一种改进的压缩感知彩色图像重构模型制造技术

本发明专利技术涉及一种改进的压缩感知彩色图像重构模型。技术特征在于：将彩色图像进行RGB变换，得到三个通道的图像。针对每个变换空间的图像进行基于方差的自适应分块采样，获得采样数据。之后分别对不同通道的采样数据进行重构，重构算法的框架选用的是投影Landweber算法(Smoothed Projected Landweber，SPL)算法，其中稀疏基的选择采用DCT和Controulet混合稀疏表达得形式，阈值处理融合了硬阈值处理和二元阈值收缩处理。最后，将三个空间所重构的图像进行合，构成一幅重构的彩色图像。本方法在重构模型中采用了自适应的采样方式，并将DCT和Controulet变换混合融于重构框架中，对不同的稀疏变换采用不同的阈值处理方式，可使图像重构的精度有所提升，重构时间有所减少。重构时间有所减少。重构时间有所减少。

【技术实现步骤摘要】
一种改进的压缩感知彩色图像重构模型


[0001]本专利技术涉及一种改进的压缩感知彩色图像重构模型，其可广泛应用于压缩感知框架下的彩色图像成像系统中。

技术介绍

[0002]在传统的图像成像中，要能完全重构图像，则采样频率必须大于或等于原图像信号最高频率的两倍，即采样过程需遵循奈奎斯特采样定理。但是，随着信息技术的发展，传统的采样方式表现出较大的局限性，主要体现在随着图像像素日益增加，图像有损压缩的传输过程在一定程度上浪费了系统资源，并且，采样过程对硬件的采样速率和处理速率要求越来越高。基于此，2006年压缩感知(Compressed Sensing,CS)理论的提出为这一问题的解决提供了新思路。不同于传统的图像处理中先采样再压缩的过程，CS采样过程是基于图像信号自身结构信息，且将采样和压缩过程合而为一，如此一来，既减少了数据采集量，又可大大降低对采样设备的要求。因此，提出至今，很多学者对其应用进行了研究，然而，这一切都要建立在图像可精确重构的前提下。
[0003]在基于CS的图像处理中，影响重构效果的因素主要有三个方面：采样过程，稀疏表示和重构算法。目前，很多重构模型被提出，如提出了分块压缩感重构模型，多尺度压缩感知模型，半张量积的压缩感知模型，基于非局部相似块低秩的压缩感知图像重构模型等。纵观CS图像的重构研究，大部分重构方法都对重构精度提升进行了研究，但对重构时间的研究并不多，重构时间对CS的现实应用有着重要意义，重构时间太长的模型对于应用实际生产并不显示。同时，具体的彩色重构模型研究也很少，考虑到自然图像大都以彩色图像为主，本专利技术提出了一种改进的压缩感知彩色图像重构模型，即基于自适应采样、二维余弦变换(DCT)和轮廓波变换(Controulet)混合稀疏表达的彩色图像重构模型。

技术实现思路

[0004]要解决的技术问题
[0005]为了提高压缩感知框架下彩色图像重构的精度，重构时间尽量降低，以使压缩感知技术在图像成像中更具有现实应用意义，本专利技术提出了基于自适应采样和混合稀疏基的彩色图像重构框架，并通过对比确定了一种最优的基于自适应采样、DCT和Controulet混合稀疏表达的彩色图像重构模型(自适应采样SPL
‑
DCT+CT)。
[0006]技术方案
[0007]本专利技术的基本思想是：首先将彩色图像进行RGB变换，得到三个通道的图像。并且针对每个变换空间的图像进行基于方差的自适应分块采样，获得采样数据。之后，分别对不同通道的采样数据进行重构，重构算法的框架选用的是投影Landweber算法(Smoothed Projected Landweber，SPL)算法，其中稀疏基的选择采用DCT和Controulet混合稀疏表达得形式，阈值处理融合了硬阈值处理和二元阈值收缩处理。最后，将三个空间所重构的图像进行合，构成一幅重构的彩色图像。
[0008]本专利技术方法的特征在于步骤如下：
[0009]步骤S1：将维数为N
×
N彩色图像I进行RGB变换，得到R,G,B三个通道的图像I
R
、I
G
和I
B
。并且，分别将I
R
、I
G
和I
B
进行分块，图像子块I
Block
大小为n
×
n。
[0010]步骤S2：对每个通道的图像子块方差计算，并设定阈值将子块分为光滑块，普通块和非光滑块3类，其中和是每个通道中图像子块的最大方差和最小方差，p
a
为调节参数，通过p
a
的调节，使光滑块，普通块和非光滑块3类子块的数量比为1:1:1。
[0011]步骤S3：设置低、中、高采样率s1、s2和s3，根据采样率和图像子块维数构建不同的采样矩阵并将各个通道的图像子块排列成一维信号I
′
B
进行自适应采样，获取采样数据表示某个通道中第i个采样得到的一维向量。
[0012]步骤S4：估计每个通道初始化图像。根据每类图像子块对应的测量矩阵Φ
B
和测量所得的数据y
i
求得每个子块的初始一维数据然后将得到的一维数据变换成图像子块再排列组合成一个整体的二维图像f0，f0则为每个通道重构时迭代优化的初始图像。设置重构过程相关参数：设置控制优化停止的逼近误差为E0，最大迭代次数为K
max
。初始迭代次数为k＝0，逼近误差E0＝0。将f0输入到基于DCT和Controulet混合稀疏的SPL算法框架中，经过优化迭代得到每个通道的重构图像和
[0013]步骤S5：将和进行RGB逆变换，合成一幅重构的彩色图像I
r
。
[0014]优选的，步骤S4所述的每个通道的初始图像优化迭代得到重构图像过程为：
[0015]S4.1将某个通道第k次迭代得到的图像f
k
分为互不重叠的n
×
n的子图像f
i
，并将每个子块变为一维的向量然后进行优化运算，优化公式为将得到的排列组合得到二维图像
[0016]S4.2将图像进行二维DCT变换，得到系数Ψ
DCT
表示二维DCT基。对得到的系数进行硬阈值处理。其中，硬阈值处理的阈值参数K0为变换后系数的总数，τ为控制常量，σ
n
为噪声信号的标准差，估计为median(
·
)表示取中值操作。阈值处理的具体过程为：θ
k+1
为处理后的系数。最后进行DCT反变换得到图像
[0017]S4.3将维数为N
×
N的图像分为互不重叠的n
×
n的子图像并将每个子块变为一维的向量然后进行优化运算，优化公式为将得到的排列组合得到二维图像
[0018]S4.4将图像进行Controulet变换得到稀疏系数采用二元阈值收缩的方式对稀疏系数进行处理得到w
k+1
，将处理完的系数进行逆变换得到图像f
′
k+1
。二元阈值收缩的函数为
[0019][0020]其中，w为收缩处理后的稀疏系数，为收缩处理前的稀疏系数，为对应的父系数，τ0为控制常量，σ
n
为噪声信号的标准差，满足为Controulet变换后第一层高频子带的实小波系数。为稀疏信号的标准差，假设同尺度内估计的领域大小为则的估计值为
[0021]S4.5将f
′
k+1
进行维纳滤波，得到图像f
k+1
。
[0022]S4.6计算并判断E0＞|e
k+1
‑
e
k
|或者k+1＞K
max
是否满足，若不满足，继续进行迭代，否则输出重构图像f
rec
＝f
k+1
。
[0023]有益效果
[0024]本专利技术中所构建彩色本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进的压缩感知彩色图像重构模型，其特征在于步骤如下：步骤S1：将维数为N
×
N彩色图像I进行RGB变换，得到R,G,B三个通道的图像I
R
、I
G
和I
B
；并且，分别将I
R
、I
G
和I
B
进行分块，图像子块I
Block
大小为n
×
n。步骤S2：对每个通道的图像子块方差计算，并设定阈值将子块分为光滑块，普通块和非光滑块3类，其中和是每个通道中图像子块的最大方差和最小方差，p
a
为调节参数，通过p
a
的调节，使光滑块，普通块和非光滑块3类子块的数量比为1:1:1。步骤S3：设置低、中、高采样率s1、s2和s3，根据采样率和图像子块维数构建不同的采样矩阵并将各个通道的图像子块排列成一维信号I
′
B
进行自适应采样，获取采样数据获取采样数据表示某个通道中第i个采样得到的一维向量。步骤S4：估计每个通道初始化图像。根据每类图像子块对应的测量矩阵Φ
B
和测量所得的数据y
i
求得每个子块的初始一维数据然后将得到的一维数据变换成图像子块再排列组合成一个整体的二维图像f0，f0则为每个通道重构时迭代优化的初始图像。设置重构过程相关参数：设置控制优化停止的逼近误差为E0，最大迭代次数为K
max
；初始迭代次数为k＝0，逼近误差E0＝0。将f0输入到基于DCT和Controulet混合稀疏的SPL算法框架中，经过优化迭代得到每个通道的重构图像和步骤S5：将和进行RGB逆变换，合成一幅重构的彩色图像I
r
。2.根据权利要求1所述的一种改进的压缩感知彩色图像重构模型，其特征在于：步骤S4所述的每个通道的初始图像优化迭代得到重构图像过程为：S4.1将某个通道第k次迭代得到的图像f
k
分为互不重叠的n
×
n的子图像f
i
，并将每个子块变为一维的向量然后进行优化运算，优化公式为将得到的排列组合得到二维图像S4.2将图像进行二维DCT变换，得到系数Ψ
DCT
表示二维DCT基；对得到的系数进行硬阈值处理，其中，硬阈值处理的阈值参数...

【专利技术属性】
技术研发人员：曾艳，郑宏亮，崔丹丹，戴琨，张雨新，李辉，李兴海，
申请(专利权)人：唐山工业职业技术学院，
类型：发明
国别省市：