基于分层高斯混合模型的统计压缩感知图像重构方法

摘要

本发明公开了一种基于分层高斯混合模型的统计压缩感知图像重构方法，具体涉及一种基于图像块数据的统计模型学和信号重构算法，主要解决现有统计压缩感知图像重构方法中使用的单高斯先验模型不能灵活准确地刻画子图像块的非高斯统计性质，从而导致重构图像质量不高的缺点。本发明在模型第一层学全局高斯混合模型对子图像块进行硬聚类，从全局上充分利用图像块之间的相似性结构，在模型第二层分类学子图像块的局部高斯混合模型，从局部上对子图像块之间的差异性进行区分和建模。与现有传统压缩感知和统计压缩感知重构技术相比，能够以更少的测量获得更高的重构精度，适合对自然图像的重构。

主权项

基于分层高斯混合模型的统计压缩感知图像重构方法，包括如下步骤：(1) 将图像分成的无重叠的子图像块，对每个子图像块以的采样率进行压缩采样，得到测量：，其中是第个子图像块像素值，是维高斯随机矩阵，；(2) 由黑白边缘图像生成个初始的方向高斯分布，利用DCT变换生成第个方向高斯分布，的初始值设定为，设定为19；(3) 在混合模型第一层，由测量计算子图像块在个高斯模型下的MAP估计和对数后验概率：，，比较将子图像块聚成类：，第个子图像块被分到第类，；(4) 在混合模型第二层，对每个聚类中的子图像块，选择具有最大对数后验概率的个高斯分布的混合模型作为先验分布，利用EM算法从压缩测量迭代地学习高斯混合模型，并重构属于每个聚类的子图像块，其中是第个聚类中子图像块的标识集，；(5) 使用重构的子图像块更新个方向高斯分布的均值向量和协方差矩阵：，，其中是正则化参数，设定为；(6) 如果未达到指定的迭代重构次数，返回步骤(3)；否则，将重构的子图像块拼在一起，得到原始图像的重构图像。