)描述如下：隨機(jī)測量數(shù)據(jù)：{ }1 2, ,...,CY Y Y ，iY 是 i 類圖像塊，則iY 是一個(gè)空間壓縮測量向量，通過第 3.3iY 是 MMV 模型的測量 = Φi iY X ， Φ 為隨機(jī)高類別信息向量： ( )1 2, ,...,nl = l l l，il 是第 i 個(gè)圖像向量，可以將重構(gòu)的圖像塊拼組成重構(gòu)圖像；類別的方向信息：( , ,..., )F = f f f，如果第 i

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 程航;王子馳;張新鵬;;基于圖像塊分組的加密域可逆信息隱藏[J];北京工業(yè)大學(xué)學(xué)報(bào);2016年05期

2 馬文龍,余寧梅,銀磊,高勇;圖像塊動(dòng)態(tài)劃分矢量量化[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2005年02期

3 潘菲菲;楊濟(jì)民;;基于圖像塊分類與自適應(yīng)多字典學(xué)習(xí)的圖像壓縮感知[J];電腦知識(shí)與技術(shù);2018年05期

4 蔡榮榮;王斌;;一種基于低秩表示的高光譜圖像恢復(fù)方法[J];復(fù)旦學(xué)報(bào)(自然科學(xué)版);2017年03期

5 李軍;部分圖像塊的顯示及特技制作技巧[J];電腦編程技巧與維護(hù);1997年04期

6 張敏;;根據(jù)粗糙集理論進(jìn)行圖像塊分類的規(guī)則發(fā)現(xiàn)[J];科技創(chuàng)新導(dǎo)報(bào);2008年23期

7 陳琦,李華,朱光喜;一種新的應(yīng)用于屏幕共享的圖像塊識(shí)別算法[J];電訊技術(shù);2000年06期

8 胡昭華;姜嘯遠(yuǎn);王玨;邵曉雯;卞飛飛;;混合深度網(wǎng)絡(luò)在場景識(shí)別技術(shù)中的應(yīng)用[J];小型微型計(jì)算機(jī)系統(tǒng);2017年06期

9 魏毅;;基于分類圖像塊的加權(quán)結(jié)構(gòu)相似度的研究[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2013年23期

10 陳奮,閆冬梅,趙忠明;一種快速圖像塊填充算法及其在遙感影像處理中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2005年10期

相關(guān)會(huì)議論文 前10條

1 李趙紅;侯建軍;宋偉;;基于圖像塊等級(jí)模型的多重認(rèn)證水印算法[A];第八屆全國信息隱藏與多媒體安全學(xué)術(shù)大會(huì)湖南省計(jì)算機(jī)學(xué)會(huì)第十一屆學(xué)術(shù)年會(huì)論文集[C];2009年

2 鐘凡;莫銘臻;秦學(xué)英;彭群生;;基于WSSD的不規(guī)則圖像塊快速匹配[A];中國計(jì)算機(jī)圖形學(xué)進(jìn)展2008--第七屆中國計(jì)算機(jī)圖形學(xué)大會(huì)論文集[C];2008年

3 石榮;傅志中;宋亞輝;李在銘;;基于圖像塊之間信息冗余的數(shù)字圖像壓縮新技術(shù)[A];首屆信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2003年

4 史金鋼;齊春;;基于非局域樣本塊的圖像修復(fù)算法[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2011)論文集【oral】[C];2011年

5 賴宗英;屈小波;劉運(yùn)松;郭迪;葉婧;占志芳;陳忠;;基于全局相似關(guān)系的壓縮感知MRI稀疏重建[A];第十八屆全國波譜學(xué)學(xué)術(shù)年會(huì)論文集[C];2014年

6 陳權(quán)崎;章毓晉;;一種改進(jìn)的基于樣本的稀疏表示圖像修復(fù)方法[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

7 趙珊珊;何寧;張晶晶;吳蕊珠;;基于聚類分析的路面裂縫檢測[A];中國計(jì)算機(jī)用戶協(xié)會(huì)網(wǎng)絡(luò)應(yīng)用分會(huì)2017年第二十一屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會(huì)論文集[C];2017年

8 劉光杰;戴躍偉;王執(zhí)銓;楊靜宇;;一種基于自適應(yīng)量化嵌入器的隱寫方法[A];第八屆全國信息隱藏與多媒體安全學(xué)術(shù)大會(huì)湖南省計(jì)算機(jī)學(xué)會(huì)第十一屆學(xué)術(shù)年會(huì)論文集[C];2009年

9 孫明利;吳一全;;基于改進(jìn)的粒子群算法的塊匹配運(yùn)動(dòng)估計(jì)方法[A];2008通信理論與技術(shù)新發(fā)展——第十三屆全國青年通信學(xué)術(shù)會(huì)議論文集（下）[C];2008年

10 張一鳴;劉亞t

本文編號(hào)：2723182