[发明专利]图像分块压缩感知的全局重构优化模型构造方法

说明书

技术领域

本发明属于图像处理技术领域，特别涉及图像分块压缩感知重构优化模型构造方法，可用于对自然图像进行重构。

背景技术

在传统的成像系统中，自然图像先以较高的采样率被转换为数字图像，再利用JPEG或JPEG2000对其进行压缩编码，以降低数字图像的存储量。但是，因为此类压缩编码方法的计算复杂度高，所以它们并不适用于低能耗、低分辨率、低计算复杂度的成像设备（例如，物联网中采集图像的传感器）。近年来， 压缩感知（Compressed Sensing，CS）理论提出：在采样的同时可以直接压缩信号。该理论建立在Candes et al.和 Donoho具有突破性的工作之上，指出在满足某种条件下，低于奈奎斯特（Nyquist）速率采样信号，仍可无失真复原信号。压缩感知理论为低采样率、低能耗、低计算复杂度的数字采集设备的存在提供了可能性。也正是由于其潜在的巨大实践价值，在短短几年时间中，无论在学术领域还是在工业领域都开始从事这一理论的研究工作。

在图像领域中，基于不同的CS编码策略，存在着两类图像重构模型：基于Global CS的图像重构模型和基于Block CS的图像重构模型。基于Global CS的图像重构模型采取整编整解的策略：在编码端测量整幅图像；在解码端重构整幅图像。由于图像的规模过大（常常可达百万像素），这类图像重构模型使得随机测量矩阵所需的存储量过大、测量时间过长，在实际应用中很难实现。Candes et al.在文献“Robust signal recovery from incomplete observations”，in Proceedings of the International Conference on Image Processing，Atlanta，CA，2006，pp.1281-1284中提出了一种结构化随机矩阵SFE(Scrambled Fourier Ensemble)，这种矩阵所需的存储量小，与此同时还可实现快速测量，但构造矩阵的过程涉及到随机排序、快速正交变换、随机下采样等操作，使得编码器比较复杂，不易于实现。Lu Gan在文献“Block compressed sensing of natural images”，in Proceedings of the International Conference on Digital Signal Processing，Cardiff，UK，July 2007，pp.403-406中提出的基于Block CS的图像重构模型采取分编分解的策略：在编码端，将图像分成相同尺寸的宏块，采用相同的随机测量矩阵分别对这些宏块进行测量；在解码端，先重构出各个宏块，再将这些宏块合并成整幅图像。这类图像重构模型的随机测量矩阵存储量小、构造简单，而且基于块的测量方法很适合于实时系统的实现。但是，基于Block CS的图像重构模型仍存在不足：独立重构各块的方式破坏了图像特征，导致块效应出现。

有鉴于此，有必要提供一种图像分块压缩感知的全局重构优化模型构造方法，以解决上述问题。

发明内容

本发明的目的是：为了克服Block CS重构模型存在的块效应问题，提出可一次重构整幅图像的图像分块压缩感知的全局重构优化模型的构造方法。

本发明所采用的技术方案是：一种图像分块压缩感知的全局重构优化模型构造方法，其特征在于，该方法包括如下步骤：

(1) 把一幅图像x分为n个B×B的小块x_i，其中x和x_i均已按光栅扫描方式拉为列向量；

(2) 生成尺寸为M_B×B²的独立同分布高斯随机矩阵Φ_B；

(3) 对每块x_i作非相干测量得观测值向量y_i=Φ_B·x_i；

(4) 将观测值向量y_i和生成高斯随机矩阵的种子Seed发送至重构端；