图像压缩感知观测矩阵和重构算法研究

《图像压缩感知观测矩阵和重构算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文图像压缩感知观测矩阵和重构算法研究作者姓名邓博文学科专业信号与信息处理指导教师杨春玲教授所在学院电子与信息学院论文提交日期2018年6月ResearchonMeasurementMatrixandReconstructionAlgorithmforCompressedImageSensingADissertationSubmittedfortheDegreeofMasterCandidate：DengBowenSupervisor：Prof.YangChunlingSouthChinaUniversityofTechnol

2、ogyGuangzhou,China分类号：TN919.81学校代号：10561学号：201520109499华南理工大学硕士学位论文图像压缩感知观测矩阵和重构算法研究作者姓名：邓博文指导教师姓名、职称：杨春玲教授申请学位级别：工学硕士学科专业名称：信号与信息处理研究方向：图像与视频信号处理论文提交日期：2018年06月07日论文答辩日期：2018年06月03日学位授予单位：华南理工大学学位授予日期：年月日答辩委员会成员：主席：杜明辉教授委员：杨春玲教授、马丽红教授、刘杰平副教授、钟海波高级工程师摘要传统的图像信号采集是基于香农-奈奎

3、斯特采样定理进行的，通过先采样后去冗余的方式实现高效存储与传输。这种方式占用了信号采集端大量的资源并且计算复杂度较高，不适用于实时图像采集的场景，例如锅炉火焰监测，运动物体的经纬度测定等。压缩感知（CompressedSensing，CS）理论提出了一种新的信号采集方法，使得信号的采集和压缩可以同时进行，大大节省了采集端的资源并降低了计算复杂度，引起了各方学者们的广泛关注。图像压缩感知（CompressedImageSensing，CIS）是基于CS的一种图像采集与恢复技术，包含了图像信号的观测，稀疏表示，重构三个关键技术。本文着重研

4、究了观测矩阵的构造和重构算法的设计。主要工作和研究成果如下：1.针对随机性观测矩阵不利于硬件实现的问题，本文提出一种基于分块对角哈达玛矩阵的图像压缩感知观测矩阵构造方法，并将均匀分块的思想拓展到非均匀分块，以适应不同维度的信号。首先根据图像块大小确定观测矩阵维度，再依据整数分拆理论构造分块对角哈达玛矩阵；然后根据采样率按照本文提出的取行方法提取相应的行，得到相应的图像压缩感知观测矩阵。分块对角哈达玛观测矩阵是三值确定性矩阵，利于硬件实现。仿真结果表明，与现有的经典观测矩阵相比，本文提出的观测矩阵应用于现有较好的图像压缩感知重构算法中，

5、具有较好的图像重构质量，而且重构算法复杂度更低。2.针对CIS组稀疏表示重构算法在低采样率下尤其是对纹理特征相对复杂的图像重构质量不佳的问题，提出了基于残差补偿的组稀疏表示（RCGSR）重构方法。即对稀疏处理前后图像组利用主成分分析（PCA）进行组稀疏表示并获取相应稀疏系数之间的残差，对残差进行稀疏化处理，将处理后的残差补偿至稀疏处理后图像组的稀疏系数中。在残差稀疏化处理过程中利用自适应软阈值收缩算法，对不同稀疏系数残差采取不同的阈值进行收缩处理，以增强算法的鲁棒性。该算法在较好地保留了图像低频信息的同时大大减少了图像高频细节信息的损

6、失，图像重构质量得到进一步提升。关键词：图像压缩感知；观测矩阵；非均匀分块；重构算法；残差补偿IAbstractThetraditionalimagesignalacquisitionisbasedontheShannon-Nyquistsamplingtheory,wherethesignalisfirstsampledandthentheredundantdataisdiscardedtoachieveefficientstorageandtransmission.Thisapproachoccupieshugeresources

7、ofacquisitionsideandhashighcomputationalcomplexity,soit’sunsuitableforthescenariosofreal-timeimageacquisition,suchastheboilerflamemonitoring,thelatitudeandlongitudeofamovingobjectdetection,etc.Compressedsensing(CS)theoryproposedanewsignalacquisitionmethod,conductingsamp

8、lingandcompressionsimultaneously,savingsamplingresourcesandreducingcomputationalcomplexityenormously.Thistheor