本发明专利技术提供一种基于块稀疏压缩感知的红外图像重构方法,其中,所述方法包括:块稀疏表示步骤、将连续红外小目标图像序列表示为具有块稀疏特性的信号;时间相关性建模步骤、在贝叶斯框架下对连续红外小目标图像序列之间数据的时间相关性进行建模;信号重构输出步骤、采用稀疏学习算法实现红外小目标图像的重构,并输出信号的最终估计值。本发明专利技术还提供一种基于块稀疏压缩感知的红外图像重构系统。本发明专利技术提供的技术方案在压缩感知重构过程中,利用连续信号在时间上的相关性对信号进行重构,可以提高单帧信号的重构精度,且算法的运行时间显著降低。
Infrared image reconstruction method and system based on block sparse compression sensing
The invention provides a method of the infrared image reconstruction method based on compressed sensing sparse block, the method includes: a block sparse representation step, continuous infrared small target image sequence as a signal having a block sparsity; time correlation modeling steps, in the framework of Bayesian time correlation between the continuous infrared small target image sequence data modeling; output signal reconstruction steps, using sparse reconstruction of infrared small target image to achieve learning algorithm, and finally estimate the value of the output signal. The invention also provides an infrared image reconstruction system based on block sparse compressed sensing. The invention provides a technical scheme in compressed sensing reconstruction process, by using correlation between continuous signal in time to reconstruct the signal, can improve the reconstruction accuracy of single frame signal, and significantly reduce the running time of algorithm.
【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及红外成像领域,尤其涉及一种基于块稀疏压缩感知的红外图像重构方法及其系统。
技术介绍
红外成像技术在军事上和民用上都有着广泛且重要的应用。随着红外成像技术的发展及普及,红外图像的网络传输成为众多应用的基础,同时也成为这些应用发展的瓶颈。在有限带宽下如何提高红外图像的传输效率,成为促进红外技术应用亟待解决的问题。基于压缩感知(CompressiveSensing,CS)的数据压缩技术是近年来数据压缩领域的一个新方向。从目前国内外研究来看,压缩感知技术在图像处理中的应用大多仅仅针对图像本身进行感知压缩和重构,而未考虑在连续帧间时间序列上的时间相关性。而实际中,这种时间相关性对于序列图像而言是普遍存在的,因此,现有技术中的压缩感知方法存在重构精度差和压缩效率低的缺陷。
技术实现思路
有鉴于此,本专利技术的目的在于提供一种基于块稀疏压缩感知的红外图像重构方法及其系统,旨在解决现有技术中压缩感知方法存在重构精度差和压缩效率低的问题。本专利技术提出一种基于块稀疏压缩感知的红外图像重构方法,主要包括:块稀疏表示步骤、将连续红外小目标图像序列表示为具有块稀疏特性的信号;时间相关性建模步骤、在贝叶斯框架下对连续红外小目标图像序列之间数据的时间相关性进行建模;信号重构输出步骤、采用稀疏学习算法实现红外小目标图像的重构,并输出信号的最终估计值。另一方面,本专利技术还提供一种基于块稀疏压缩感知的红外图像重构系统,所述系统包括:块稀疏表示模块,用于将连续红外小目标图像序列表示为具有块稀疏特性的信号;时间相关性建模模块,用于在贝叶斯框架下对连续红外小目标图像序列之间数据的时间相关性进行建模;信号重构输出模块,用于采用稀疏学习算法实现红外小目标图像的重构,并输出信号的最终估计值。本专利技术提供的技术方案,对序列之间的时间相关性进行建模,在贝叶斯框架下利用这种时间相关性实现信号的重构,在压缩感知重构过程中,利用连续信号在时间上的相关性对信号进行重构,可以提高单帧信号的重构精度,且算法的运行时间显著降低,进而大大提高了压缩效率。附图说明图1为本专利技术一实施方式中基于块稀疏压缩感知的红外图像重构方法流程图;图2为本专利技术一实施方式中基于块稀疏压缩感知的红外图像重构系统10的内部结构示意图;图3为本专利技术一实施方式中三帧时间稀疏序列示意图;图4为本专利技术一实施方式中红外原图与重构结果的对比示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本专利技术进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本专利技术,并不用于限定本专利技术。以下将对本专利技术所提供的一种基于块稀疏压缩感知的红外图像重构方法进行详细说明。请参阅图1,为本专利技术一实施方式中基于块稀疏压缩感知的红外图像重构方法流程图。在步骤S1中,块稀疏表示步骤、将连续红外小目标图像序列表示为具有块稀疏特性的信号。在本实施方式中,所述块稀疏表示步骤S1具体包括:利用连续红外小目标图像序列信号和块稀疏矩阵表示多测量向量模型Y=ΦX+V,其中,红外小目标图像信号为块稀疏矩阵为为观测矩阵,为已知的字典矩阵,V是噪声矩阵,y(.i)是Y的第i列,x(.i)是X的第i列;将所述多测量向量模型转换为单测量向量模型y=Dx+v,其中,在所述多测量向量模型中,块稀疏矩阵X由具有时间相关性的连续帧xi(i=1,2,...,L)构成,x(i.)(i=1,...,M)相互独立,x(i.)是X的第i行,令其中IL为L维单位阵,x即块稀疏信号,可表示为其中,J=M×L。在步骤S2中,时间相关性建模步骤、在贝叶斯框架下对连续红外小目标图像序列之间数据的时间相关性进行建模。在本实施方式中,所述时间相关性建模步骤S2具体包括:在步骤S1所述的多测量矢量模型中,假设Xi·相互独立,且服从高斯分布:p(Xi·;γi,Bi)~N(0,γiBi),其中,超参γi控制矢量Xi·的稀疏度,Bi为一正定阵,描述了Xi·的时间关联结构,为待估参数,假设稀疏矢量x的先验为p(x;γi,Bi)~N(0,Σ0),在贝叶斯框架下对连续红外小目标图像序列之间数据的时间相关性进行建模;其中,γi为非负超参,由矩阵Bi构建的先验密度对信号的时间结构进行描述。在本实施方式中,与传统的重构方法(如匹配追踪、正交匹配追踪等)相比,在贝叶斯框架下实现压缩感知中的重构,不仅能提高重构精度,同时还能获得稀疏解的后验估计。在本实施方式中,对于稀疏信号x,x∈RM×1,其压缩感知模型可用下式表示:y=Φx+v。式中,y∈RN×1为压缩观测矢量,Φ∈RN×M为观测矩阵,v为噪声矢量。稀疏信号x经观测矩阵进行压缩观测后,可获得维度大幅降低的观测信号y,该低维度的观测信号中包含了恢复原稀疏信号x的足够信息;贝叶斯压缩感知理论从概率的角度出发,将观测表示如下:y=Φx=Φxs+xe+xo=Φxs+n;其中,ne=Φwe,we=w-ws,no为观测g的过程噪声,二者用n统一表示,可用一零均值的高斯分布来描述n~N(0,σ2)。相应地,关于随机变量y的高斯似然模型可表示如下:上式中,若Φ已知,则基于观测量y的待估计量为xs与σ2。采用贝叶斯方法实现信号重构的思路,即是在已知观测y的条件下,求解xs和σ2的后验概率密度函数的过程。其中,xs具有稀疏性,可作为问题的先验信息引入求解过程,利用该先验信息即可获得问题解。在步骤S3中,信号重构输出步骤、采用稀疏学习算法实现红外小目标图像的重构,并输出信号的最终估计值。在本实施方式中,所述信号重构输出步骤S3具体包括:在已知观测y的条件下,用贝叶斯方法可获得稀疏矢量x的后验估计:p(x|y;σ2,γi,Bi)~N(μx,Σx),其中,观测y的高斯似然函数为:其中,Σx=Σ0-Σ0DT(σ2I+DΣ0DT)-1DΣ0;通过最大似然方法或期望最大化方法对上式的超参数进行估计:i=1,...,M,i=1,...,M,迭代终止后,输出信号的最终估计值。在本实施方式中,对于视频数据而言,连续帧之间数据的时间相关性是普遍存在的,如果能将信号在时间上的这种相关性应用于信号的压缩感知中,将有利于提高信号的重构精度。在本实施方式中,设红外小目标图像信号为x,x∈RM×1,块稀疏矩阵为X,X∈RM×L,由具有时间相关性的连续帧xi(i=1,2,...,L)构成,多测量矢量模型可描述为:Y=ΦX+V;其中,Y∈RN×L,Φ∈RN×M,V是噪声矩阵;在上述多测量矢量模型中,假设Xi·相互独立,且服从高斯分布:p(Xi·;γi,Bi)~N(0,γiBi),i=1,2,...,M;其中,超参γi控制矢量Xi·的稀疏度,Bi为一正定阵,描述了Xi·的时间关联结构,为待估参数,可将多观测模型转为单观测模型的形式:y=Dx+v;其中,其中则式y=Dx+v中所述观测y的高斯似然函数为:假设稀疏矢量x的先验为:p(x;γi,Bi)~N(0,Σ0);其中,在已知观测y的条件下,用贝叶斯方法可获得稀疏矢量x的后验估计:p(x|y;σ2,γi,Bi)~N(μx,Σx);其中,Σx=Σ0-Σ0DT(σ2I+DΣ0DT)-1DΣ0;通过II型最大似然方法或EM(期望最大化方法)可对上式的超参数进行估计:与单观测模型中的贝叶斯压缩感知方法相比,上述多本文档来自技高网...
【技术保护点】
一种基于块稀疏压缩感知的红外图像重构方法,其特征在于,所述方法包括:块稀疏表示步骤、将连续红外小目标图像序列表示为具有块稀疏特性的信号;时间相关性建模步骤、在贝叶斯框架下对连续红外小目标图像序列之间数据的时间相关性进行建模;信号重构输出步骤、采用稀疏学习算法实现红外小目标图像的重构,并输出信号的最终估计值。
【技术特征摘要】
【国外来华专利技术】1.一种基于块稀疏压缩感知的红外图像重构方法,其特征在于,所述方法包括:块稀疏表示步骤、将连续红外小目标图像序列表示为具有块稀疏特性的信号;时间相关性建模步骤、在贝叶斯框架下对连续红外小目标图像序列之间数据的时间相关性进行建模;信号重构输出步骤、采用稀疏学习算法实现红外小目标...
【专利技术属性】
技术研发人员:康莉,梁润青,黄建军,黄敬雄,
申请(专利权)人:深圳大学,
类型:发明
国别省市:广东;44
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。