基于图像块结构属性策略的非凸压缩感知图像重构方法技术

技术编号:11071345 阅读:82 留言:0更新日期:2015-02-25 10:55
本发明专利技术公开了一种基于图像块结构属性策略的非凸压缩感知图像重构方法,主要解决现有技术的重构速度慢、准确度低的问题,其实现步骤是:1.对图像分块观测,并对观测向量进行局部相似性聚类;2.对每类观测向量对应的图像块,判断其结构属性及结构属性的一致性,并对结构属性不一致的图像块重新聚类;3.对每类观测向量对应的光滑图像块,使用字典前5个尺度的优化遗传算法进行重构,对非光滑图像块,先得到字典方向上的最优原子组合,再进行学习尺度和位移上的最优原子组合,重构出非光滑块;4.把所有重构出的图像块按顺序拼一起得到整个重构图像。本发明专利技术具有重构速度快,重构出的图像视觉效果好、峰值信噪比高的优点。

【技术实现步骤摘要】

本专利技术属于图像处理
,特别涉及一种图像重构方法,可用于图像复原和识别分类。
技术介绍
近年来,随着信息技术的发展日益迅速,人们对信息的需求量也与日俱增,奈奎斯特采样理论不能满足日益发展的信息需求量,已然不是最优的采样理论。压缩感知理论CS的出现为新的采样理论带来了突破。该理论指出,只要信号是可压缩的或在某个变换域是稀疏的,那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上,然后就可以从这些少量的投影中以高概率重构出原信号。在该理论框架下,采样速率不决定于信号的带宽,而决定于信息在信号中的结构和内容。CS理论内容大体包含3个部分:稀疏表示、线性测量及非线性重建。稀疏表示是CS的理论基础,线性测量和非线性重建是CS的关键步骤。其中,由于重建算法的优劣决定了图像重建的精度和质量,因此CS图像重建算法是整个CS图像获取问题的一个核心内容和研究重点。目前,基于压缩感知的重构算法有两大类:基于l0范数和l1范数的重构算法。目前求解l0范数问题的方法有两大类,分别是贪婪算法和门限算法。贪婪算法的代表算法是正交匹配追踪OMP算法,而门限算法的代表算法是迭代阈值收缩IHT。西安电子科技大学的专利申请“基于冗余字典和结构稀疏的非凸压缩感知图像重构方法”(公开号:CN103295198A,申请号:CN 201310192104,申请日:2013年5月13日)中公开了一种基于非凸模型的图像压缩重构方法,使用互近邻技术对观测向量聚类;使用遗传算法对每一类观测向量找出字典方向上较优的原子组合,保存种群;对每一图像块执行种群扩充操作后使用克隆选择算法为其在已定方向上找出尺度和位移上最优的原子组合;用最优原子组合对图像块进行重构;将所有重构图像块按序拼合组成整幅重构图像。该方法比OMP和ITH的重构效果有所提高。且通过对种群进行单一方向初始化,单方向的纹理块可以得到很好地重构,但是由于很多图像块,如多方向纹理块不是只有一个方向,因此多方向的纹理块不能得到很好地重构。同时,该方法对每一图像块都采用两种进化方法,由于遗传算法本身的进化速度就比较慢,而且还采用了进化速度更慢的克隆选择算法。另外,该方法采用传统的遗传算法进行进化学习,个体的选择的过程容易造成早熟,陷入局部最优。因此图像重构效果不够理想,而且重构速度相对较慢。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足,提出一种基于图像块结构属性策略的非凸压缩感知图像重构方法,以提高图像的重构效果和重构速度。为实现上述目的,本专利技术的技术方案包括如下步骤:(1)对原始图像进行分块,并对每一个图像块采用相同的高斯观测矩阵,得到全部图像块的观测向量;(2)计算每一个观测向量的标准差,采用观测向量的局部相似性,利用局部生长的方法对全部图像块的观测向量进行聚类;(3)对每一类观测向量对应的图像块,通过遗传算法先判断每个图像块的结构属性,再判断这一类所有观测向量对应图像块的结构属性的一致性:如果结构属性都为光滑块或者非光滑块,则其结构属性一致,否则,结构属性不一致,并对结构属性不一致的这一类图像块重新进行聚类;(4)对每一类观测向量对应的图像块,如果其结构属性是光滑,则执行步骤(5),否则,执行步骤(6);(5)随机初始化种群,即每个个体的方向和尺度都是随机的,且每个方向只包含前5个尺度,再采用基于Ridgelet子字典的优化遗传算法进行进化,重构出光滑图像块;(6)按照字典原子的方向初始化种群,即每个个体一个方向,采用随机方式初始化每个个体,且每个方向包含所有尺度,再使用基于Ridgelet字典的优化的遗传算法进行进化,得到字典方向上最优的原子组合;(7)判断是否所有的类都进化完毕,若进化完毕,则执行步骤(8),否则,返回步骤(4),对其它类的图像块进行进化;(8)对每一类观测向量对应的每个图像块,如果其结构属性是非光滑,则采用基于Ridgelet子字典的克隆选择优化算法学习出尺度和位移上最优的原子组合,重构出非光滑图像块;如果其结构属性是光滑,执行步骤(9);(9)判断是否所有的类都重构完毕,若重构完毕,执行步骤(10),否则,返回步骤(8),对其他非光滑的图像块进行重构;(10)将步骤(5)和(8)中得到的所有的观测向量对应的光滑和非光滑图像块按顺序拼在一起得到整幅重构图像并输出。本专利技术与现有技术相比具有以下优点:1.本专利技术充分利用了Ridgelet字典原子的方向特征和图像的方向特征,进而可以准确判断图像块的结构属性。在Ridgelet冗余字典中,原子是由方向,尺度和位移三个参数决定的,其中原子的方向对图像块自适应的稀疏表示更为重要。实验表明,对非光滑图像块进行稀疏表示的原子具有方向性集中的特征,对光滑图像块进行稀疏表示的原子具有方向多样且均匀分散的特征。因此,本专利技术在对图像块判断结构属性时,按照原子方向初始化36个种群,使用每个方向的原子对图像块进行表示。如果观测向量对应的是光滑图像块,使用任何方向的原子表示出的图像块的误差都很小,所以个体的误差均值很小;而观测向量对应的非光滑图像块,只在某几个方向的原子表示出的图像块的误差小,其他都很大,使得个体误差均值比较大。这样就可以判断出图像块的结构属性。而现有的基于冗余字典和结构稀疏的非凸压缩感知图像重构方法,无法对图像块的结构属性进行判断,重构过程中不区分图像块的类型。因此,本专利技术有效地解决了图像块的结构属性无法判断的问题,不仅可以有效地提高重构图像的视觉效果,而且提高了峰值性噪比和结构相似性。2.本专利技术充分利用了光滑图像块的方向多样且随机和斑块较大的结构特点,进而提高了重构图像的准确度和重构速度。光滑图像块的方向是多样且是随机的,并且在进行稀疏表示的原子也具有方向多样的特征。因此,本专利技术对光滑图像块使用优化遗传算法进行重构时,采用随机初始化的方式初始化种群,这样种群的每个个体包含的方向是多样的;光滑图像块本身是由大斑块构成的,因此进行重构时只需要Ridgelet字典前5个尺度就可以得到很好的重构,有效地降低了计算的复杂度。现有的基于冗余字典和结构稀疏的非凸压缩感知图像重构方法是按照单个方向初始化种群,对于方向多样的光滑图像块来说,重构出的效果不好,同时在对光滑块重构时使用了所有尺度,使得重构速度较慢。而本专利技术不仅提高了重构图像的视觉效果、峰值性噪比和结构相似性,而且提高了重构图像的速度。仿真实验表明,本专利技术将遗传算法和克隆选择算法作为非线性优化重构方本文档来自技高网
...

【技术保护点】
一种基于图像块结构属性策略的非凸压缩感知图像重构方法,包括如下步骤:(1)对原始图像进行分块,并对每一个图像块采用相同的高斯观测矩阵,得到全部图像块的观测向量;(2)计算每一个观测向量的标准差,采用观测向量的局部相似性,利用局部生长的方法对全部图像块的观测向量进行聚类;(3)对每一类观测向量对应的图像块,通过遗传算法先判断每个图像块的结构属性,再判断这一类所有观测向量对应图像块的结构属性的一致性:如果结构属性都为光滑块或者非光滑块,则其结构属性一致,否则,结构属性不一致,并对结构属性不一致的这一类图像块重新进行聚类;(4)对每一类观测向量对应的图像块,如果其结构属性是光滑,则执行步骤(5),否则,执行步骤(6);(5)随机初始化种群,即每个个体的方向和尺度都是随机的,且每个方向只包含前5个尺度,再采用基于Ridgelet子字典的优化遗传算法进行进化,重构出光滑图像块;(6)按照字典原子的方向初始化种群,即每个个体一个方向,采用随机方式初始化每个个体,且每个方向包含所有尺度,再使用基于Ridgelet字典的优化的遗传算法进行进化,得到字典方向上最优的原子组合;(7)判断是否所有的类都进化完毕,若进化完毕,则执行步骤(8),否则,返回步骤(4),对其它类的图像块进行进化;(8)对每一类观测向量对应的每个图像块,如果其结构属性是非光滑,则采用基于Ridgelet子字典的克隆选择优化算法学习出尺度和位移上最优的原子组合,重构出非光滑图像块;如果其结构属性是光滑,执行步骤(9);(9)判断是否所有的类都重构完毕,若重构完毕,执行步骤(10),否则,返回步骤(8),对其他非光滑的图像块进行重构;(10)将步骤(5)和(8)中得到的所有的观测向量对应的光滑和非光滑图像块按顺序拼在一起得到整幅重构图像并输出。...

【技术特征摘要】
1.一种基于图像块结构属性策略的非凸压缩感知图像重构方法,包括如下
步骤:
(1)对原始图像进行分块,并对每一个图像块采用相同的高斯观测矩阵,得
到全部图像块的观测向量;
(2)计算每一个观测向量的标准差,采用观测向量的局部相似性,利用局部
生长的方法对全部图像块的观测向量进行聚类;
(3)对每一类观测向量对应的图像块,通过遗传算法先判断每个图像块的结
构属性,再判断这一类所有观测向量对应图像块的结构属性的一致性:如果结构
属性都为光滑块或者非光滑块,则其结构属性一致,否则,结构属性不一致,并
对结构属性不一致的这一类图像块重新进行聚类;
(4)对每一类观测向量对应的图像块,如果其结构属性是光滑,则执行步骤
(5),否则,执行步骤(6);
(5)随机初始化种群,即每个个体的方向和尺度都是随机的,且每个方向只
包含前5个尺度,再采用基于Ridgelet子字典的优化遗传算法进行进化,重构出
光滑图像块;
(6)按照字典原子的方向初始化种群,即每个个体一个方向,采用随机方式
初始化每个个体,且每个方向包含所有尺度,再使用基于Ridgelet字典的优化的
遗传算法进行进化,得到字典方向上最优的原子组合;
(7)判断是否所有的类都进化完毕,若进化完毕,则执行步骤(8),否则,返
回步骤(4),对其它类的图像块进行进化;
(8)对每一类观测向量对应的每个图像块,如果其结构属性是非光滑,则采
用基于Ridgelet子字典的克隆选择优化算法学习出尺度和位移上最优的原子组
合,重构出非光滑图像块;如果其结构属性是光滑,执行步骤(9);
(9)判断是否所有的类都重构完毕,若重构完毕,执行步骤(10),否则,返
回步骤(8),对其他非光滑的图像块进行重构;
(10)将步骤(5)和(8)中得到的所有的观测向量对应的光滑和非光滑图像块
按顺序拼在一起得到整幅重构图像并输出。
2.根据权利要求1所述的非凸压缩感知图像重构方法,其特征在于,步骤
(2)所述的利用局部生长的方法对全部图像块的观测向量进行聚类,按如下步骤
进行:
(2.1)对所有图像块都设置一个聚类标记,其中,标记0表示未被聚类,标
记1表示已经包含在某一类别中,初始全部标记为0;
(2.2)根据每一图像块的标记进行不同的操作:如果图像块聚类标记为0,则
执行步骤(2.3),如果聚类标记为1,则跳转到步骤(2.9);
(2.3)以当前图像块i为种子图像块,将该种子图像块对应的观测向量加入到第j
类集合Mj中,并作为种子向量,其中i的初值为1,j的初值为1,Mj的初值为空集;
(2.4)对种子图像块对应的观测向量和种子图像块周围八个相邻图像块
A1,...AiK A8对应的八个观测向量,计算每个观测向量的标准差f(X):
f(X)=[Σl=1n(xl-x‾)2]/n,]]>其中,X=(x1,x2,…xl…,xn)是观测向量,xl是观测向量中第l个元素,n是观测向
量中元素个数,表示观测向量X中所有元素的均值;
(2.5)将种子向量的标准差分别与种子图像块周围八个相邻图像块
A1,...AiK A8对应的观测向量的标准差相减得到差值C1,...CiK C8,Ci是种子向量
的标准差与第i个相邻图像块Ai对应观测向量的标准差的差值;
(2.6)判断第i个图像块Ai的聚类标记是否是0和其对应差值|Ci|是否小于阈值τ,
如果这两个条件都满足,则将该图像块Ai聚类标记置为1,并将其对应的观测向量yi加入到类集合Mj中,并将这些加入的观测向量按照其相应标准差差值|Ci|递增的顺序
在类集合Mj中排列,i=1,2,...8;否则,执行步骤(2.7);
(2.7)判断种子图像块周围的相邻图像块是否都判断完毕,若判断完毕,则执行步
骤(2.8),否则返回步骤(2.6),继续对下一个相邻图像块进行判断;
(2.8)在类集合Mj中,判断种子向量是否是最后一个元素,若是,则第j类聚类

\t完成,再对j的值增加1,执行步骤(2.9);否则,令Mj中种子向量后面的第一个元
素为新的种子向量,令新种子向量对应的图像块为新的种子图像块,更新阈值
τ=max(0.1,τ-0.1),返回步骤(2.4);
(2.9)判断是否所有图像块都判断完毕,若判断完毕,则结束聚类,否则,
返回步骤(2.2),继续对下一个图像块进行判断。
3.根据权利要求1所述的非凸压缩感知图像重构方法,其特征在于,步骤
(3)所述的对每一类观测向量对应的图像块,通过遗传算法判断每个图像块的结
构属性及其结构属性一致性,按如下步骤进行:
(3.1)对当前类观测向量对应的图像块,按照原子方向初始化36个种群,每
个种群一个方向,种群中每个个体随机初始化,即每个个体的尺度和位移是随机
的,同时设置迭代次数的初值t=0;
(3.2)对当前类观测向量对应图像块的每个种群,按照以下适应度函数计算
每个个体的适应度值:
f(Xm)=1Σi=1j||yi-Φdec(Xm)αi||22]]>其中,f(Xm)为该类观测向量对应的图像块的种群A中第m个个体的适应
度值,i为观测向量的标号,j为聚类后每个类中观测向量的总数,yi为类中第i
个观测向量,Φ为高斯观测矩阵,Xm是种群A中第m个个体的所有基因位,
dec(Xm)代表这些基因位在字典中对应的原子组合,这个原子组合就是一个子字
典,αi为类中第i个观测向量对应的图像块的稀疏表示系数向量,它是由传感矩
阵的广义逆矩阵和该观测向量yi相乘得到,传感矩阵由高斯观测矩阵Φ和子字
典dec(Xm)相乘得到,是向量二范数的平方;
(3.3)对当前类观测向量对应的图像块的每个种群A利用优化的遗传算法进
行交叉、变异和基于局部选择机制的选择这三种操作,并保存交叉、变异和选择

\t这三个操作后的种群B;同时迭代次数t的值增加1;

【专利技术属性】
技术研发人员:刘芳王增琴李玲玲焦李成郝红侠林乐平杨淑媛张向荣马晶晶尚荣华
申请(专利权)人:西安电子科技大学
类型:发明
国别省市:陕西;61

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1