基于自适应多尺度压缩感知的语音压缩与重构

本文针对语音信号的压缩感知问题,在系数总长度不超过原信号长度的前提下,推导了Sym小波分解合成的矩阵形式,提出了语音信号多尺度压缩感知(MCS)框架.进一步分析语音信号在小波基下不同级的稀疏性,提出了自适应多尺度压缩感知(AMCS)方法,把该方法运用到语音压缩与重构中,对重构语音进行了主客观评价,并进行了说话人识别验证,得出结论:基于AMCS比三层MCS重构语音的性能好.

基于多尺度特征融合的图像压缩感知重构

图像压缩感知(CS)重构方法旨在将采样过后的图像恢复为高质量图像。目前,基于深度学习的CS重构算法在重构质量及速度上性能优越,但在较低采样率时存在图像重构质量较差的问题。为此,提出一种基于多尺度注意力融合的图像CS重构网络,在网络中引入多个多尺度残差块提取图像不同尺寸的信息,并融合每个多尺度残差块的空间注意力与密集残差块的通道注意力,自适应地将局部特征与全局依赖性集成,从而提升图像重构质量。实验表明,所提算法在图像的PSNR、SSIM上均优于其他经典方法,重构性能更好。

基于压缩感知的缺失机械振动信号重构新方法

针对工业机械设备实时监测中不可控因素导致的振动信号数据缺失问题,提出一种基于自适应二次临近项交替方向乘子算法(adaptive quadratic proximity-alternating direction method of multipliers, AQ-ADMM)的压缩感知缺失信号重构方法。AQ-ADMM算法在经典交替方向乘子算法算法迭代过程中添加二次临近项,且能够自适应选取惩罚参数。首先在数据中心建立信号参考数据库用于构造初始字典,然后将K-奇异值分解(K-singular value decomposition, K-SVD)字典学习算法和AQ-ADMM算法结合重构缺失信号。对仿真信号和两种真实轴承信号数据集添加高斯白噪声后作为样本,试验结果表明当信号压缩率在50%~70%时,所提方法性能指标明显优于其它传统方法,在重构信号的同时实现了对含缺失数据机械振动信号的快速精确修复。

基于压缩感知的智能反射面信道估计

针对智能反射面(intelligent reflecting surface,IRS)辅助的通信系统中稀疏度未知信道的估计问题,提出了一种基于压缩感知的稀疏自适应信道估计算法。首先,研究了正交匹配追踪(orthogonal matching pursuit,OMP)算法下信道的残差l2范数与输入的信道稀疏度之间的关系,得出了OMP算法恢复稀疏度未知信道的迭代终止条件;然后,提出了一种二阶段稀疏自适应信道估计算法,在第一阶段估计信道稀疏度,在第二阶段增加或删减支撑集原子,最终使得恢复的信道向量误差最小。仿真结果表明,与经典的最小二乘法、已知稀疏度的OMP算法、稀疏自适应匹配追踪(sparsity adaptive matching pursuit,SAMP)算法相比,提出的算法性能良好,鲁棒性强。

基于自适应分块的高光谱图像压缩感知重构方法

在对高光谱图像采样重构的研究中,整体采样和固定分块采样没有考虑到高光谱图像复杂的纹理特征分布,使用了相同的测量矩阵导致图像的重构质量较差。针对此问题,该文提出基于2维图像熵自适应分块压缩感知重构方法(ABCS-IE),该方法以图像2维熵作为高光谱图像纹理细节的度量,根据图像的纹理细节分布自适应改变图像子块的大小,然后为不同的图像块分配特定的采样值,根据分配的采样值设计专有的测量矩阵对图像块进行压缩测量,将采样测量值代入重构算法中进行重构。实验结果表明,与整体采样重构和固定分块采样重构相比,将该方法应用到压缩感知重构算法中对高光谱图像进行采样重构后,重构的图像在视觉效果上有明显的提高,取得的峰值信噪比(PSNR)和结构相似度(SSIM)最大,采样率为0.4时,PSNR提高了2~4 dB,SSIM最大提高了0.27,均方根误差(RMSE)和信息熵差值(ΔH)也有所降低,说明重构的图像更加接近原始图像。而且运算时间也减少了1~1.5 s。可见,该方法能充分利用高光谱图像的纹理特征,有效提高图像的重构质量,同时减少重构的运算时间。

基于自适应分块和联合优化光滑l_(0)范数的二维压缩感知算法

传统的压缩感知模型和重构方法,虽能有效减少数据量,但压缩和重构性能不佳,故该文提出一种基于自适应分块和联合优化光滑l_(0)范数(SL0)的2维压缩感知算法。压缩过程利用灰度熵和四叉树算法进行自适应分块和采样率分配,同时对压缩模型改进,使用混沌循环矩阵作为测量矩阵,提升了压缩性能。重构过程基于SL0算法,采用陡峭性更高的拟合函数,结合拟牛顿法和动态迭代的方案提高重构质量和效率。该算法峰值信噪比和结构相似性指数相比现有算法平均提升了5.44 dB和21.08%,平均计算时间仅需1.59 s,表明该算法能稳定、快速地实现图像的压缩感知和精确重构,为压缩感知和图像重构提供了新方法。

利用边缘信息的多尺度分块压缩感知自适应采样方法

在小波域多尺度压缩感知框架下,被完整保留的低频系数存在着许多可利用的图像信息。本文在分析了不同尺度之间、以及同一尺度之内的系数块存在能量差异的基础上,提出了利用边缘信息的多尺度分块压缩感知自适应采样方法(EAS)。该方法首先利用低频系数提取出边缘信息,然后将边缘信息分块,加权计算每个块的边缘信息度,根据边缘信息度判断每个系数块的能量大小,将其转换成每个子块的自适应采样率,从而实现多尺度分块压缩感知的自适应采样。采用医学图像,含有复杂纹理的自然图像和含有严重噪声的SAR图像三类测试数据,验证了EAS方法的性能。数值实验结果表明,EAS方法对不同的压缩感知算法均有很大的提升,能够显著提高图像的重构质量和视觉效果。

基于自适应字典压缩感知的欠定工作模态参数识别

针对基于稀疏成分分析和正交基压缩感知的欠定工作模态参数识别方法准确率低、鲁棒性差的问题,提出一种基于自适应字典压缩感知的欠定工作模态参数识别方法。所提方法在模态振型估计的基础上利用自适应字典压缩感知重构模态坐标响应。在压缩感知框架下,首先,所提方法利用滤波分离的方法构造字典学习的训练样本;然后,使用基于K均值奇异值分解的字典学习方法和层次耦合字典训练策略生成自适应字典,实现了无监督的字典学习;最后,利用正交匹配追踪算法得到稀疏系数分量,进而恢复源信号重构模态坐标响应。在压缩感知框架下,所提方法利用K均值奇异值分解算法学习得到的自适应字典,对于信号的分解比傅里叶基或离散余弦基等正交基具有更强的稀疏表示能力。在5自由度的仿真数据集下的欠定工作模态参数识别的结果表明,所提方法比稀疏成分分析、正交基压缩感知等方法具有更好的识别精度和鲁棒性。

边缘和方向估计的自适应多尺度分块压缩感知算法

由于多尺度小波变换的分块压缩感知算法(MS-BCS-SPL)将每层子带信息进行分块时,使得每层子带中各子块间的采样率相同;但是,当不同的图像子块含有不同的边缘信息时,对这些子块采用相同的采样率会造成资源分配不合理。因此在MS-BCS-SPL算法的基础上,利用图像块边缘信息的不同和图像块的方向性,将总的采样率自适应分配给各层子带中的各子块,实现多尺度分块压缩感知的自适应采样。实验结果表明,在不同采样率,尤其较低采样率时,该算法不仅比MS-BCS-SPL算法采用了较少的采样数目,节约资源;而且比其可重构较高质量的图像。

基于感知域测量值的自适应压缩采样方法

现有的自适应采样方法需要在采集端获得原始信号,这在实际的蒸发波导相关气象要素压缩感知过程中不易实现。针对这一问题,提出了一种以测量值数据特征为依据的采样率自适应设定方法。该方法以能量表征各信号块的重要性,以观测值能量近似估计原信号块能量,根据感知域中测量值的能量变化自适应地为各块设定采样数目。理论分析和实验表明,该方法的重构性能优于传统自适应方法,相同采样率下可获得更高的重构信噪比。

基于自适应加权压缩感知的图像超分辨率重建

压缩感知理论被广泛应用于从少量随机观测中精确地重构原始信号,基于压缩感知理论来实现图像的超分辨率重建,在利用图像的局部稀疏性先验的基础上,采取了以下两项措施:一是通过对图像降质模型的估计,采用K-奇异值分解(Ksingular value decomposition,K-SVD)算法构建过完备字典对,依据同一图像高低分辨率观测在对应字典下稀疏表示系数相似的特点,将字典对所表示的高低分辨率图像间的映射关系带入目标函数中,避免了降采样和模糊算子难以抽象为矩阵形式对求解造成的影响;二是在待超分辨率图像稀疏编码时提出一种自适应加权的梯度投影稀疏重构(adaptive weighting gradient projection for sparse reconstruction,AWGPSR)算法,克服了传统正交匹配追踪(orthogonal matching pursuit,OMP)算法在这一步需要固定稀疏度的缺陷,可获得更加精确的稀疏表示系数。结合得到的稀疏表示系数与高分辨率字典可以重建出图像的高频分量,将重建的高频分量与低频部分融合可以得到最终的图像超分辨率重建结果。实验结果表明,所提算法无论从主观视觉还是客观评价指标上均优于其他相关方法。

考虑多时间尺度的梯级水电站组合交易风险自适应感知方法

为了控制交易风险发生概率,规避交易风险,助力收益最大化,提出考虑多时间尺度的梯级水电站组合交易风险自适应感知方法。综合考虑多时间尺度,将梯级水电站交易方式划分为上下两层,各层利用多时间尺度的马尔科夫决策描述梯级水电站的交易过程,搭建梯级水电站组合交易序贯模型,并采用人工蜂群算法求解获取组合交易最佳策略,搭建基于条件在险价值的组合交易风险度量模型,给定置信水平,求解组合交易最佳策略的风险值,实现梯级水电站组合交易风险自适应感知。实验结果表明,所提方法能够选取最佳组合交易决策,决策后的水电出力可满足实际负荷需求,拥有理想的决策性能;能够感知各时间段内组合交易的风险值,且应用该方法后可有效控制交易风险发生概率,应用效果极佳。

基于多尺度的自适应采样图像分块压缩感知算法

基于分块的压缩感知算法适用于图像信号的处理,通过平滑迭代阈值投影法可以快速重构图像,但存在低采样率下重构图像质量较差的缺点。基于全变差分的分块压缩感知算法,在一定程度上能提升重构效果,但降低了运算速度。针对以上算法的不足,提出基于多尺度的自适应采样图像分块压缩感知算法。根据小波分解后不同层对重构结果影响所占权重不同的特性,自适应分配给每一层不同的采样率,并在重构时将平滑迭代阈值投影法应用到每一层的每一个子带的分块上。实验结果表明,与传统的迭代阈值投影法相比在重构质量上提高了1~3 d B,在重构速度上与迭代阈值投影法相当并优于全变差分法。

利用纹理信息的图像分块自适应压缩感知

与一维信号不同,二维图像有明显的纹理信息.本文分析了不同图像之间,以及同一图像不同子块之间,不同纹理引起的信息量差异,在分块压缩感知算法的基础上,提出了利用纹理信息的图像分块自适应压缩感知算法.自适应性体现在自适应采样和自适应收缩阈值两个方面.引入两种滤波器,分别形成了两种分块自适应压缩感知算法.采用自然和医学两类测试图像,验证了两种新算法的性能.实验结果表明,利用了纹理信息的分块自适应压缩感知算法,在重构图像的质量和视觉效果上,都有明显的优势.

行阶梯观测矩阵、对偶仿射尺度内点重构算法下的语音压缩感知

基于语音信号在离散余弦域上的近似稀疏性,针对采用随机高斯观测矩阵及线性规划方法进行语音压缩感知与重构时,重构零(近似零)系数定位能力差而导致重构效果不好的缺点,本文提出一种新的行阶梯矩阵做观测矩阵,用对偶仿射尺度内点重构算法对语音进行压缩感知与重构,并对该算法下的重构性能进行理论分析.语音压缩感知仿真结果表明,在离散余弦基下,压缩比(观测序列与原始序列样值数之比)为1∶4时,行阶梯观测矩阵下的平均重构信噪比比随机高斯观测矩阵下提高9.73dB,平均MOS分比随机高斯观测矩阵下提高1.22分.

基于多尺度压缩感知金字塔的极化干涉SAR图像分类

提出了一种新的基于多尺度压缩感知(Compressed sensing,CS)金字塔的分类方法,用于合成孔径雷达(Synthetic aperture radar,SAR)图像的分类.首先通过原始图像上的小波平滑和特征提取构建多尺度极化干涉特征空间,然后利用压缩感知提取每一个尺度上图像子块的观测域特征并在数据域重建稀疏特征,最后组合多尺度的稀疏特征生成最终用于分类的多尺度金字塔表达.针对稀疏编码和一般金字塔算法的局限性,提出了基于压缩感知和多尺度金字塔的方法,利用观测矩阵降低特征维数的优势的同时,对SAR图像的纹理特征进行不同尺度的分析.在国内首批极化干涉SAR数据上的实验证明了上述算法的有效性.

一种自适应压缩感知重构算法

为优化稀疏自适应匹配追踪(sparsity adaptive matching pursuit,SAMP)算法的性能,给出了一种修正自适应匹配追踪(modified adaptive matching pursuit,MAMP)算法。该算法采用模糊阈值预选方案,改进了步长选择方法,设置了初次裁剪门限。仿真结果表明,在同等稀疏的条件下实现精确重构,该算法的运算速度较原算法提高了1倍,所需的观测值个数减少了1%,并提高了重构精度。

DCT域的语音信号自适应压缩感知

利用语音信号在DCT域的稀疏特性,提出了一种基于语音信号能量特性的帧间与帧内自适应压缩感知方法。首先根据语音信号各帧能量和各帧所属能量区间自适应分配每帧观测个数,称之为帧间自适应。然后当帧观测个数确定后,根据每帧完全观测各分量的能量自适应选取相应个数的观测,称之为帧内自适应。实验表明,用该算法重构的语音具有较高的平均分段信噪比和平均意见得分。

基于分块自适应压缩感知的可逆水印算法

针对数字图像可逆水印的高嵌入容量和不可见性的权衡问题,该文提出一种基于分块自适应压缩感知的可逆水印算法(Reversible Watermarking Algorithm Based on Block Adaptive Compressed Sensing,BACS-RWA)。该算法对载体图像分块,利用周围块与目标块的统计关系判断块类型,自适应地选择容量参数进行分块压缩感知,并利用整数变换嵌入水印;为提高水印嵌入容量将水印嵌入到经压缩感知后的平滑和普通载体图像块中,复杂载体图像块不做处理,以确保图像质量和不可感知性;采用分块压缩重构算法和可逆整数变换来恢复载体图像。通过对不同纹理图像实验并与同类算法对比,结果表明:当以Plane为载体图像时,最佳嵌入容量达1.87 bpp。分块自适应压缩感知理论的引入使算法具有良好的综合性能,在提高嵌入容量的同时,又能有效地降低嵌入数据后对原始图像质量的影响。

图像分块压缩感知中的自适应测量率设定方法

传统的图像分块压缩感知(BCS,block compressed sensing)以相同的测量率对各块进行测量,但由于图像的空间特性不同,在重构图像时出现了块效应。通过自适应为各块设定不同的测量率,该问题可得到有效的解决。然而,已有的自适应测量率设定法需要在采集端获得原始数字图像,这在实际的压缩成像(CI,compressive imaging)设备中无法实现。为了克服这一缺陷,提出了一种更易于通过硬件实现的自适应测量率设定法。该方法利用在采集端可获得的CS测量值直接在测量域中估计各图像块的样本方差,再根据各块样本方差自适应地为每块设定测量率并实现码率控制。仿真实验结果表明,该方案重构图像的质量优于非自适应方案,但由于测量域估计块样本方差存在偏差,使其与直接利用块样本方差真实值的自适应方案相比,仍具有一定差距。