一种非局部低秩正则化图像压缩感知重建方法技术

本发明专利技术公开了一种基于协同降秩预处理的非局部低秩正则化图像压缩感知重建方法，首先对原始图像进行协同降秩预处理，主要包括非局部找相似块，低秩逼近和加权平均三个步骤，然后经过随机测量得到测量值，最后通过非局部低秩正则化压缩感知重建算法从测量值中高效的重建出原始图像。本发明专利技术基于压缩感知中重建算法和先验信息之间的匹配关系，以协同降秩预处理的方式，来达到其与后端的压缩感知重建算法的相匹配。本发明专利技术提出了一种更加高效的基于协同降秩预处理的非局部低秩正则化图像压缩感知重建算法，获得了当前图像压缩感知重建领域内更好的重建效果，为实际应用中的图像的压缩、存储和鲁棒的编码传输等实用技术提供了更好的技术支撑。

【技术实现步骤摘要】

本专利技术属于图像压缩感知重建领域，涉及一种基于预处理和重建算法相匹配的图像压缩感知重建算法，具体涉及一种基于协同降秩预处理的非局部低秩正则化图像压缩感知重建方法。
技术介绍
当前数字多媒体的不断发展，日常生活中常用的图像、视频等信号的压缩，存储和传输需要耗费大量的资源。基于压缩感知的数字图像压缩，存储和鲁棒的编码传输等都具有广阔的实际应用价值。而压缩感知中重建算法是一个核心内容，所以研究一种高效的压缩感知重建算法是具有重要意义的。当前压缩感知重建算法虽然已经发展出了很多重要的研究成果，但是很多在重建算法的设计方面只是考虑了图像固有的一些先验信息，如TV方法((2006).Software l1magic[Online].Available:http://www.acm.caltech.edu./l1magic)和ReTV方法(E.J.Candès,M.B.Wakin,and S.Boyd,“Enhancing sparsity byreweighted l1 minimization,”J.Fourier Anal.Appl,vol.14,no.5,pp.877–905,2008)利用了图像梯度域的稀疏先验，MARX-PC方法(X.Wu,W.Dong,X.Zhang,and G.Shi,“Model-assisted adaptive recovery of compressed sensing with imaging applications,”IEEE Transactions on Image Processing,vol.21,no.2,pp.451–458,Feb.2012.)使用了一种模型引导的自适应重建模式，BM3D-CS方法(K.Egiazarian,A.Foi,and V.Katkovnik,“Compressed sensing image reconstruction via recursive spatially adaptive filtering,”in Proc.IEEE Int.Conf.Image Process,vol.1.San Antonio,TX,USA,Sep.2007,pp.I-549–I-552.)和NLR-CS方法(Weisheng Dong,Guangming Shi,Xin Li,et al.Compressive Sensing via Nonlocal Low-Rank Regularization[J],IEEE Transactions on Image Processing,2014,23(8):3618-3632.)利用了图像的非局部块之间存在的相似性，这些重建算法都只是一概地利用这些图像已经有的先验信息，而没有考虑到不同类型的图像之间还是差别较大的，即便是相同类型的图像中，在不同的图像之间，图像的某一种具体的先验信息还是有强有弱变化比较大的，所以如果在重建算法中一味地只是去利用图像本身的这些性质而不加以有效增强则是非常不合适的。因此，可以通过合适的分析图像的先验信息，并在压缩感知采样之前，对图像做一些预处理来增强图像的某种先验信息，使得图像预处理和重建算法相匹配，这样则会很大地提高图像的重见效果，所以研究图像的预处理方式对于压缩感知重建算法来说是非常重要的。
技术实现思路
本专利技术的目的在于提供一种基于协同降秩预处理的非局部低秩正则化图像压缩感知重建方法(RR-NLR-CS)，该方法基于压缩感知的预处理策略，并且结合非局部低秩正则化压缩感知重建算法(NLR-CS)，提出了协同降秩预处理方法，最后应用于非局部低秩正则化压缩感知重建算法(NLR-CS)提出了本专利技术的基于协同降秩预处理的非局部低秩正则化图像压缩感知重建算法，该方法能够获得更好的压缩感知重建效果。为达到上述目的，本专利技术采用的技术方案为：一种基于协同降秩预处理的非局部低秩正则化图像压缩感知重建方法，包括以下步骤：1)用协同降秩预处理对原始图像进行预处理，得到预处理后的图像，具体如下：a)输入一幅原始图像，将该原始图像按照从左到右、从上到下的顺序进行样例块的选取，得到全部的样例块；b)以每个样例块各自为中心，寻找若干相似块并与该样例块组建成群，得到每个样例块对应的群；c)将每个样例块对应的群转化为矩阵形式，并对矩阵进行低秩逼近；d)将低秩逼近后的矩阵做加权平均处理，得到预处理后的图像；2)对步骤1)得到的预处理后的图像进行压缩感知测量，得到测量值；3)利用非局部低秩正则化压缩感知重建算法对步骤2)得到的测量值进行重建，得到重建图像。所述步骤a)中样例块的选取是从图像的左上角开始，选取固定大小的图像块作为第一个样例块，然后向右滑动，得到第二个样例块，并且第一个样例块的最后一列与第二个样例块的第一列重复，以此类推直至滑动到图像的右上角，总共得到i个样例块，第i+1个样例块是从图像最左侧开始，且第i+1个样例块的第一行与第一个样例块的最后一行重复，以此类推得到该图像的全部样例块，其中所有的样例块大小相同。所述步骤b)在建群过程中，首先以每个样例块各自为中心，建立一个搜索窗；然后在搜索窗中为每个样例块搜寻若干相似块，并将搜索到的相似块与该样例块整体作为该样例块对应的群；在搜寻过程中，按照以下方式搜寻相似块：从搜索窗左上角第一个图像块起，以按列滑动的方式滑动到搜索框右上角，得到j个备选图像块，然后下移一个像素，继续在搜索窗中从左向右按列滑动，直至滑动到搜索窗的右下角，得到搜索窗中所有的备选图像块，计算所有备选图像块与该样例块的欧氏距离，取前n个最小的欧氏距离对应的备选图像块作为该样例块的n个相似块。所述步骤c)的低秩逼近，是按照加权核范数最小化约束来求得低秩矩阵的，即对于矩阵Mi，其低秩逼近如式(1)所示： L i = U i ( Σ ~ i - τ d i a g ( w i ) ) + V i T - - - ( 1 ) ]]>式(1)中：——表示Mi的奇异值分解；τ为常数，diag()为取对角矩阵函数；wi——表示矩阵分解中的权值；Li——表示Mi低秩逼近后的低秩矩阵。所述步骤d)具体为：将低秩逼近后的矩阵放回到其在图像中原来的位置，此时图像中同一个位置将会有不同数量的矩阵，再进行加权平均运算，如式(2)所示： X = Σ i = 1 N 本文档来自技高网...

【技术保护点】
一种基于协同降秩预处理的非局部低秩正则化图像压缩感知重建方法，其特征在于，包括以下步骤：1)用协同降秩预处理对原始图像进行预处理，得到预处理后的图像，具体如下：a)输入一幅原始图像，将该原始图像按照从左到右、从上到下的顺序进行样例块的选取，得到全部的样例块；b)以每个样例块各自为中心，寻找若干相似块并与该样例块组建成群，得到每个样例块对应的群；c)将每个样例块对应的群转化为矩阵形式，并对矩阵进行低秩逼近；d)将低秩逼近后的矩阵做加权平均处理，得到预处理后的图像；2)对步骤1)得到的预处理后的图像进行压缩感知测量，得到测量值；3)利用非局部低秩正则化压缩感知重建算法对步骤2)得到的测量值进行重建，得到重建图像。

【技术特征摘要】
1.一种基于协同降秩预处理的非局部低秩正则化图像压缩感知重建方法，其特征在于，包括以下步骤：1)用协同降秩预处理对原始图像进行预处理，得到预处理后的图像，具体如下：a)输入一幅原始图像，将该原始图像按照从左到右、从上到下的顺序进行样例块的选取，得到全部的样例块；b)以每个样例块各自为中心，寻找若干相似块并与该样例块组建成群，得到每个样例块对应的群；c)将每个样例块对应的群转化为矩阵形式，并对矩阵进行低秩逼近；d)将低秩逼近后的矩阵做加权平均处理，得到预处理后的图像；2)对步骤1)得到的预处理后的图像进行压缩感知测量，得到测量值；3)利用非局部低秩正则化压缩感知重建算法对步骤2)得到的测量值进行重建，得到重建图像。2.根据权利要求1所述的基于协同降秩预处理的非局部低秩正则化图像压缩感知重建方法，其特征在于：所述步骤a)中样例块的选取是从图像的左上角开始，选取固定大小的图像块作为第一个样例块，然后向右滑动，得到第二个样例块，并且第一个样例块的最后一列与第二个样例块的第一列重复，以此类推直至滑动到图像的右上角，总共得到i个样例块，第i+1个样例块是从图像最左侧开始，且第i+1个样例块的第一行与第一个样例块的最后一行重复，以此类推得到该图像的全部样例块，其中所有的样例块大小相同。3.根据权利要求1所述的基于协同降秩预处理的非局部低秩正则化图像压缩感知重建方法，其特征在于：所述步骤b)在建群过程中，首先以每个样例块各自为中心，建立一个搜索窗；然后在搜索窗中为每个样例块搜寻若干相似块，并将搜索到的相似块与该样例块整体作为该样例块对应的群；在搜寻过程中，按照以下方式搜寻相似块：从搜索窗左上角第一个图像块起，以按列滑动的方式滑动到搜索框右上角，得到j个备选图像块，然后下移一个像素，继续在搜索窗中从左向右按列滑动，直至滑动到搜索窗的右下角，得到搜索窗中所有的备选图像块，计算所有备选图像块与该样例块的欧氏距离，取前n个最小的欧氏距离对应的备选图像块作为该样例块的n个相似块。4.根据权利要求1所述的基于协同降秩预处理的非局部低秩正则化图像压缩感知重建方法，其特征在于：所述步骤c)的低秩逼近，是按照加权核范数最小化约束来求得低秩矩阵的，即对于矩阵Mi，其低秩逼近如式(1)所示： L i = U i ...

【专利技术属性】
技术研发人员：侯兴松，镡云，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61