学位论文 > 优秀研究生学位论文题录展示

基于学习的压缩感知图像恢复方法研究

作　者: 毋芳芳
导　师: 石光明
学　校: 西安电子科技大学
专　业: 智能信息处理
关键词: 压缩感知理论 (?)1最小化基于学习的图像建模非局部相似图像多描述编码
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 1000次
引　用: 1次
阅　读: 论文下载

内容摘要

数字信息的获取,即从连续信号到数字信号的转换是数字信息处理系统中的重要组成部分。压缩感知理论的出现改变了传统的先高速采样后低码率压缩的信息采集模式,它允许我们对连续信号进行低速率的观测或测量,在信号采集的同时实现对信号的压缩,从而极大地节省系统资源。压缩感知理论能保证以较高的概率无失真地恢复原始信息,然而如何从采集到的信号观测值精确地恢复出原始信号是压缩感知理论中的重要研究课题。如何选择一个合适的稀疏域使得原始信号在该域上具有最佳的稀疏表示是压缩感知恢复算法关键的研究问题。本论文提出了基于学习的压缩感知恢复算法来解决图像信号稀疏域选择的关键问题,从而极大地改进了现有的图像压缩感知恢复算法的性能。同时,本论文也研究了基于图像非局部相似特性的压缩感知恢复算法,通过利用自然图像的非局部相似特性,进一步极大地提高了压缩感知恢复算法的性能。本文首先介绍了提出的基于学习的压缩感知图像恢复算法。传统的压缩感知恢复算法使用固定的稀疏域,由于自然图像的复杂性这些固定的稀疏域(如DCT,小波域)无法稀疏刻画图像的各个局部结构,从而无法准确恢复图像的边缘和纹理细节。针对该问题,我们提出从包含大量图像块的训练集中学习一组分片光滑的图像自回归模型,然后根据图像的局部结构自适应地选择相应的图像模型,来对图像进行自适应的稀疏表示。实验结果表明提出的基于学习的压缩感知图像恢复算法能够极大地改进现有基于固定稀疏域的恢复算法。另外,由于模型的学习是离线进行,提出的算法和现有的恢复算法具有相似的计算复杂度。为了进一步提高图像的恢复效果,本文也研究了基于图像非局部相似性的图像压缩感知恢复算法。通过图像模型选择实现自然图像的自适应稀疏域选择,可以克服传统的固定稀疏域的表示缺点,但这种自适应性也会失去鲁棒性,在恢复图像中产生一些视觉效应。另外一方面,由于自然图像中往往包含许多重复的结构,利用这些重复的结构,我们可以提高图像模型选择的精确度,同时也可以构造一个基于非局部相似性的约束条件,进一步减少恢复信号的不确定性,从而进一步提高压缩感知图像恢复的精度。作为提出的压缩感知图像恢复算法的一个应用,本文也研究了基于压缩感知的图像多描述重构方法。传统的图像多描述编码具有描述个数有限,抗丢包能力差等缺点。基于压缩感知理论的图像多描述编码重构可以产生任意个图像描述,同时具有很强的抗丢包能力。然而,采用固定稀疏域的压缩感知恢复算法效率低下,基于压缩感知的图像多描述编码方法效率较低。实验结果表明,本文提出的基于学习和图像非局部特性的图像恢复算法能够极大地提高基于压缩感知理论的图像多描述编码的效果。

基于学习的压缩感知图像恢复方法研究

内容摘要

全文目录

相似论文