专利名称：基于压缩感知的目标重构方法
技术领域：
本发明属于图像处理技术领域，涉及自然图像的重构，具体的说就是一种加入目标先验知识的压缩感知目标重构方法，可用于目标检测。
背景技术：
压缩感知(Compressive Sensing)是一个介于数学和信息科学的新方向，由 Candes、Terres Tao等人提出，挑战传统的采样编码技术，即Nyquist采样定理。压缩感知理论为信号采集技术带来了革命性的突破，它采用非自适应线性投影来保持信号的原始结构，以远低于奈奎斯特频率对信号进行采样，通过数值最优化问题准确重构出原始信号。美国Rice大学已经根据压缩感知理论设计出的单像素相机，美国国防部先进计划研究署正在支持压缩感知技术的研究，在通用电气(GE)医疗集团的参与下，威斯康辛大学的一个研究小组正在把压缩感知技术与HYPR和VIPR技术结合，以提高特定种类磁共振扫描的速度， 在某种情况下可以达到原来速度的几千倍。信号或者图像重构是压缩感知理论的核心问题，目前已有的压缩感知重构方法有内点法，梯度投影法，匹配追踪法MP，正交匹配追踪法0ΜΡ，贝叶斯压缩感知Byes。这些压缩感知重构方法存在以下不足I)由于重构过程中没有加入目标的先验知识，因此这些方法只能用于整个场景的重构，没有突出场景中目标的功能，无法寻找场景中感兴趣的目标，工作人员需要对重构出的整幅图像再做处理才能确定目标的位置；2)对采样率有较高的要求，因此给采样硬件设备带来很大的负担。
发明内容
本发明的目的在于针对上述已有方法的不足，提出一种基于压缩感知的目标重构方法，以在采样率较低的情况下重构出场景中的目标，并使目标相对于背景清晰突出，在重构图像的同时检测出目标。实现本发明目的地技术思路是首先通过混合因子分析模型对目标建模，得到目标的概率密度函数，再对要重构的整幅图像分块，然后对每一小块图像分别进行压缩感知重构，将训练得到的目标的概率密度函数作为目标的先验知识加入到重构过程。具体步骤包括如下(I)通过混合因子分析模型对目标进行高斯混合建模，得到目标的概率密度
P(X) = YjAtN(X-Xt^t)
t=l其中x°为目标的训练样本，X t为高斯混合模型中包含的各个高斯分布的均值， Ω,为高斯混合模型中包含的各个高斯分布的协方差，λ t为高斯混合模型中各个高斯分布的权重，T为高斯混合模型中包含的高斯分布的个数；
(2)将目标所在的整幅图像均匀分成大小相同的小块，小块的大小与目标的训练图像的大小相同并且保证目标完整的在某一小块上；(3)对每一小块图像分别进行重构(3a)对每一小块图像X分别进行随机观测得到它的随机观测向量y y = Φχ+ν其中x为待重构的小块图像，它的维数为N，y为小块图像的随机观测向量，Φ为的高斯随机观测矩阵，V为观测时产生的噪声服从零均值的高斯分布，它的维数为N，其中N =1024 ；(3b)根据以下贝叶斯公式从随机观测向量y中恢复出小块图像X
权利要求
1.一种基于压缩感知的目标重构方法，包括以下步骤(1)通过混合因子分析模型对目标进行高斯混合建模，得到目标的概率密度
2.根据权利要求I所述的基于压缩感知的目标重构方法，其中步骤(I)所述的通过混合因子分析模型对目标进行高斯混合建模，按如下步骤进行(2a)拍摄目标在不同角度的图像η幅，将这些图像作为训练图像，通过最近邻插值方法将训练图像统一成大小为32X32像素，1000 ≤ n ≤ 1600 ；(2b)通过Beta过程，得到以下高斯分布的协方差矩阵的秩J :Xi Ν(Α ^+μ , α ^1In)；其中Xi为训练样本维数是N，A在混合因子分析模型中代表一组基为NXJ的矩阵，张成一线性子空间，Wi为混合因子分析模型中A所张成的线性子空间的系数，其维数为J，μ 为均值维数为N，In是NXN的单位矩阵，α为精度值；(2c)通过Dirichlet过程得到高斯混合模型中高斯分布的个数T ；(2d)将Beta过程与Dirichlet过程结合,得到高斯混合模型中各个高斯分布的参数的值
全文摘要
本发明公开了一种基于压缩感知的目标重构方法，主要解决现有技术在重构图像时不能检测目标的问题。其实现过程为1)通过混合因子分析模型对目标进行高斯混合建模得到目标的概率密度；2)对要重构的整幅图像分块；3)利用学习到的目标的概率密度作为目标的先验知识，对每一小块图像分别重构；4)将重构出的小块图像拼凑还原为原始的完整图像，得到重构出的整幅图。本发明能够在重构图像的同时检测目标，具有节省资源，效率高的优点，可用于目标检测。
文档编号G06T5/00GK102592269SQ201210007428
公开日2012年7月18日 申请日期2012年1月11日 优先权日2012年1月11日
发明者侯彪, 张向荣, 焦李成, 王爽, 程曦, 马文萍 申请人:西安电子科技大学