主权项 |
一种基于压缩感知的目标重构方法,包括以下步骤:(1)通过混合因子分析模型对目标进行高斯混合建模,得到目标的概率密度:<img file="FDA0000465069610000011.GIF" wi="536" he="140" />其中:x°为目标的训练样本,χ<sub>t</sub>为高斯混合模型中包含的各个高斯分布的均值,Ω<sub>t</sub>为高斯混合模型中包含的各个高斯分布的协方差,λ<sub>t</sub>为高斯混合模型中各个高斯分布的权重,T为高斯混合模型中包含的高斯分布的个数,N是维数;(2)将目标所在的整幅图像均匀分成大小相同的小块,小块的大小与目标的训练图像的大小相同并且保证目标完整的在某一小块上;(3)对每一小块图像分别进行重构:(3a)对每一小块图像x分别进行随机观测得到它的随机观测向量y:y=Φx+ν其中:x为待重构的小块图像,它的维数为N,y为小块图像的随机观测向量,Φ为的高斯随机观测矩阵,v为观测时产生的噪声服从零均值的高斯分布,它的维数为N,其中N=1024;(3b)根据以下贝叶斯公式从随机观测向量y中恢复出小块图像x:<img file="FDA0000465069610000012.GIF" wi="1403" he="331" />其中:p(x/y)为后验概率密度,p(x°)为训练出的目标的概率密度,p(y/x)为条件概率密度,<img file="FDA0000465069610000013.GIF" wi="55" he="82" />为高斯混合模型中各个高斯分布的权值,<img file="FDA0000465069610000014.GIF" wi="67" he="81" />为高斯混合模型中各个高斯分布的协方差,R为观测时产生的噪声的协方差的倒数,<img file="FDA0000465069610000015.GIF" wi="61" he="71" />为高斯混合模型中各个高斯分布的均值,该均值<img file="FDA0000465069610000021.GIF" wi="56" he="72" />即为小块图像x的重构图像;(4)将步骤(3)中重构出的小块图像拼凑还原为原始的完整图像,得到重构出的整幅图像并输出。 |