自然圖像的壓縮感知重構(gòu)方法.pdf

1、壓縮感知是一種以遠低于奈圭斯特頻率采樣然后重構(gòu)信號的技術(shù),它首先通過一個觀測矩陣進行非自適應線性采樣,然后建立一個優(yōu)化模型通過解決一個最優(yōu)化問題,從而完成重構(gòu)信號。壓縮感知在生物傳感領域、模擬/數(shù)字轉(zhuǎn)換、壓縮成像系統(tǒng)有著廣闊的應用前景。壓縮感知在觀測采樣過程中相當于把原始信號降維,不僅減少了觀測次數(shù),所需要的計算量也大大降低,但是采樣矩陣并不是一個稀疏的矩陣,尤其是大場景圖像重構(gòu)當中,對于采樣結(jié)果的處理不僅計算量較大,所需的存儲空間也較

2、大,學者們由此提出了分塊的思想應用于壓縮感知。這種分塊處理的思想,相比于一次性處理整個信號,逐塊的處理更容易實現(xiàn)。但是這種方法也存在一些問題,對于結(jié)構(gòu)信息豐富的信號,可能會產(chǎn)生塊效應,因而導致重構(gòu)效果受到影響。在基于分塊CS重構(gòu)的框架下,本文主要引入了一些機器學習的方法來對自然圖像進行壓縮與重構(gòu),所做主要工作如下:
　　(1)提出一種基于非局部特征與核回歸的壓縮感知圖像重構(gòu)方法。該方法在分塊CS重構(gòu)模型中在局部鄰域里用回歸的方法以

3、及利用非局部相似的圖像塊對中心像素進行估計,不僅能更好的保留圖像中的特征,而且取得較好的視覺效果。
　　(2)研究了機器學習領域中極限學習機,并將其應用于訓練采樣矩陣,然后用訓練出的采樣矩陣對測試圖像進行采樣,用其偽逆矩陣進行重構(gòu)。加入極限學習機的壓縮感知不僅花費很少的學習時間及測試時間,也取得了很好的重構(gòu)效果。
　　(3)研究了非負矩陣分解在壓縮感知中的應用,建立了一個稀疏與非負雙重約束的壓縮感知理論模型,在初始重構(gòu)圖像中