一种基于图像内容的压缩感知图像重构模型制造技术

本发明专利技术涉及一种基于图像内容的压缩感知图像重构模型。技术特征在于：首先将图像分块，根据图像子块的方差大小将子块分为平滑块、普通块、不平滑块三类，并标记每个子块类型，采样时根据不同类型子块设置采样率。之后，解码端重构时在投影Landweber算法(SmoothedProjectedLandweber，SPL)基础上进行改进，对于平滑子块，重构时选择的稀疏基为离散余弦变换(DiscreteCosineTransform，DCT)，对于普通块重构时采用基于非下采样Contourlet变换(Non

【技术实现步骤摘要】
一种基于图像内容的压缩感知图像重构模型


[0001]本专利技术涉及一种基于图像内容的压缩感知图像重构模型，其可广泛应用于机器人成像系统中。

技术介绍

[0002]随着科技进步，机器人的应用逐渐增多。目前在机器人传统的图像成像中需先根据香农采样原理进行信号采集，之后压缩传输，在解压端再进行原信号重构。如此一来，不仅浪费了图像采集设备的存储空间，且在信号进行处理时也对硬件设备的采样速率和处理速率提出了挑战。基于此，考虑可将压缩感知(Compressed Sensing,CS)应用到机器人系统的图像传输中，即基于图像信号自身结构信息进行采样，将采样和压缩过程合二为一，在解码端再依据图像的先验稀疏条件进行重构。但是，在这个过程中构建重构模型使图像能够快速、精确重构至关重要。目前，影响重构效果的因素主要有：采样方式，稀疏表示和重构算法，基于这几个因素已提出较多重构方法，如分块压缩感重构模型等，但多数模型只考虑了重构精度，对重构时间的研究较少，然而将CS应用于现实，重构时间也是表征系统性能的关键指标，因此，综合考虑以上三个因素，提出了一种基于图像内容的CS图像重构模型，以提升重构精度、降低重构时间。

技术实现思路

[0003]要解决的技术问题
[0004]为了使压缩感知技术在图像成像中更具有现实应用意义，提高压缩感知框架下图像重构精度，降低重构时间，本专利技术提出了一种基于图像内容的压缩感知图像重构模型，通过多次对比实验，确定了采样的分类数和所用的混合稀疏基，完成了重构模型的整体构建。
[0005]技术方案
[0006]本专利技术的基本思想是：首先将图像分块，根据图像子块的方差大小将子块分为平滑块、普通块、不平滑块三类，并标记每个子块类型，采样时根据不同类型子块设置采样率。之后，解码端重构时在投影Landweber算法(Smoothed Projected Landweber，SPL)基础上进行改进，对于平滑子块，重构时选择的稀疏基为离散余弦变换(Discrete Cosine Transform，DCT)，对于普通块重构时采用基于非下采样Contourlet变换(Non
‑
subsampled Contourlet transform，NSCT)的SPL算法，对于不平滑块，则采用NSCT和DCT混合稀疏的形式进行重构，不同图像块不同处理，可在保证整体图像重构精度的前提下，进一步减少重构时间。
[0007]本专利技术方法的特征在于步骤如下：
[0008]步骤S1：将维数为N
×
N图像I分块，计算每个图像子块的方差，为所有图像子块的最大方差，为最小方差，设置两个阈值T1、T2，阈值范围为为了便于调节，设定阈值p
a
为调节参数，通过p
a
的调节，使平
滑块、普通块、不平滑块数量相等，并对每一个图像子块进行标记，标记值分别为F＝1，F＝2，F＝3。
[0009]步骤S2：设置图像子块的采样率s1、s2和s3，根据采样率构建不同的高斯随机采样矩阵利用构建的采样矩阵对各个图像子块进行采样，采样前需要将各个图像子块排列为一维向量采样后得到的信号为
[0010]步骤S3：构建初始化图像，根据得到每个子块的初始一维数据，然后将得到的每一个数据变换成图像子块再排列组合成一个整体的二维图像I0。
[0011]步骤S4：设置重构过程相关参数，控制迭代停止的逼近误差为E0，最大迭代次数为K
max
，初始迭代次数为k＝0，初始逼近误差e0＝0。
[0012]步骤S5：开始进行优化迭代，将第k次迭代得到的图像I
k
分为互不重叠的n
×
n的子图像f
i,k
，并将每个子块变为一维向量然后进行优化运算，优化公式为将得到的排列组合为图像子块f
′
i,k+1
。
[0013]步骤S6：判断每一个图像子块f
′
i,k+1
的类型，如果F＝1，执行基于DCT变换的硬阈值处理过程,得到处理后的每个平滑块的图像子块如果F＝2，执行基于NSCT的二元阈值收缩处理过程,得到处理后的每个普通块的图像子块如果F＝3，执行基于DCT和NSCT混合稀疏表示的阈值处理过程,得到处理后的每个非平滑块的图像子块
[0014]步骤S7：将得到的图像子块普通块的图像子块和非平滑块的图像子块排列组合得到图像I
′
k+1
，对I
′
k+1
进行维纳滤波，得到图像I
k+1
。
[0015]步骤S8：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，令k＝k+1，再次执行步骤S5，S6，S7，S8，继续进行迭代优化，否则输出重构图像I
rec
＝I
k+1
。
[0016]优选的，步骤S6中基于DCT变换的硬阈值处理过程如下：
[0017]将图像子块f
′
i,k+1
进行二维DCT变换，得到稀疏系数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，估计值为median(
·
)表示取中值操作，阈值处理的具体过程为：为处理后的系数，最后进行DCT反变换得到处理后的每个图像子块
Signal to Noise Ratio/dB，,PSNR/dB)对比
[0031](a)在固定采样率下基于不同稀疏基的SPL算法重构CACTUS图像的PSNR
[0032](b)在固定采样率下基于不同稀疏基的SPL算法重构HOME图像的PSNR
[0033](c)在固定采样率下基于不同稀疏基的SPL算法重构STONE图像的PSNR
[0034]图4：在固定采样率采样下基于不同稀疏基的SPL算法重构图像的时间(Time/s)对比
[0035](a)在固定采样率下基于不同稀疏基的SPL算法重构CACTUS图像的时间
[0036](b)在固定采样率下基于不同稀疏基的SPL算法重构HOME图像的时间
[0037](c)在固定采样率下基于不同稀疏基的SPL算法重构STONE图像的时间
[0038]图5：所构建模型与固定采样率下基于DCT和NSCT变换混合稀疏基的SPL算法重构模型效果对比
具体实施方式
[0039]为了使本领域的普通技术人员能更好的理解本专利技术的技术方案，下面结合附图和实施例对本专利技术的技术方案做进一步的描述。
[0040]实例运行所配置的环境为：处理器为Intel(R)Core(TM)i5
‑
6300HQCPU，主板为惠普8257(英特尔HM170芯片组)，内存为12GB 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像内容的压缩感知图像重构模型，其特征在于步骤如下：步骤S1：将维数为N
×
N图像I分块，计算每个图像子块的方差，为所有图像子块的最大方差，为最小方差，设置两个阈值T1、T2，阈值范围为为了便于调节，设定阈值p
a
为调节参数，通过p
a
的调节，使平滑块、普通块、不平滑块数量相等，并对每一个图像子块进行标记，标记值分别为F＝1，F＝2，F＝3，步骤S2：设置图像子块的采样率s1、s2和s3，根据采样率构建不同的高斯随机采样矩阵利用构建的采样矩阵对各个图像子块进行采样，采样前需要将各个图像子块排列为一维向量采样后得到的信号为步骤S3：构建初始化图像，根据得到每个子块的初始一维数据，然后将得到的每一个数据变换成图像子块再排列组合成一个整体的二维图像I0，步骤S4：设置重构过程相关参数，控制迭代停止的逼近误差为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，步骤S5：开始进行优化迭代，将第k次迭代得到的图像I
k
分为互不重叠的n
×
n的子图像f
i,k
，并将每个子块变为一维向量然后进行优化运算，优化公式为将得到的排列组合为图像子块f
′
i,k+1
，步骤S6：判断每一个图像子块f
′
i,k+1
的类型，如果F＝1，则执行基于DCT变换的硬阈值处理过程,得到处理后的每个平滑块的图像子块如果F＝2，则执行基于NSCT的二元阈值收缩处理过程,得到处理后的每个普通块的图像子块如果F＝3，则执行基于DCT和NSCT混合稀疏表示的阈值处理过程,得到处理后的每个非平滑块的图像子块步骤S7：将得到的图像子块普通块的图像子块和非平滑块的图像子块排列组合得到图像I
′
k+1
，对I
′
k+1
进行维纳滤波，得到图像I
k+1
，步骤S8：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，令k＝k+1，再次执行步骤S5，S6，S7，S8，继续进行迭代优化，否则输出重构图像I
rec
＝I
k+1
。2.根据权利要求1所述的一种基于图像内容的压缩感知图像重构模型,其特征在于：步骤S6中基于DCT变换的硬阈值处理过程为：将图像子块f
′
i,k+1
进行二维DCT变换，得到稀疏系数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
...

【专利技术属性】
技术研发人员：曾艳，王萌，张洪国，常燕臣，郭华傲，
申请(专利权)人：唐山工业职业技术学院，
类型：发明
国别省市：