一种基于CCD图像传感器的压缩成像和重构方法与流程

本发明涉及多媒体中的数字图像压缩和重构领域，特别是涉及一种基于CCD图像传感器的压缩成像和重构方法。
背景技术：
：传统图像信号采集和处理以香农采样定理为准则，其高速采样后再压缩的处理方式对采样资源造成大量浪费，额外增加了光电探测阵列的负担，并且编码复杂度较高。在THz成像等探测器较昂贵的场合，减少光电探测器的个数就能有效降低整个系统的制造成本。随着数字图像处理技术在医学图像、遥感和视频处理中广泛地应用，人们对于高分辨率的图像需求越来越高。然而受成像系统自身和外界环境的制约，所成图像往往会发生变化失真和受噪声干扰，因此最后所得图像的分辨率不能符合实际观测要求。若仅仅依靠改进硬件结构的方法来获得高分辨率图像，是非常难达成或者实现的成本十分高昂。因此，迫切需要寻求一种新的信号采样理论，从源头上解决冗余信息处理带来的低效率，并在该理论指导下建立新型成像方法。近年来提出的压缩感知理论(CompressiveSensing，CS)为上述问题的解决提供了理论依据。CS理论指出：只要信号是可压缩的或在某个变换域是稀疏的，就能通过低维空间的非相关测量实现高维稀疏信号的感知，并通过求解稀疏最优化问题从少量的测量值以高概率精确重构原始信号或图像。目前基于CS的各种应用研究还处于理论阶段，基于CS理论的压缩成像(CompressiveImaging，CI)系统的设计是推动压缩感知理论在图像采集和处理领域应用的关键。CI与传统成像方法相比，能以较少的探测器数量对目标进行压缩采样，有效提高有限噪声检测器的测量精度，并且成像复杂度低，适合于在功耗受限场合下应用，但对压缩成像的研究还处于起步阶段，国内外相关研究成果还较少。近年来，CCD器件及其应用技术的研究取得了惊人的进展，特别是在图像传感领域的发展更为迅速。随着CCD技术和理论的不断发展，CCD技术应用的广度与深度必将越来越大。新型的CCD图像传感器具有体积小、灵敏度高、分辨率高、动态范围大、图像畸变小、无残像、抗冲击、耐震动、抗电磁干扰、能长时间工作于恶劣环境、使用寿命长、信息处理容易、与微机接口方便等诸多的优点，并且由CCD图像传感器所构成的图像采集和处理系统能够安全高效地实现对生产状况的监测，因此把CCD图像传感器应用于图像压缩成像领域具有十分广阔的应用前景。本发明在此基础上提出基于CCD特征的压缩成像方法，通过CCD图像传感器采集信号，在CCD输出端直接对模拟电压值进行压缩测量，再用TVAL3算法对压缩成像块进行重构。技术实现要素：基于现有技术，本发明提出了一种基于CCD特征的压缩感知成像及重构方法，在CCD图像传感器的输出端，对模拟电压值直接进行压缩测量，整个测量过程单次曝光单孔径压缩测量就可以得到所需要的测量值，然后再进行AD转换，在重构时用基于块的TVAL3算法对压缩测量进行重排序实现原始图像的重构。本发明的一种基于CCD图像传感器的压缩成像和重构方法闸方法，该方法包括以下步骤：步骤1、进行测量矩阵的构造和选取，即测量矩阵的构造需满足三个条件：测量矩阵的列向量符合某种与噪声类似的独立随机特性；满足L1范数最小的向量同时是稀疏度的解；测量矩阵的列向量要符合特定程度的线性独立性，即由列向量构成的子矩阵，它的最小奇异值必须大于某个常数；测量矩阵的选择原则是每行出现1的个数相等且相邻出现；每列有且仅有一个1；构造出四种测量矩阵，包括Z型矩阵、L型矩阵、倒N型矩阵、U型矩阵；步骤2、进行图像块压缩成像，利用Z型矩阵对第k个图像块进行压缩测量：将K个像素写成列向量形式，第一个测量值yk1是由该图像块像素向量Xk与测量矩阵Φ的第一行内积得到，即假定行向量只有第一列和第二列的值为1，其他值都为0，所以得到yk1时只用到了原始像素向量的第一行和第二行的数值；以此类推，得到第二个测量值yk2只使用了原始像素向量的第三行和第四行数据；步骤3、对上述压缩后的数据进行分块重构，具体算法包括：步骤31、开始，将i赋值为1；步骤32、在重构端获取第i行的数据，判断i是否小于M+M*j；步骤33、若i<M+M*j，一个块行的数据还没有获取完整，i＝i+1，重复步骤32；步骤34、若i＝M+M*j，获取到了完整的块行数据，然后基于TVAL3算法对整个块行进行分块重构，恢复一个块行的图像；步骤35、判断j是否小于N/M，若是直接结束，否则转到步骤36；步骤36、i＝i+1，返回步骤32。与现有技术相比，本发明克服了传统串行和并行压缩成像对原始图像块的像素多次利用的不足，大大减轻了AD的负担，另外该算法计算复杂度低，能有效加强重建速度，并且重建图像的PSNR值有着明显的提高。附图说明图1是本发明的0.5采样率情况下所构造的四种半循环半随机矩阵，(1a)、Z型矩阵；(1b)、L型矩阵；(1c)、倒N型矩阵；(1d)、U型矩阵；图2是功率变换模块或单元的能耗系数表；图3是本发明的重构过程分块示意图，(3a)、原始数据；(3b)、压缩后数据；图4是本发明的重构算法流程图；图5为三种不同重构方式的效果对比图，(5a)、以“块”为单位；(5b)、以“行”为单位；(5c)、以“列”为单位；图6为四种不同测量矩阵的重构效果对比图，(6a)、Z型矩阵；(6b)、L型矩阵；(6c)、倒N型矩阵；(6d)、U型矩阵；图7为0.5采样率下不同噪声等级对重构图像的影响对比图，(7a)、无噪声；(7b)、等级1；(7c)、等级2；(7d)、等级3；图8为不同采样率条件下对重构图像的影响对比图，(8a)、采样率0.9；(8b)、采样率0.7；(8c)、采样率0.5；(8d)、采样率0.3；图9为本发明的基于CCD特征的压缩感知成像及重构方法的整体流程示意图。具体实施方式下面结合附图和具体实施方式对本发明技术方案作进一步详细描述。基于CCD图像传感器的信号采集压缩测量过程可表示为：Y＝ΦX+N(1)式中Y表示测量值，Φ表示测量矩阵，X代表原始图像信号，N代表在压缩测量过程中出现的干扰。由上式可知构造出合适的测量矩阵至关重要。本发明的基于CCD特征的压缩感知成像及重构方法主要由构造或选取测量矩阵、压缩成像和成像系统分块重构三部分组成。具体实现步骤如下：第一步：测量矩阵的构造和选取利用压缩感知理论对信号进行压缩测量时，首先需要判断原始图像信号X是稀疏的，然后用测量矩阵Φ对其投影进行测量，得到M维的测量值Y。利用测量值Y，再根据重构算法，就可以重构出原始的系数信号X，这一过程需要求解的方程组是欠定的，只有投影矩阵A符合以下形式的RIP特性，才能够确保该方程有解，并且满足条件的最优解唯一：(1-εk)||x||2≤||Ax||2≤(1+εk)||x||2其中常数εk∈(0，1)，称为RIP常数。测量矩阵必须满足以下3个特征才能够确保投影矩阵A符合RIP特性，即测量矩阵的每一个列向量必须要符合某种与噪声类似的独立随机特性；满足L1范数最小的向量同时也要是稀疏度的解；测量矩阵的列向量要符合特定程度的线性独立性，即由列向量构成的子矩阵，它的最小奇异值必须大于某个常数。现存的矩阵中伪随机测量矩阵在取得同样准确的重构效果中，使用的压缩测量值较少，硬件实现容易且重建效果好。因此选取伪随机矩阵作为测量矩阵。在不考虑噪声的情况下，将压缩感知过程写成：Y＝ΦX(2)假设Y＝[y1,y2,ΛΛ,ym]T，其中i＝1,2,ΛΛ,m,m＜n，X＝[x1,x2,ΛΛ,xn]T，上式可转化为由于CCD图像传感器具有以下三个特点：信号输出是模拟电压值，模拟电压值在压缩测量时不可被重复利用，输出方式是按行输出。本发明提出的基于CCD特征的压缩成像中，在进行如式(3)的压缩测量过程中，要求对X＝[x1,x2,ΛΛ,xn]中每个像素值仅利用一次，这就要求测量矩阵具有以下两个特点：每行出现1的个数相等且相邻出现；每列有且仅有一个1。采用一种半循环半随机式类LDPC矩阵，这一矩阵在0.5采样率及以下具有半循环的特点，0.5采样率情况下的矩阵形式如图1的(1a)所示。基于LDPC矩阵再结合本文提出的CCD特征的压缩成像方法，构造出另外三种测量矩阵，如图1的(1b)、(1c)、(1d)所示。由于测量矩阵列向量的相关值能够和RIP特性联系起来，可以通过计算相关值非零的比率来作为测量矩阵的一个大概的标准。L型、倒N型、U型测量矩阵是Z型半循环伴随机矩阵在50％采样率时的变形，满足对CCD输出的模拟量不重复使用的压缩测量条件，同时对256*1信号进行采样，计算0.5采样率条件下四种矩阵列向量相干值非零比率发现，四种矩阵相差不大，其相干值非零比率如表1所示。表1、0.5采样率下相干值非零比率矩阵类型Z型矩阵L型矩阵倒N型矩阵U型矩阵0.5采样率0.39％0.58％0.39％0.39％第二步：压缩成像过程利用Z型矩阵对第k个图像块进行压缩测量：将K个像素写成列向量形式，第一个测量值yk1是由该图像块像素向量Xk与测量矩阵Φ的第一行内积得到，即假定行向量只有第一列和第二列的值为1，其他值都为0，所以得到yk1时只用到了原始像素向量的第一行和第二行的数值；以此类推，得到第二个测量值yk2只使用了原始像素向量的第三行和第四行数据。整个测量过程对图像块的每个像素值只使用了一次，也就是整个测量过程单次曝光单孔径压缩测量就得到了所需要的测量值。其他类型矩阵的压缩成像也采用上述过程。第三步：成像系统分块重构由于在利用TV准则进行图像重建时寻找的是垂直方向和水平方向的强度不间断性，没有加强在对角线方向的不间断性，而且没有充分利用块与块之间的相关性。所以本发明采用基于最小全变分法的TVAL3(TotalVariationMinimizationbyAugmentedLagrangianandAlternatingDirectionAlgorithms)算法，将增广拉格朗日函数和全变分法两者相结合来进行图像压缩重建，有效加强了重建速度，并且重建图像的PSNR值有着明显的提高，其重建公式为：这里||·||p中的p＝1或者2，代表1范数或者2范数，Diμ表示在像素i处μ的离散梯度向量。如果用(i,j)表示I(设其大小为M*N)中某个像素点的位置(1＜i＜M,1＜j＜N)，水平和垂直方向的梯度可分别表示为：在图像重建的过程当中，要充分考虑像素与像素之间的相关性。上述压缩感知相当于将原始图像中的像素矩阵按行把相邻两个像素值相加得到压缩测量值矩阵。然而在图像重构过程中是以块进行重构，这样整个图像按行压缩，按块重构就会产生矛盾。由于按行压缩和重构忽略了图像间的列相关性，重构效果差，所以按行/列压缩，再按行/列重构的方法显然是不可行的。因此我们需要寻找行/列与块之间的内在关系，在压缩时按行/列进行压缩测量，在重构端按块进行重构。假设原始图像的大小为8*8，每个方格代表一个像素，整个图像可以用矩阵A＝[A1A2A3A4A5A6A7A8]T表示，其中每个行向量Ai＝[ai1ai2ai3ai4ai5ai6ai7ai8]。将整个像素矩阵在0.5采样率的测量矩阵下按行压缩得到如图(3b)所示的各个数据，即将(3a)中各行的数据进行两两相加。把图3中(3a)再次按照4*4大小分成4个小块分别进行压缩，得到的效果图也如图3的(3b)所示。在解码端，基于块进行重构时，需要按照图3的(3b)的顺序，将压缩测量值按照原始图像数据分成相应的块，再按块进行重构。该方法需要等待一个块行Ⅰ到来才能进行图像重建，且该过程不会对整个重构的速度带来较大的影响。假设需要重构的的图像的大小为N*N，分块大小为M*M，且N能被M整除，用K表示N/M，i表示第i行数据，i小于或等于N，j表示第j个块行，j小于等于K，其中i的初始值为1，j的初始值为0。对原始图像进行重构的流程图如图4所示。(1)、开始，将i赋值为1；(2)、在重构端获取第i行的数据，判断i是否小于M+M*j；(3)、若i<M+M*j，一个块行的数据还没有获取完整，i＝i+1，重复(2)；(4)、若i＝M+M*j，获取到了完整的块行数据，然后基于TVAL3算法对整个块行进行分块重构，恢复一个块行的图像；(5)、判断j是否小于N/M，若是直接结束，否则转到(6)；(6)、i＝i+1，返回(2)。由于按行/列压缩、再按行/列重构的效果与传统按块重构的效果有着很大的差别，其重构效果图如图5所示，其中(5a)为以“块”为单位进行压缩和重构的图像，(5b)和(5c)分别为以“行”或以“列”为单位进行压缩和重构的图像。从图5可以看出按行/列压缩和重构效果较差，这是由于其按行进行压缩和重构就忽略了图像间的列相关性，同理，若是按列进行压缩和重构就忽略了行的相关性，按行/列压缩，再按行/列重构的方法显然是不可行的。因此该算法寻找按行压缩、按块重构中的行与块之间的内在联系进行压缩重构。在采样率为0.5时，按分块大小为8*8、16*16和32*32，四种测量矩阵Z型矩阵、L型矩阵、倒N型和U型矩阵对Lena图像在无噪声情况下压缩重建效果如表2所示。表2四种矩阵对Lena图像的重构效果PSNR值对比(dB)观测可知，在0.5采样率下，对Z型半随机半循环矩阵变形的三个矩阵中，L型矩阵在三种分块方式下的重构效果都要比其他三种矩阵要好的多，经过改进的测量矩阵在压缩重构过程中，重建效果得到了提高。图6为分块大小为16*16，采样率为0.5时的重建主观效果图。由于CCD内部电路在正常工作时主要产生两类噪声：一类是CCD探测器自身携带的噪声，如转移噪声、暗电流噪声以及散粒噪声；另一类是CCD内在电路带来的噪声，如中间电路的串扰和电阻热噪声等，因此在图像压缩重构中加入噪声参数。表3给出了测试图像Lena按8*8、16*16和32*32进行分块压缩重构时噪声参数取值不同和采样率不同时的PSNR值的比较。表3测试图像Lena的重构PSNR结果比较(dB)可以明显看出，对于采用不同的分块大小8*8、16*16和32*32，相同噪声等级和相同采样率的条件下，16*16和32*32的分块方式PSNR的值相差不大，但32*32的分块方式重构需要更多的时间(具体所需的时间与计算机的配置有关)。另外，从上表中可以看出一个大概的趋势，若采样率一定，PSNR值随着噪声等级的提高而减小；若噪声等级一定，PSNR值随着采样率的升高而增大。图7和图8分块大小取16*16，对这一趋势从主观上进一步说明。当前第1页1 2 3