主权项 |
基于变权重式压缩感知采样的空域可缩小图像重构方法,其特征是它包括以下步骤:步骤1,原始图像的预处理将分辨率为W×H的原始图像,按照传统的图像分块方法划分为N=(W×H)/m<sup>2</sup>个互不重叠的,大小为m×m的图像块,记为B<sub>0</sub>,B<sub>1</sub>,…,B<sub>N‑1</sub>,这里W代表原始图像的宽度,H代表原始图像的高度,N代表原始图像块的个数,m代表原始图像块的宽度和高度;设定传统的图像等间隔无加权空域下采样法中的采样间隔为L,L=2<sup>t</sup><m,t为正整数;步骤2,索引矩阵的产生把n<sup>2</sup>个整数0,1,…,n<sup>2</sup>‑1按从小到大的顺序逐列摆放,产生一个大小为n×n的索引矩阵,记为A,n为正整数,<img file="FDA0000890529010000011.GIF" wi="780" he="301" />A中的元素记为A(x,y),0≤x<n,0≤y<n,这里,取n=m;x代表索引矩阵A内元素的横坐标,y代表索引矩阵A内元素的纵坐标;步骤3,变权重式采样矩阵的产生首先,按照传统的压缩感知采样中产生随机采样矩阵的方法,产生一个随机采样矩阵,记为S,这里矩阵S的列数为m<sup>2</sup>,矩阵S的行数由传统的压缩感知采样中的采样率决定;其次,根据传统的图像等间隔无加权空域下采样法对索引矩阵A中的元素进行间隔为L的采样;用采样得到的元素组成一个集合,记为idx_1,用剩余的元素组成另外一个集合,记为idx_2,这里idx_1∪idx_2=A,集合idx_1的大小记为k_1,集合idx_2的大小记为k_2,并且k_1+k_2=m<sup>2</sup>;将idx_1中的元素记为idx_1(i),将idx_2中的元素记为idx_2(j),这里,i代表集合idx_1中元素的索引号,j代表集合idx_2中元素的索引号,0≤i<k_1,0≤j<k_2;然后,产生一个大小为m<sup>2</sup>×m<sup>2</sup>的单位矩阵,记为C:<img file="FDA0000890529010000012.GIF" wi="420" he="302" />C中的元素记为C(x<sub>c</sub>,y<sub>c</sub>),这里,0≤x<sub>c</sub><m<sup>2</sup>,0≤y<sub>c</sub><m<sup>2</sup>,x<sub>c</sub>代表矩阵C内元素的横坐标,y<sub>c</sub>代表矩阵C内元素的纵坐标;修改矩阵C的对角线元素,令C(idx_1(i),idx_1(i))=5,C(idx_2(j),idx_2(j))=1,将修改后的矩阵记为D;最后,用S左乘D,得到变权重式采样矩阵,记为Ф,这里Ф=S·D,这里矩阵Ф的列数为m<sup>2</sup>,矩阵Ф的行数由传统的压缩感知采样中的采样率决定;步骤4,图像的压缩感知采样对步骤1中产生的每个图像块B<sub>0</sub>,B<sub>1</sub>,…,B<sub>N‑1</sub>用步骤3中产生的采样矩阵Ф逐一实现传统的基于图像块的压缩感知采样,得到采样数据G<sub>0</sub>,G<sub>1</sub>,…,G<sub>N‑1</sub>;集合采样数据G<sub>0</sub>,G<sub>1</sub>,…,G<sub>N‑1</sub>,记为G,G={G<sub>0</sub>,G<sub>1</sub>,…,G<sub>N‑1</sub>},G是原始图像的压缩感知采样数据;步骤5,索引矩阵的分块对步骤2中产生的索引矩阵A,以A(0,0)为起点,按照传统的对矩阵进行子矩阵划分的方法,把A划分为k=n<sup>2</sup>/l<sup>2</sup>个互不重叠的,大小为l×l的子索引矩阵,记为A<sub>0</sub>,A<sub>1</sub>,…,A<sub>k‑1</sub>,A也可以表示为:<img file="FDA0000890529010000021.GIF" wi="877" he="317" />将索引子矩阵A<sub>id</sub>中的每个元素记为A<sub>id</sub>(x<sub>A</sub>,y<sub>A</sub>);这里,id代表子索引矩阵的索引下标,id=0,1,…,k‑1;k代表子索引矩阵的个数,k=n<sup>2</sup>/l<sup>2</sup>,l代表子索引矩阵的行数和列数,l=L;x<sub>A</sub>代表子索引矩阵A<sub>id</sub>内元素的横坐标,y<sub>A</sub>代表子索引矩阵A<sub>id</sub>内元素的纵坐标,x<sub>A</sub>和y<sub>A</sub>是整数,0≤x<sub>A</sub><l,0≤y<sub>A</sub><l;步骤6,采样矩阵的修正首先,将步骤3中产生的采样矩阵Ф的每一个列向量表示为φ<sub>s</sub>,这里,s代表每一个列向量的索引下标,s=0,1,…,M,M=m<sup>2</sup>;其次,将Ф中的M个列向量分成k=n<sup>2</sup>/l<sup>2</sup>个列向量组,记为g<sub>d</sub>,这里,d代表每一个列向量组的索引下标,d=0,1,…,k‑1,每个列向量组g<sub>d</sub>包含l<sup>2</sup>个向量,步骤如下:第1组,<img file="FDA0000890529010000022.GIF" wi="796" he="79" />第2组,<img file="FDA0000890529010000023.GIF" wi="782" he="77" />同理,对第d组,<img file="FDA0000890529010000024.GIF" wi="726" he="70" />然后,将每个列向量组g<sub>d</sub>内的所有列向量相加得到一个列向量,记为v<sub>d</sub>,步骤如下:第1组,<img file="FDA0000890529010000025.GIF" wi="725" he="63" />第2组,<img file="FDA0000890529010000026.GIF" wi="718" he="70" />同理,对第d组,<img file="FDA0000890529010000027.GIF" wi="807" he="70" />最后,将产生的k个列向量v<sub>0</sub>,v<sub>1</sub>,…,v<sub>k‑1</sub>组成一个采样矩阵,记为E,E=[v<sub>0</sub>,v<sub>1</sub>,…,v<sub>k‑1</sub>];步骤7,低分辨率图像的重构在梯度投影稀疏重建法中,用采样矩阵E对步骤4中产生的每一个采样数据G<sub>0</sub>,G<sub>1</sub>,…,G<sub>N‑1</sub>逐一实现传统的基于压缩感知的图像块重建,得到重建后大小为(n/l)×(n/l)的图像块,记为<img file="FDA0000890529010000028.GIF" wi="446" he="71" />用传统的图像块合成图像的方法将所有的<img file="FDA0000890529010000029.GIF" wi="425" he="71" />组成完整的重建图像,记为Q,Q的分辨率为w×h,这里,w代表重建图像Q的宽度,h代表重建图像Q的高度,w=W/l,h=H/l。 |