[发明专利]一种基于局部与非局部约束的压缩感知视频重建方法

摘要

本发明涉及一种基于局部与非局部约束的压缩感知视频重建方法，在压缩感知重建视频模型中引入局部与非局部约束，利用基于图像帧最小全变差(Total Variation,TV)约束和基于序列时空相似块矩阵的低秩约束，引导优化模型的解趋向三维视频序列的固有特征。优化问题求解过程中首先采用传统方法进行对视频中每帧图像压缩感知图像进行重建，得到的图像帧的一个初始估计，然后引入辅助变量并将问题分解为一个TV优化子问题和一个低秩优化子问题，交替求解，并在内循环中进一步地将TV子问题和低秩优化子问题分解为可微的和求解的部分分别求解。由于发明的方法充分考虑了图像帧的时空局部与非局部特征，因而提高了图像的重建质量。

主权项

1.一种基于局部与非局部约束的压缩感知视频重建方法，其特征在于：在压缩感知重建视频模型中引入局部与非局部约束，利用基于图像帧最小全变差(Total Variation,TV)约束和基于序列时空相似块矩阵的低秩约束，引导优化模型的解趋向三维视频序列的固有特征，采用下述优化模型进行压缩感知视频重建：其中，函数TV(x_l)是图像组GOP(Group of Picture，GOP)中的第l帧的全变分，函数LowRank(S_i)表示第i相似块矩阵的低秩目标函数，并通过公式来近似。这里S_i表示第i相似块矩阵的初始估计，P_i是它的低秩矩阵，Ω_X是一个GOP中这一组所有相似块矩阵的集合，Rank(P_i)表示P_i的秩,η>0和λ>0是正则化参数,而||·||_F表示Frobenius范数。使用公式(1)逐帧地最小化所有的x_k，逐块地最小化S_i,作为一个整体来处理所有GOP中的图像和块。假设所有GOP的相似块矩阵的总数为K，即在GOP中提取样本的总数，将式(1)中的模型转化为式(2)求解：其中，表示整个GOP的全变差。引入辅助变量，将问题转化为：其中：其中，β>0,θ>0是正则化参数,α和γ是拉格朗日乘子。采用交替方向分别求解X,U,先采用下述式(5)求解X^(k+1):对于固定的X^(k+1),U^(k+1)则通过下述式(6)近似：其中，为采用传统固定基压缩感知重建方法获取的图像组初始估计。