基于協(xié)同進化優(yōu)化和圖像先驗的分塊自適應壓縮感知.pdf

1、當壓縮感知(Compressed Sensing，CS)應用到圖像處理中時，會遇到存儲量巨大和重建算法復雜度過高兩大挑戰(zhàn)，分塊壓縮感知理論的出現(xiàn)很好的解決了這個難題。分塊壓縮感知理論分塊采樣、整體重建的思想，有效降低了存儲和計算成本，減小了算法的復雜度，使得壓縮感知不再受到計算機硬件條件的限制，可以應用到任意大小的圖像處理中。分塊壓縮感知具有的存貯量小、算法復雜度低、實時性好以及硬件容易實現(xiàn)等優(yōu)點，極大的促進了壓縮感知在圖像處理方面的應

2、用。
　　但是，傳統(tǒng)的分塊壓縮感知算法，都是基于凸優(yōu)化和貪婪算法的數(shù)學優(yōu)化方法，而且無論在算法設計的觀測階段還是重建階段，都沒有利用圖像特有的二維先驗知識。在本論文中，我們提出了一些基于協(xié)同進化優(yōu)化和圖像先驗的分塊自適應壓縮感知算法，這些算法的主要思想是，通過對圖像先驗知識的挖掘利用，設計出更加高效、穩(wěn)定、魯棒、自適應的分塊壓縮感知算法，使得本文提出的算法可以成功應用于合成稀疏圖像、醫(yī)學圖像、自然圖像和SAR圖像等一系列不同結(jié)構(gòu)特

3、性的壓縮感知圖像重建問題中。本論文的主要工作包括以下五個方面：
　　(1)針對進化算法面臨如何選擇一個恰當?shù)姆N群規(guī)模，來平衡算法的效率和有效性的兩難問題，提出了一種普適的種群規(guī)模自適應動態(tài)控制方法(SaDCPS)。該方法的實現(xiàn)不依賴進化操作的具體步驟，因而適用于各種進化算法，實現(xiàn)了算法的種群規(guī)模根據(jù)進化過程自適應的動態(tài)變化。提出的基于Logistic模型的增加/刪除數(shù)目自適應變化策略，自適應兼顧有效性和多樣性的增加算子，以及基于多

4、樣性的刪除算子，大大降低了算法的時間成本，同時有助于改善種群多樣性，避免陷入局部最優(yōu)，有效提高算法的性能。采用經(jīng)典測試函數(shù)和新型CEC05測試函數(shù)驗證其性能，實驗結(jié)果顯示，結(jié)合了SaDCPS方法的新算法，比原算法在求解精度和收斂速度上均有明顯的提升。
　　(2)針對傳統(tǒng)的進化算法求解CS圖像重建，這種超大規(guī)模的高維函數(shù)優(yōu)化問題時，算法性能較差的問題，在我們提出的 SaDCPS的進化算法的基礎(chǔ)上，引入了協(xié)作型協(xié)同進化的思想，提出了自

5、適應協(xié)同進化的多尺度CS算法(ACE-MCS)，來求解非凸CS圖像重建問題。并且針對CS重建問題的特點，設計了CS適應度函數(shù)，還設計了基于殘差相關(guān)性的動態(tài)分組策略、整體去偏協(xié)作策略以及基于殘差的初始種群隨機構(gòu)建策略。對合成稀疏圖像的實驗結(jié)果，驗證了 ACE-MCS算法的可行性和有效性，實現(xiàn)了用自然計算方法求解非凸CS圖像重建問題。
　　(3)針對我們提出的ACE-MCS算法，隨著圖像復雜度的增加，算法性能急劇下降，重建結(jié)果較差的問

6、題，提出了基于邊緣信息的自適應觀測方法(EAM)，和基于邊緣信息指導的協(xié)同進化自適應多尺度CS算法(ECEA-MCS)。EAM方法根據(jù)邊緣信息度判斷每個系數(shù)塊的能量大小，將其轉(zhuǎn)換成每個子塊的自適應采樣率，從而實現(xiàn)了多尺度CS的自適應觀測。EAM和已有CS算法的結(jié)合非常便捷，具有很好的可擴展性。ECEA-MCS算法中的自適應性，體現(xiàn)在采用EAM的自適應觀測，和利用邊緣信息指導的自適應重建這兩個方面。對更復雜的醫(yī)學和自然圖像的實驗結(jié)果顯示，

7、EAM對原算法的整體性能有很大的提升，重建圖像的質(zhì)量和視覺效果，都有明顯的改進。同時，ECEA-MCS算法比ACE-MCS算法，不僅重建精度顯著增加，還大大減少了時間成本。實現(xiàn)了從低頻系數(shù)中挖掘圖像先驗知識，使進化計算能夠求解CS復雜圖像重建問題的目標。
　　(4)針對傳統(tǒng)分塊壓縮感知方法，沒有利用圖像先驗知識，采用非自適應的觀測和重建，導致算法性能減弱的問題，提出了基于紋理信息的分塊自適應CS算法(BACS)，和基于視覺顯著性的

8、分塊自適應CS算法(VS-BACS)。兩種算法的自適應性都體現(xiàn)在兩個方面：一是自適應觀測，根據(jù)圖像的先驗知識自適應地把稀疏塊的采樣率，調(diào)整到富含邊緣和紋理的不稀疏塊，實現(xiàn)了在不增加整體采樣率的情況下，提高重建的質(zhì)量。二是自適應重建，實現(xiàn)了根據(jù)圖像的先驗知識自適應地調(diào)整濾波器閾值的大小，在重建過程中，既能很好地平滑簡單圖像，又能讓復雜圖像更多的保留細節(jié)信息。對醫(yī)學、自然和SAR三類測試圖像的實驗結(jié)果表明，利用了圖像先驗知識的兩種圖像域BA

9、CS算法的性能，普遍優(yōu)于基于小波域的算法，而VS-BACS無論在整體質(zhì)量，重要特征保持度和視覺效果方面，在所有對比方法中都最優(yōu)。
　　(5)針對已有的非局部CS圖像重建算法，都是隨機采樣二維傅立葉變換系數(shù)，導致算法通用性和魯棒性較差的問題，在以上研究的基礎(chǔ)上，將圖像的非局部自相似性作為先驗知識用到分塊CS算法設計中，提出了非局部分塊自適應壓縮感知(NBACS)算法，和非局部分塊自適應多尺度壓縮感知(NBA-MCS)算法。其中，NB