专利名称：基于结构字典的分块图像压缩感知重建方法
技术领域：
本发明属于图像处理技术领域，更进ー步涉及一种压缩感知理论框架下的基于结构字典的分块压缩感知图像重建方法，可用于压缩观测下各类自然图像的高质量重构。
背景技术：
为了得到高分辨率的图像，传统的图像获取方法中需要增加传感器的数目，这会增大成像设备的成本与体积。压缩感知理论是近几年在信号处理领域发展起来的一种新的信息获取与处理方法，它对稀疏或可压缩信号同时进行采样与压缩，使用低分辨的传感设备就可以在终端精确重建信号，从而解决了传统乃奎斯特采样中对采样速率要求的瓶颈问题。在ニ维图像压缩感知重建中，如果对原始图像整体进行采样，需要较高的计算复 杂度与硬件代价。之后发展起来的分块图像压缩感知重建方法先把图像分为固定大小的图像块，对所有的图像块进行随机投影，逐块重建后再聚合成原图像。此时，分块重建具有易于运输和存储等优点，是实现图像压缩感知的ー个重要进步。西安电子科技大学的专利申请“基于核回归的压缩感知图像重构方法”(公开号CN102332153A，申请号201110268034. 5，申请日2011年9月13日)中公开了ー种基于核回归的压缩感知图像重构方法。该方法首先对图像进行分块，利用正交匹配追踪OMP算法和冗余离散余弦(DCT)字典对这些图像块进行初步重构，然后对图像运用核回归方法得到图像小块的局部信息，利用邻域图像块加权得到图像小块的非局部信息，最后利用图像小块的局部信息和非局部信息通过最小ニ乘求解得到重构图像小块，对所有图像小块重复此类操作，获得最終SAR高分辨重建图像。该专利申请存在的不足是，对不同图像块进行初步重构时采用的字典是单ー的冗余离散余弦字典，但不同的图像块一般具有不同的结构特征，从而对具有不同结构特征的图像块不能进行最稀疏的表示，影响重建效果；另外，该专利有对具有纹理信息的图像重建效果不理想的缺点。
发明内容
本发明的目的在于针对现有压缩感知重构技术中采用单一字典，难以最稀疏的表示具有不同结构特征图像块的缺点，而影响图像的最終重建效果的缺点，提出ー种基于结构字典的分块图像压缩感知重构方法。本发明的思路是，首先基于图像块的结构特征对图像块分进行类，然后以每类图像块作为训练样本，利用K-Singular Value Decomposition (KSVD)字典训练方法训练得到冗余字典与余弦基字典组成结构字典，最后在分块图像压缩感知重建时，利用基于重建误差加权求和的方法获得最终图像。本发明的实现的具体步骤如下(I)获取训练样本；(2)图像块分类
2a)分别计算各个训练样本的方差；2b)将方差小于平滑阈值的图像块归为平滑类图像块，方差大于平滑阈值的图像块归为非平滑类图像块；2c)根据梯度计算方法分别计算各个非平滑类图像块中各像素水平方向与垂直方向的梯度，得到梯度矩阵；2d)对梯度矩阵进行奇异值分解，得到左酉矩阵、对角矩阵和右酉矩阵；2e)计算对角矩阵中的两个奇异值的差与和，并计算两者的比值；2f)将比值与不规则阈值进行比较，若比值大于不规则阈值，则将非平滑类图像块归为规则类图像块，否则，归为不规则类图像块；2g)利用下式计算规则类图像块指向值
权利要求
1.ー种基于结构字典的分块图像压缩感知重建方法，包括如下步骤 (1)获取训练样本； (2)图像块分类 2a)分别计算各个训练样本的方差； 2b)将方差小于平滑阈值的图像块归为平滑类图像块，方差大于平滑阈值的图像块归为非平滑类图像块； 2c)根据梯度计算方法分别计算各个非平滑类图像块中各像素水平方向与垂直方向的梯度，得到梯度矩阵； 2d)对梯度矩阵进行奇异值分解，得到左酉矩阵、对角矩阵和右酉矩阵； 2e)计算对角矩阵中的两个奇异值的差与和，并计算两者的比值； 2f)将比值与不规则阈值进行比较，若比值大于不规则阈值，则将非平滑类图像块归为规则类图像块，否则，归为不规则类图像块； 2g)利用下式计算规则类图像块指向值
2.根据权利要求I所述的基于结构字典的分块图像压缩感知重构方法，其特征在于，步骤(I)中所述的获取训练样本的具体步骤如下第一歩，从数据库中选取具有平滑特征、不规则特征及不同的指向信息等多种结构特征信息的多幅原图像，分别对这些图像进行下采样，得到下采样图像； 第二歩，将数据库中选取的多幅原图像与原图像，构成训练样本库； 第三步，将样本库中的图像按同样大小进行不重叠的逐次分块，随机抽取10000 40000个训练图像块，并将其按列依次拉为列向量，作为训练样本。
3.根据权利要求I所述的基于结构字典的分块图像压缩感知重构方法，其特征在于，步骤2b)所述的平滑阈值为10 30。
4.根据权利要求I所述的基于结构字典的分块图像压缩感知重构方法，其特征在于，步骤2c)所述的梯度计算方法是指，将非平滑类图像块中每个像素点的水平分量与垂直分量分别减去其相邻像素点的水平分量与垂直分量，得到该像素点的梯度，所有像素点的梯度构成ー个梯度矩阵。
5.根据权利要求I所述的基于结构字典的分块图像压缩感知重构方法，其特征在于，步骤2f)所述的不规则阈值按照下式计算，当概率密度函数P的曲线下降到水平位置时的变量R即为不规则阈值
6.根据权利要求I所述的基于结构字典的分块图像压缩感知重构方法，其特征在于，步骤3b)所述的初始化是指，将初始字典设为冗余离散余弦字典训练字典，稀疏度设为6，原子数目为256,迭代次数为30。
7.根据权利要求I所述的基于结构字典的分块图像压缩感知重构方法，其特征在于，步骤3d)所述的余弦基公式如下C=A kcos (, k (xcos Θ +ycos Θ )) 其中，C为余弦基值，k表示余弦基方向变换的频率，在O I取值范围内取16个均匀分布的离散值，λ k表示余弦基的幅度，当k取值为O或I吋，λ k取值1，否则，λ k取值7 ，Θ表示余弦基变换的方向，在O 取值范围内取16个均匀分布的离散值，x、y分别表示余弦基在水平方向和垂直方向像素点的值。
8.根据权利要求I所述的基于结构字典的分块图像压缩感知重构方法，其特征在于，步骤6b)所述的正交匹配追踪方法是指，在字典中贪婪的选取与重建信号最相关的原子，对所选原子进行加权求和重建原始信号。
9.根据权利要求I所述的基于结构字典的分块图像压缩感知重构方法，其特征在于，步骤8b)所述的反分块处理是指，将最终重建图像矩阵的列向量恢复为图像块，再将图像块逐个排列组成重建图像。
全文摘要
本发明公开了一种基于结构字典的分块图像压缩感知重建方法，克服了现有技术中分块压缩感知重建时由于单一字典对具有不同结构的图像块不能最稀疏的表示，而导致重建效果不理想的缺点，实现步骤为(1)构造训练样本库；(2)图像块分类；(3)训练结构字典；(4)构造观测矩阵；(5)观测图像块；(6)结构字典重建；(7)获取重建误差；(8)重建图像；(9)输出重建图像。采用基于图像块在所有结构字典下误差的加权求和方法进行重建，明显的提高了重建质量。
文档编号G06T11/00GK102708576SQ201210155980
公开日2012年10月3日 申请日期2012年5月18日 优先权日2012年5月18日
发明者侯彪, 刘芳, 杨淑媛, 焦李成, 王爽, 谢冬梅, 陈义光, 马文萍, 齐智峰 申请人:西安电子科技大学