[发明专利]基于结构字典的分块图像压缩感知重建方法

摘要

本发明公开了一种基于结构字典的分块图像压缩感知重建方法，克服了现有技术中分块压缩感知重建时由于单一字典对具有不同结构的图像块不能最稀疏的表示，而导致重建效果不理想的缺点，实现步骤为：(1)构造训练样本库；(2)图像块分类；(3)训练结构字典；(4)构造观测矩阵；(5)观测图像块；(6)结构字典重建；(7)获取重建误差；(8)重建图像；(9)输出重建图像。采用基于图像块在所有结构字典下误差的加权求和方法进行重建，明显的提高了重建质量。

主权项

1.一种基于结构字典的分块图像压缩感知重建方法，包括如下步骤：(1)获取训练样本；(2)图像块分类2a)分别计算各个训练样本的方差；2b)将方差小于平滑阈值的图像块归为平滑类图像块，方差大于平滑阈值的图像块归为非平滑类图像块；2c)根据梯度计算方法分别计算各个非平滑类图像块中各像素水平方向与垂直方向的梯度，得到梯度矩阵；2d)对梯度矩阵进行奇异值分解，得到左酉矩阵、对角矩阵和右酉矩阵；2e)计算对角矩阵中的两个奇异值的差与和，并计算两者的比值；2f)将比值与不规则阈值进行比较，若比值大于不规则阈值，则将非平滑类图像块归为规则类图像块，否则，归为不规则类图像块；2g)利用下式计算规则类图像块指向值：其中，θ为规则类图像指向值，v₁和v₂为主分量，分别代表右酉矩阵的列向量；2h)将-90°-90°指向的取值范围均分为12个离散区间，将指向值在同一区间内对应的的规则类图像块归为一类；(3)训练分类字典3a)将分类得到的平滑类图像块、不规则类图像块及12个不同指向的图像块作为训练样本；3b)进行字典训练初始化设置；3c)利用K-Singular Value Decomposition(KSVD)方法进行字典训练，得到对应于各类图像块训练样本的分类冗余字典；3d)根据余弦基公式，构造余弦基字典；3e)将分类冗余字典与余弦基字典组成结构字典；(4)构造观测矩阵4a)根据压缩感知的低采样特性，在0.2～0.4范围内选择采样率；4b)将采样率与图像块像素数目相乘，得到对应采样率的观测矩阵维数4c)随机初始化相应维数的高斯随机矩阵作为观测矩阵；(5)观测图像块5a)对原始图像按同样大小进行不重叠的逐次分块处理，并将图像块按列依次拉为列向量，得到原始图像矩阵；5b)利用观测矩阵对原始图像矩阵进行相乘投影，得到观测值矩阵；(6)结构字典重建6a)将观测矩阵与步骤(3)所得的结构字典逐个对应相乘，得到恢复矩阵；6b)利用正交匹配追踪方法进行分块压缩感知图像重建，得到重建解；6c)将步骤(3)所得的结构字典与重建解相乘，得到重建图像矩阵；(7)获取重建误差将原始图像矩阵与在步骤(3)所得的结构字典下的逐个重建图像矩阵的差平方求和，获得重建误差；(8)重建图像8a)将重建误差作为权重，对重建图像矩阵进行加权求和，得到最终重建图像矩阵；8b)将最终重建图像矩阵进行反分块处理，得到最终的重建图像；(9)输出重建图像。