結(jié)構(gòu)信息引導(dǎo)的壓縮感知方法及算法測(cè)評(píng)軟件.pdf

1、基于信號(hào)的稀疏性，壓縮感知方法能夠同時(shí)完成傳統(tǒng)的信號(hào)獲取中采樣和壓縮的兩個(gè)過(guò)程，從而突破了傳統(tǒng)奈奎斯特采樣定理的限制，使得信號(hào)的采樣率、采樣時(shí)間以及存儲(chǔ)成本大大降低，已成為各科學(xué)領(lǐng)域的研究熱點(diǎn)問(wèn)題。在壓縮感知理論中，主要包含三個(gè)關(guān)鍵問(wèn)題:信號(hào)的稀疏表示、測(cè)量矩陣的構(gòu)造以及重建算法的設(shè)計(jì)。
　　本文以上述關(guān)鍵問(wèn)題為出發(fā)點(diǎn)，在研究壓縮感知發(fā)展現(xiàn)狀以及基礎(chǔ)算法模型的基礎(chǔ)上，對(duì)已提出的壓縮感知重建算法進(jìn)行了分析，并通過(guò)引入圖像結(jié)構(gòu)信息，提

2、高圖像重構(gòu)的質(zhì)量。同時(shí)，研究了各種圖像質(zhì)量客觀評(píng)價(jià)指標(biāo)對(duì)圖像壓縮感知重建質(zhì)量的綜合評(píng)測(cè)。本文的主要工作及成果包括:
　　一、在研究經(jīng)典隨機(jī)測(cè)量矩陣設(shè)計(jì)方法的基礎(chǔ)上，分析了傳統(tǒng)傅立葉頻域中星形采樣方法的不足，并根據(jù)圖像顯著性結(jié)構(gòu)信息，提出了一種基于傅立葉頻域中圖像顯著性信息的變密度壓縮采樣方法。該方法能夠在傅立葉域中針對(duì)圖像顯著程度的不同進(jìn)行自適應(yīng)地變密度采樣。實(shí)驗(yàn)結(jié)果表明，在同一重構(gòu)算法恢復(fù)圖像的前提下，與傳統(tǒng)星形采樣方法相比，本

3、文提出的變密度自適應(yīng)采樣方法可以根據(jù)圖像顯著性?xún)?nèi)容自適應(yīng)調(diào)整采樣密度，通過(guò)降低非顯著性區(qū)域的采樣冗余和增加顯著性區(qū)域的采樣密度，提高重建圖像的視覺(jué)質(zhì)量和客觀評(píng)測(cè)指標(biāo)。
　　二、針對(duì)基于全變差正則化的壓縮感知重構(gòu)算法模型，不能有效地恢復(fù)邊緣和紋理等圖像結(jié)構(gòu)信息，且易造成重構(gòu)圖像的階梯效應(yīng)等缺點(diǎn)，設(shè)計(jì)了一種基于圖像邊緣結(jié)構(gòu)信息引導(dǎo)的壓縮感知重構(gòu)方法。在重構(gòu)迭代求解的過(guò)程中，根據(jù)圖像的不同邊緣形態(tài)結(jié)構(gòu)信息，自適應(yīng)地在全變差正則項(xiàng)前賦予不

4、同權(quán)重值，能夠有效地保持了重構(gòu)圖像的邊緣結(jié)構(gòu)信息。實(shí)驗(yàn)結(jié)果表明，相對(duì)于傳統(tǒng)全變差重構(gòu)算法，該方法能夠有效地提高邊緣及紋理等結(jié)構(gòu)部分的重建效果，結(jié)構(gòu)相似度(SSIM)、峰值信噪比(PSNR)等客觀評(píng)價(jià)指標(biāo)都有顯著提升。
　　三、受到圖像邊緣信息引導(dǎo)壓縮感知重構(gòu)方法的啟發(fā)，設(shè)計(jì)了基于圖像水平集法線(xiàn)信息先驗(yàn)的壓縮感知方法。該算法分為兩步并交替迭代進(jìn)行，首先估計(jì)圖像水平集曲線(xiàn)的法線(xiàn)向量;然后利用正則化的法線(xiàn)向量與圖像梯度內(nèi)積作為約束項(xiàng)對(duì)壓

5、縮感知圖像進(jìn)行重構(gòu)。通過(guò)仿真實(shí)驗(yàn)，驗(yàn)證了該模型的合理性及有效性，表明了利用圖像法線(xiàn)信息有助于提高圖像方向性結(jié)構(gòu)部分的重建效果。
　　四、本文在MATLAB環(huán)境下，設(shè)計(jì)并實(shí)現(xiàn)了壓縮感知重構(gòu)算法評(píng)測(cè)軟件，該軟件分別集成了經(jīng)典的壓縮感知重構(gòu)算法以及本文設(shè)計(jì)的新型壓縮采樣和改進(jìn)的重構(gòu)算法，并包含SSIM、PSNR、UQI(Universal Quality Index)、VIF(Visual Information Fidelity)等圖