基于分块策略和遗传进化的视频图像压缩感知重构方法
【技术领域】
[0001] 本发明属于图像视频处理技术领域，更进一步涉及一种视频压缩感知重构方法， 可用于对自然图像视频序列进行重构。
【背景技术】
[0002] 近几年，在信号处理领域出现了一种新的数据理论压缩感知CS，该理论在数据采 集的同时实现压缩，突破了传统奈奎采集斯特采样定理的限制，为数据采集技术带来了革 命性的变化，使得该理论在压缩成像系统、军事密码学、无线传感等领域有着广阔的应用前 景。压缩感知理论主要包括信号的稀疏表示、信号的观测和信号的重构等三个方面。其中设 计快速有效的重构算法是将CS理论成功推广并应用于实际数据模型和采集系统的重要环 To
[0003] 从科学到体育多种应用领域中，高速摄像机在捕捉快动作中发挥着重要的作用， 但是测量高速视频对摄像机的设计来说是一种挑战。压缩感知通过低帧率的压缩测量，能 够捕捉高帧率视频信息，因此压缩感知被用于高速视频信息的捕捉，从而减轻高速摄像机 设计的困难。
[0004] Jianbo Yang等人在论文 "Video Compressive Sensing Using Gaussian Mixture Models"（《IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society》,2014,23)中提出一种基于高斯混合模型的方法。该方 法通过对时空视频块建立高斯混合模型，对时间压缩的视频序列进行重构，获得了较好的 重构效果，但是该方法仍然存在的不足是，该重构方法对视频帧序列的前后帧变化的部分 重构效果不是很理想，在运动的边缘部分比较模糊。
【发明内容】
[0005] 本发明的目的在于针对现有技术领域中的时空视频压缩感知重构技术的不足，提 出一种基于分块策略和遗传进化的视频图像压缩感知重构方法，以提高重构图像的质量。
[0006] 本发明的技术思路是:在发送方进行观测向量的构造，对视频图像进行分组，对视 频图像的每一组的每一帧图像进行分块，根据同一位置相邻帧图像块差值的二范数将图像 块划分为变化块和非变化块。对非变化块对数据组的第一帧的图像块进行高斯观测，对非 变化块的所有图像块进行高斯观测。对获得的观测向量进行分类，利用视频帧间的相关性， 对观测数据进行聚类。根据相似性，采用遗传优化算法对每一类图像块进行重构，实现高质 量的视频压缩感知重构。其实现步骤包括如下：
[0007] 1.-种基于分块策略和遗传进化的视频图像压缩感知重构方法，包括：
[0008] (1)发送方以8帧为一个数据组，对视频图像的每一帧图像进行8X8的分块，根据 相邻帧同一位置图像块差值的二范数将图像块划分为非变化块和变化块，并对非变化块和 变化块进行随机高斯观测，得到观测向量；
[0009] (2)接收方将获取的所有观测向量进行图像块结构判别，即将每一个观测向量标 记为光滑或单方向或多方向；
[0010] (3)提取具有相同图像块结构的观测向量，对同一个图像块结构的观测向量进行 AP聚类；
[0011] (4)用已有的脊波过完备字典对产生的每一类观测向量进行种群初始化；
[0012] (5)分别利用遗传进化算法对步骤(4)的每一个遗传种群进行遗传交叉、基于方向 统计的遗传变异、遗传选择操作，获得每一类观测向量在过完备字典上的最优原子组合；
[0013] (6)根据步骤(5)获得的最优原子组合，对每一类观测向量进行重构，将它们组合 成视频数据；
[0014] 本发明与现有技术相比具有以下优点：
[0015] 第一，本发明利用视频图像相邻帧同一位置的相似性，根据观测向量的差值二范 数的统计特性，进一步降低了视频数据的采样率；
[0016] 第二，本发明利用视频帧间和帧内的相关性，通过遗传优化算法，使得本发明对视 频前后帧运动边缘的部分具有很好的重构效果。
【附图说明】
[0017] 图1是本发明的实现流程图。
[0018] 图2是本发明的仿真结果图。
[0019] 图3是实验参数对比图。
【具体实施方式】
[0020] 下面结合附图，对本发明做进一步的描述。
[0021 ]参照附图1，本发明的具体步骤如下：
[0022]步骤1.观测向量的获取。
[0023]输入一个256 X 256 X 96大小的视频。以8帧为一组，对视频图像的每一帧图像进行 8X8的分块。根据相邻帧同一位置图像块差值的二范数将图像块划分为非变化块和变化 块。对非变化块，只对每组视频的第一帧的非变化图像块进行随机高斯观测，其它视频帧的 非变化图像块不需要观测；对每组视频的所有变化块都进行相应的高斯随机观测;非变化 块和变化块的观测率不同或相同；
[0024]步骤2.对从发送方获得的观测数据进行图像块结构判别。
[0025] 2a)计算每个观测向量的方差，并设置光滑阈值为0.45〇,其中，〇是所有观测向量 的方差的平均值；
[0026] 2b)对每个观测向量，判断其方差是否小于等于光滑阈值，若是，则将该观测向量 对应的图像块标记为光滑块，否则，不做标记；
[0027] 2c)对每个尚未标记的图像块的观测向量，进行以下判定：
[0028] 2cl)根据脊波函数生成脊波过完备冗余字典，该字典共有6176个原子，36个方向 和16个尺度，每个尺度下大约有20个左右的位移；
[0029] 2c2)将脊波过完备冗余字典按方向分为36个子字典Φι，Φ2,...，机，...，Φ36,对每一 个图像块，根据其观测向量y和这些子字典，计算得到一个观测残差序列n，r2,...，Γι，...， 〇6，找到序列中的最小值在序列中的位置11 = 1，2，...，36;
[0030] 2c3)按如下公式计算序列中的子字典队的观测残差ri:
[0032]式中，y是待判定图像块的观测向量，Φ是用于观测的高斯矩阵，Dr是子字典Φ冲与 y相关性最大的10个原子组合，（·）+表示计算矩阵的伪逆矩阵，|卜|〖是向量二范数的平方； [0033] 2c4)利用观测残差序列中位置i-2，i-l，i，i+l和i+2上的五个残差值ri-2，ri-Ui， ri+i和ri+2，对观测向量y对应的图像块进行标记：若ri-2大于ri-1，ri-1大于1 · 2ri，:η+ι大于 1.2ri，且ri+2大于ri+1，则将观测向量y对应的图像块标记为单方向，并记录该单方向块的方 向为第i个方向，否则，不做标记；
[0034] 其中，在判断条件中，若i为1，ri-1和ri-2分别用Γ36和Γ35代替，若i为2，ri-2用Γ36代 替，若i为36，ri+dPri+2分别用r#Pr2代替，若i为35，仏 2用^代替；
[0035] 2c5)将其它尚未标记的图像块标记为多方向，且将所有的观测残差进行排序，选 取残差最小的3个方向作为多方向类的最优相关方向。
[0036]步骤3.提取具有相同图像块结构的观测向量，并对其进行AP聚类。
[0037]聚类方法有多种，K-means聚类，分层聚类、两步聚类等；
[0038] 3a)对于光滑块的所有观测向量，进行AP聚类得到光滑块的聚类结果；
[0039] 3b)对于单方向块的所有观测向量，进行AP聚类得到单方向块的聚类结果；
[0040] 3c)对于多方向块的所有观测向量，进行AP聚类得到多方向块的聚类结果；
[0041]步骤4.对每一类观测向量进行种群初始化。
[0042] (4a)对于标记为光滑块的观测向量，我们将ridgelet冗余字典按照尺度进行划 分，选取前7个尺度作为光滑块的子字典，在子字典下随机生成该类的遗传初始种群；
[0043] (4b)对于标记为单方向的观测向量，将ridgelet冗余字典按方向划分为36个子字 典，根据该类观测向量的标记判别方向i，选取前后相邻共5个方向（1-24-14 4+14+2)的 子字典进行种群初始化，对i = 35，i+2 = l;对于i = 36，i+l = l ;i+2 = 2;对于i = l，i-l = 36; i-2 = 35;对于i = 2，i-2 = 36;对方向i，根据方向i的子字典随机初始化12个个体，对方向i-1，i+1，根据方向i-1，i+1对应的子字典，分别随机初始化8个个体，对于标定的方向i-2，i+ 2，根据方向i_2，i+2所对应的子字典，分别随机初始化4个个体;将上述5个方向生成的所有 个体组合作为该类单方向的初始种群；
[0044] (4c)对于标记为多方向的观测向量，将ridgelet冗余字典按方向划为36个子字 典，然后对类中的每个观测，根据步骤(2)的标记，统计他们标记的最优的三个方向，选出这 一类中最优方向最多的三个方向j，k，1，作为该类多方向块的最优3个方向方向，对(j，k，1) 每一个方向（例如j)，分别选取前后相邻的5个方向（j-2，j-1，j，j+1，j+2)，对j = 35，j+2 = 1;对于 j = 36，j+1 = 1; j+2 = 2;对于 j = 1，j-1 = 36; j-2 = 35;对于 j = 2，j-2 = 36;对于方向 j，根据方向j的子字典随机初始化4个个体，对于标定方向j-1 J+1，根据方向j-1，j+1对应 的子字典，分别随机初始化2个个体，对于标定的方向j-2，j+2，根据