基于改进SP算法的压缩感知图像重构

针对压缩感知子空间追踪SP(subspace pursuit)算法必须以信号稀疏度为先验知识,而现实中图像稀疏度未知这一问题,提出改进SP算法MSP(modified subspace pursuit)。首先对信号的稀疏度进行自适应估计,其次在迭代过程中,通过给定的步长因子对稀疏度进行更新,使之逐渐逼近正确子空间,当重构误差小于阈值时,停止迭代,实现稀疏信号的重构。重构图像表明:MSP算法在运算时间和重构精度上均优于其他同类算法,实现了图像的快速精确重构。

基于变步长子空间追踪的DCT域非均匀采样图像重构

压缩感知是一种充分利用信号稀疏性的全新的信号采样理论。如何从采样得到的低维数据中高效地恢复出原始的高维数据是压缩感知理论的一个关键研究问题。本文基于图像二维离散余弦变换(Discrete Cosine Transform,DCT)系数的分布特性,研究图像DCT域非均匀压缩采样,并在子空间追踪(Subspace Pursuit,SP)算法的基础上,提出一种变步长SP算法,用以实现压缩感知图像的快速重构。该算法自适应地设置图像DCT系数矩阵中不同列向量的采样率,将有限的采样值尽可能地分配给高幅值系数较集中的列向量。在重建DCT系数列向量时,动态调整不同子空间内的原子搜索步长,在高幅值系数集中区域对应的原子子集中进行小步长密集搜索,而在其它原子子集中进行大步长快速搜索。实验结果表明,与基于SP算法的DCT域均匀采样图像重构算法相比,本文提出的基于变步长SP算法的DCT域非均匀采样图像重构算法在图像重构精度与重构算法运行时间方面均具有明显优势。

基于压缩感知的医学图像采样新方法研究

压缩感知基于信号的稀疏性或可压缩性,能够以低于奈奎斯特采样率的频率进行采样,从而直接获得压缩后的采样信号。本文将压缩感知的思想应用于医学图像,对已获得的图像进行压缩采样,以降低医学图像的存储空间。基于正交匹配追踪思想,提出分块双阈值正交匹配追踪方法,根据图像不同区域信息量的不同,采取分块处理并加入采样阈值,针对不同子图像块采取不同采样率,提高了采样效率;同时,在重构时加入判断阈值,可降低重构效果对采样阈值的依赖,减小了由于图像的特殊性或人为经验不足而使得采样阈值选取不当对图像重建质量的影响。实验表明,本文方法能够以较低的采样率实现较高的重构精度。