压缩感知图像重建算法的研究现状及其展望

主要介绍压缩感知图像重建算法的国内研究现状和国外研究现状,并探究核磁共振图像重建、分块压缩感知图像重建、基于傅里叶域采样的图像重建以及非局部正则化的图像重建等压缩感知图像重建算法发展方向,以期为相关技术人员提供信息支持。

一种有效的压缩感知图像重建算法

多数现有的压缩感知重建算法基于单观测向量,处理图像信号时将其表示成一维信号,算法效率低,重建图像的效果也有待提高.本文提出了一种基于多观测向量和稀疏贝叶斯学习的重建算法,通过同时处理观测矩阵的每一列直接求得加权系数矩阵,从而快速重建图像.在相同的采样率条件下,该算法的重建图像效果更好,算法效率明显提高.采用标准测试图像进行实验,验证了算法的有效性.

基于非局部相似块低秩的压缩感知图像重建算法

传统的压缩感知重建算法利用信号在某个特征空间下的稀疏性构建目标优化函数,但没有充分考虑信号的局部特性和结构化属性,影响了算法的重建性能和算法的适应性.本文考虑图像的非局部自相似性(Nonlocal Self-Similarity,NLSS),提出一种基于图像相似块低秩的压缩感知图像重建算法,将图像恢复问题转化为聚合的相似块矩阵秩最小问题.算法以最小压缩感知重建误差为约束构建优化模型,并采用加权核范数最小化算法(Weighed Nuclear Norm Minimization,WNNM)求解低秩优化问题,很好地挖掘了图像自身的信息和结构化稀疏特征,保护了图像的结构和纹理细节.多个测试图像、不同采样率下的实验证明了算法的有效性,特别是在低采率下对于纹理较为丰富的图像,提出的算法图像重建质量较明显的优于最新的同类算法.

压缩感知图像重建算法的研究现状及其展望

压缩感知(Compressive Sensing,CS)理论是在已知信号具有稀疏性或可压缩性的条件下,对信号数据进行采集、编解码的新理论。将压缩感知应用于图像压缩具有潜在的应用价值,压缩感知图像重建算法是该领域的热点问题。在对目前压缩感知重建算法的文献进行分析和综合的基础上,首先阐述了压缩感知的基本原理及其各项关键技术,然后简要总结了当前流行的压缩感知图像重建算法,给出了各种图像重建算法的仿真结果及分析,最后对影响压缩感知图像重建算法几个关键问题进行剖析和展望。

非局部正则化的压缩感知图像重建算法

压缩感知(compressed sensing,CS)图像重建算法是CS图像获取问题的一个研究重点。针对传统基于稀疏性先验的重建算法不能有效重建图像的各种结构特征,为了在测量值数量不变的情况下进一步提高图像的重建质量,在稀疏性先验的基础上,引入局部自回归模型和非局部自相似性作为图像额外的先验信息,建立了非局部正则化的CS图像重建模型,并给出了相应的数值求解算法。此外,对于重建模型中图像的自回归参数,给出一种基于非局部相似点的估计方法。实验结果表明,较之传统的稀疏性正则化重建算法和同类的MARX(model-based adaptive recovery of compressive sensing)算法,所提算法能获得更高的图像重建质量。

基于最佳线性估计的快速压缩感知图像重建算法

针对目前存在的压缩感知(CS)重建算法计算复杂度过高的问题,该文提出一种基于最佳线性估计的快速CS图像重建算法。该算法在编码端进行分块自适应CS随机测量,在解码端根据图像块不同的统计特性,估计出统计自相关函数矩阵,进而构造出最佳线性算子用于重建出各个图像块。由于该算法用线性投影的方式替代了传统CS重建算法的非线性迭代过程,使得其大大缩短了图像重建时间。仿真实验结果表明,对于纹理细节不复杂的图像,所提出的算法并没有因为其计算复杂度的减少而影响到重建质量,仍优于目前流行的CS重建算法。

基于稀疏和低秩约束的压缩感知图像重建算法

压缩感知(Compressive sensing,CS)图像重建算法是CS图像获取问题的一个研究重点。针对基于低秩先验的重建算法不能有效重建图像的局部几何特征,为了进一步提高图像的重建质量,在低秩先验的基础上,引入稀疏约束作为图像额外的先验知识,建立了基于低秩和总变差约束的CS图像重建模型,并给出了相应的优化算法。试验结果表明,与传统的稀疏性先验重建算法和最好的NLR(Compressive sensing via nonlocal low-rank regularization)算法相比,该试验所提的算法能够获得更好的图像重构效果。

分块压缩感知编码的重建图像改进算法

针对待编码图像分块实施压缩感知编码重建过程耗时较长问题,不是按照观测值与观测矩阵之间的关系来设计重建算法,而是在重建时先建立码书,然后直接从它中搜索出观测值意义下均方误差最小的最佳匹配块,作为重建图像子块.为了减少搜索范围,设置了剔除条件,设计出一个在码书中搜索最佳匹配块的限制搜索空间算法.四幅图像的仿真结果表明,重建图像质量对构成码书的原始图像不是特别敏感,具有一定的鲁棒性.它确实能够在重建图像质量有一定降低的情况下,其平均重建时间仅为正交匹配追踪算法的13.6%(16×16分块)与0.05%(32×32分块),为实时重建提供了一个较好的候选算法.

双U型门控网络融合非局部先验的图像压缩感知重建方法

针对目前基于非迭代式网络的图像压缩感知重建方法存在着细节处理能力不足以及测量值利用不充分的问题,提出了一种双U型门控网络(dual U-shaped gated network, DUGN)用于图像压缩感知重建。该方法在原有的U型结构网络的基础上进行了改进,提升了U型结构网络在压缩感知任务中的学习能力。在测量值的利用上,结合交叉注意力机制,提出了一种测量值非局部融合模块(measurements non-local fusion, MNLF),用于将测量值中的非局部信息融合到深层网络中,指导网络进行重建,提升模型性能。此外,在基本模块的设计上,提出了窗口门控网络模块(window gated network, WGN),增强了网络的细节处理能力。实验结果表明,与已有的压缩感知重建方法相比,DUGN在Set11数据集上有着更高的PSNR和SSIM,且在图像重建的真实性上有着更好的表现。

基于l_p范数的压缩感知图像重建算法研究

图像重建是光学成像、光声成像、声纳成像、核磁共振成像、天体成像等物理成像领域中的关键技术之一.近年来提出的压缩感知理论指出:对稀疏或者可压缩信号进行少量非自适应线性投影,投影信号含有足够的信息,从而能对信号进行高概率重建.压缩感知已被应用于多种物理成像系统.将罚函数法和修正Hesse阵序列二次规划方法相结合,并采用了分块压缩感知思想,提出一种基于lp范数的压缩感知图像重建算法.以cameraman,barbara和mandrill图像为例,采用该算法进行图像重建.首先,在不同采样率下对图像重建.即便采样率低至0.3时,也能获得高达32.23 dB的信噪比,重建图像清晰可辨.验证了该算法的正确性.其次,将该算法与正交匹配追踪算法进行对比,在采样率达到0.5以上时,能够获得高信噪比的重建图像,成像时间也大为减少,特别是采样率为0.7时,成像时间减少88%.最后,与现有基于lp范数的压缩感知图像重建算法进行对比,计算结果表明在成像质量有所提高的基础上,成像时间大为缩短.

基于压缩感知的电容层析成像图像重建算法

为提高电容层析成像(ECT)系统采样速率及重建图像质量,本文提出一种基于压缩感知理论的ECT图像重建算法.首先,应用离散Fourier变换基将原始图像灰度信号进行稀疏化处理;接着,从16电极ECT系统中随机选取14个电极按随机顺序进行激励,并按随机顺序测量不同电极之间电容值,得到测量电容信号并建立相应的观测矩阵;最后,采用L1范数正则化模型和原对偶内点法实现图像重建.仿真实验结果表明,基于压缩感知理论算法重建的图像其质量优于Landweber迭代算法,在节省采样时间的同时可实现较高精度的图像重建,为ECT图像重建的研究提供了一种新的手段.

基于先验图像-压缩感知的CT局部重建算法

为了提高CT图像局部重建的质量,在压缩感知理论的基础上提出基于先验图像-压缩感知的CT局部重建算法.首先对获得的局部感兴趣区域内的投影数据进行滤波反投影重建,并将重建的CT图像作为迭代的初始图像;然后以图像的总变差最小化为原则对局部感兴趣区域进行凸集投影总变差最小化重建.以Shepp-Logan模型和某型固体火箭发动机为例进行实验的结果表明,该算法能够获得更好的CT图像局部重建质量,且具有更强的抑噪性能.

基于稀疏度自适应压缩感知的电容层析成像图像重建算法

为提高电容层析成像(ECT)系统重建图像的质量,该文提出一种基于改进稀疏度自适应的压缩感知电容层析成像算法。利用压缩感知与电容层析成像算法的契合点,以随机改造后的电容层析成像灵敏度矩阵为观测矩阵,离散余弦基为稀疏基,测量电容值为观测值,建立模型。利用线性反投影算法(LBP算法)所得图像预估原始图像稀疏度,以预估稀疏度值作为索引原子初始值进行稀疏度自适应迭代。改进后的稀疏度自适应匹配追踪重构算法实现ECT图像重建,解决了稀疏度预估不准确导致重建图像精度差的问题。仿真实验结果表明,该算法可以有效重建ECT图像,其成像质量优于LBP算法、Landweber算法、Tikhonov算法等传统算法,是研究电容层析成像图像重建的一种新的方法和手段。

基于帧间预测和联合优化的干涉多光谱图像压缩感知重建算法

根据干涉多光谱图像的特点,提出一种基于帧间预测和联合优化的干涉多光谱图像压缩感知重建算法。在干涉多光谱图像重建中,根据干涉多光谱图像的帧间相关特性,通过帧间预测除去当前帧图像测量数据中帧间相关的测量数据,并利用干涉多光谱图像预测去相关以后的残差图像的熵值较小的特征,用基于联合优化的重建方法重建帧间预测残差图像,最后得到当前帧的恢复图像。实验结果表明,在相同观测数目下,本文算法与其他方法相比,有效提高了图像重建质量,而且计算复杂度较低。

不完全投影图像重建的压缩感知算法

针对X射线激发的发光断层成像的经典扫描模式存在扫描时间过长的问题,基于传统的全变分最小化算法,提出一种改进的适应不完全投影条件下的压缩感知算法.改进算法结合非负约束条件下的代数重建法(ART)与梯度下降求解的全变分最小化过程,采用先进行多次ART迭代,再交替执行ART过程与全变分最小化过程的方式来求解约束最优化问题,讨论了改进算法在投影角度稀疏和投影角度受限两种不完全投影情况下的压缩感知重建,分析了调节因子和全变分最小化过程的迭代次数对重建图像质量的影响.基于Shepp-Logan头模型的仿真结果证明了改进算法的有效性.

基于局部自回归模型的压缩感知视频图像递归重建算法

结合预估和残差补偿的递归重建算法是一种有效的压缩感知视频图像重建算法.针对现有算法中‘预估’精度不高的问题,本文基于视频序列中相邻图像的内容相似性和单幅图像的非局部自相似性,分析了相邻图像局部图像块的相似匹配性,并以此作为视频图像的相关性先验,提出了一种基于局部自回归模型的图像预估重建算法.预估算法中当前图像像素点的自回归参数由参考图像中相似图像块的灰度信息通过学习获得.实验结果表明,与同类算法相比,本文预估算法所对应的递归重建算法可获得更高质量的视频图像重建结果.

利用基追踪算法实现图像压缩感知重建研究

压缩感知理论突破了奈奎斯特采样频率的限制,利用该理论研究和实现了二维图像的压缩采样和重建。该方案利用小波变换实现图像稀疏化,利用标准伪随机数均匀分布和二维中心傅里叶变换生成随机测量矩阵,并对小波变换后的高频子带进行加权采样,用改进的基追踪算法实现二维图像压缩感知重建。仿真实验结果表明,该方案重建图像的客观评价PSNR效果较好。

基于压缩感知的图像编码重建算法研究

压缩感知理论属于一种新型的信号采样理论,当采样信号比较稀疏或是可压缩时依然能够完成信号的精确重建。近几年以来随着科技的不断创新和发展,压缩感知理论也取得了显著的发展成果,吸引了大量的专家学者对其进行研究;其核心的研究部分就是对于压缩感知重建算法的研究,因为这对于压缩感知理论能否成功的运用起到了决定性作用。在此,主要分析了压缩感知相关原理,并研究了基于压缩感知图像编码重建相关算法,仅供参考。

基于压缩感知的磁共振图像重建算法的VC实现

我们对压缩感知重建算法在MRI中的应用进行了研究,并在VC6.0平台下对其进行工程实现。该程序主要由以下几部分组成:(1)建立图像模型及引入仪器采集数据;(2)设计采样方法模拟压缩感知的稀疏采集;(3)选择图像稀疏变换方法;(4)选用压缩感知算法重建得到图像。结果表明:使用该方法可以成功重建出高质量的图像,为压缩感知算法在MRI扫描仪器上的使用提供了重要参考。

深度学习重建辅助压缩感知对乳腺T_(2)W脂肪抑制序列图像质量的影响

目的探讨深度学习重建(DLR)辅助常规压缩感知(CS)对乳腺磁共振T 2W脂肪抑制序列图像质量的影响。方法招募女性志愿者30名,在1.5 T磁共振仪上采用T 2W脂肪预饱和(Fat-Sat)序列[加速因子(AS)为2.0、3.0及4.0]行乳腺MR扫描获得CS图像,再行DLR重建获得DLR结合CS(DLR+CS)图像,对两组图像的信噪比(SNR)和对比噪声比(CNR)及临床医生主观定性评价进行对比分析。结果女性志愿者乳腺DLR+CS图像SNR和CNR均优于CS图像(P<0.001),且AS为4时DLR+CS组乳腺图像SNR及CNR提升最为显著(157%及171%);女性志愿者乳腺DLR+CS图像整体图像质量、伪影、主观噪声、解剖结构显示及诊断可信度均优于CS图像(P<0.001)。结论与常规CS图像比较,DLR辅助CS可提高乳腺T 2WI Fat-Sat序列的图像质量,在较高AS条件下(3或4)依然能满足临床诊断需求。