一种基于多元探测器阵列的分块图像压缩传感算法

doi:10.3969/j.issn.1000-1093.2014.05.012

兵工学报 ›› 2014, Vol. 35 ›› Issue (5): 654-661.doi: 10.3969/j.issn.1000-1093.2014.05.012

一种基于多元探测器阵列的分块图像压缩传感算法

张智诠¹，丁晟^1，2，金伟其³

（1.装甲兵工程学院控制工程系，北京 100072； 2.73021部队，浙江杭州 310023；3.北京理工大学光电成像技术与系统教育部重点实验室，北京 100081）

收稿日期:2013-08-21 修回日期:2013-08-21 上线日期:2014-06-23
作者简介:张智诠(1959—)，男，教授，博士生导师

A Block Compressed Sensing Method Based on Multi-element Detector Array

ZHANG Zhi-quan¹， DING Sheng^1,2， JIN Wei-qi³

(1. Department of Control Engineering, Academy of Armored Force Engineering, Beijing 100072, China;2. No.73021 Unit of PLA,Hangzhou 310023, Zhejiang, China;3. Ministry of Education Key Laboratory of Photo Electronic Imaging Technology and System,Beijing Institute of Technology, Beijing 100081, China)

Received:2013-08-21 Revised:2013-08-21 Online:2014-06-23

摘要/Abstract

摘要： 针对压缩传感理论应用于单元探测成像时图像重构时间随图像尺寸增大而迅速增大的问题，提出了一种利用数字微镜和多元探测器进行编码测量，利用最小全变分法进行图像重构的分块图像压缩传感算法，并对重构分块图像进行灰度拉伸，提高了图像的峰值信噪比和结构相似度。仿真实验结果表明：算法具有计算时间短、重构图像质量高的特点，对于16图像分块，至少可缩短40％重构时间；通过分块图像灰度拉伸，重构图像的峰值信噪比和平均结构相似度较不拉伸时分别提高70%和11%. 文中算法为高分辨压缩成像的应用研究提供了一种有效的技术参考。针对压缩传感理论应用于单元探测成像时图像重构时间随图像尺寸增大而迅速增大的问题，提出了一种利用数字微镜和多元探测器进行编码测量，利用最小全变分法进行图像重构的分块图像压缩传感算法，并对重构分块图像进行灰度拉伸，提高了图像的峰值信噪比和结构相似度。仿真实验结果表明：算法具有计算时间短、重构图像质量高的特点，对于16图像分块，至少可缩短40％重构时间；通过分块图像灰度拉伸，重构图像的峰值信噪比和平均结构相似度较不拉伸时分别提高70%和11%. 文中算法为高分辨压缩成像的应用研究提供了一种有效的技术参考。

关键词: 信息处理技术, 压缩传感, 图像稀疏与重构, 多元探测器, 平方约束最小全变分法, 等式约束最小全变分法

Abstract: A block compressed sensing method is proposed considering that the calculation time of image reconstruction increases rapidly with the image size when compressive sensing (CS) theory is applied in single-pixel imaging. In the method, a digital micro-mirror device (DMD) and a multi-element detector array are used for encoding and measuring, and a total variation minimization method is used for image reconstruction, where the peak signal-to-noise ratio (PSNR) and the structural similarity (SSIM) of recovered images are improved by using gray stretch technique. Simulation results show that the method has the characteristics of shorter calculation time and higher recovered image quality. For 16 image blocks, the calculation time can be shorten by 40% at least. The PSNR and mean SSIM values of recovered images can be improved by 70% and 11%, respectively, through gray stretching of image blocks.

Key words: information processing, compressive sensing, sparse representation and reconstruction, multi-element detector array, total variation minimization with quadratic constraints, total variation minimization with equality constraints

中图分类号:

TN214

张智诠，丁晟，金伟其. 一种基于多元探测器阵列的分块图像压缩传感算法[J]. 兵工学报, 2014, 35(5): 654-661.

ZHANG Zhi-quan， DING Sheng， JIN Wei-qi. A Block Compressed Sensing Method Based on Multi-element Detector Array[J]. Acta Armamentarii, 2014, 35(5): 654-661.

参考文献

［1］ Donoho D L. Compressed sensing［J］. IEEE Transactions on Information Theory，2006，52（4）: 1290-1305.
［2］陈涛，李正炜，王建立，等. 应用压缩传感理论的单像素相机成像系统［J］. 光学精密工程，2012，20（11）: 2523-2530.
CHEN Tao，LI Zheng-wei，WANG Jian-li，et al. Imaging system of single pixel camera based on compressed sensing［J］. Optics and Precision Engineering， 2012，20(11)：2523-2530. （in Chinese）
［3］肖龙龙，刘昆，韩大鹏，等. 压缩感知理论在光学成像中的应用［J］. 应用光学, 2012，33（1）: 71-77.
XIAO Long-long，LIU Kun，HAN Da-peng，et al. Application of compressed sensing in optical imaging［J］. Journal of Applied Optics，2012，33（1）：71-77. （in Chinese）
［4］冯燕，贾应彪，曹宇明，等. 高光谱图像压缩感知投影与复合正则重构［J］. 航空学报, 2012，33（8）：1465-1472.
FENG Yan，JIA Ying-biao，CAO Yu-ming，et al. Compressed sensing projection and compound regularizer reconstruction for hyperspectral images［J］. Acta Aeronautica et Astronautica Sinica，2012，33（8）：1465-1472. （in Chinese）
［5］ Candès E J，Romberg J，Tao T. Robust uncertainty principles：exact signal reconstruction from highly incomplete frequency information［J］. IEEE Transactions on Information Theory，2006，52（2）：489-509.
［6］ Elad M. Sparse and redundant representations：from theory to applications in signal and image processing［M］. Berlin，Germany：Springer，2010.
［7］ Dai Q, Sha W. The physics of compressive sensing and the gradient-based recovery algorithms［EB/OL］. ［2013-05-07］.http:∥arxiv.org/abs/0906.1487.
［8］ Tropp J A，Gilbert A C. Signal recovery from random measurements via orthogonal matching pursuit［J］. IEEE Transactions on Information Theory，2007，53（12）： 4655-4666.
［9］ Needell D, Vershynin R. Signal recovery from incomplete and inaccurate measurements via regularized orthogonal matching pursuit［J］. IEEE Journal of Selected Topics in Signal Processing，2010，4（2）：310-316.
［10］ Do T T, Lu Gan，Nguyen N，et al. Sparsity adaptive matching pursuit algorithm for practical compressed sensing［C］∥42nd Asilomar Conference on Signals, Systems & Computers. California, US: IEEE，2008: 581-587.
［11］ Needell D，Tropp J A. CoSaMP：iterative signal recovery from incomplete and inaccurate samples［J］. Applied and Computational Harmonic Analysis, 2009，26(3): 301-321.
［12］ Candes E，Romberg J. l1-magic: recovery of sparse signals via convex programming［EB/OL］. ［2013-05-07］.http:∥users.ece. gatech.edu/justin/l1magic/downloads/l1magic.pdf.
［13］ Duarte M F, Davenport M A, Takhar D, et al. Single-pixel imaging via compressive sampling［J］. IEEE Signal Processing Magazine, 2008，25（2）：83-91.
［14］ Do T T, Lu Gan, Nguyen N H, et al. Fast and efficient compressive sensing using structurally random matrices ［J］. IEEE Transactions on Signal Processing, 2012，60（1）：139-154.
［15］佟雨兵, 张其善, 祁云平. 基于PSNR与SSIM联合的图像质量评价模型［J］. 中国图象图形学报, 2006, 11(12): 1758-1763.
TONG Yu-bing，ZHANG Qi-shan，QI Yun-ping. Image quality assessing by combining PSNR with SSIM［J］. Journal of Image and Graphics，2006，11（12）：1758-1763. (in Chinese)

[1]	曾溢良，蓝金辉，邹金霖. 滑动置信度约束的红外弱小目标跟踪算法研究[J]. 兵工学报, 2017, 38(9): 1771-1778.
[2]	李关防，崔杰，袁富宇. 基于线谱瞬时频率估计的被动声纳目标运动分析[J]. 兵工学报, 2017, 38(7): 1395-1401.
[3]	朱甦，薄煜明，何亮. 基于冗余字典的多特征压缩感知目标跟踪算法[J]. 兵工学报, 2017, 38(6): 1140-1146.
[4]	王啸, 韩太林, 张永立, 刘轩, 王义君, 宫玉琳. 多通道瞬态信号自适应变频算法[J]. 兵工学报, 2017, 38(6): 1161-1167.
[5]	张石，张百海，王飞帆，关子霄. 基于跳数量化的无线传感器网络节点定位算法[J]. 兵工学报, 2017, 38(5): 932-939.
[6]	夏平, 任强, 吴涛, 雷帮军. 融合多尺度统计信息模糊C均值聚类与Markov随机场的小波域声纳图像分割[J]. 兵工学报, 2017, 38(5): 940-948.
[7]	曹俊，郑翠娥，孙大军，张殿伦. 基于凸优化的水下载体定位研究[J]. 兵工学报, 2017, 38(3): 520-526.
[8]	向颉，茅永兴，郭才发. 船载雷达测速数据的船速修正新方法[J]. 兵工学报, 2017, 38(11): 2268-2273.
[9]	潘江怀，乔慧. 多传感器空间配准的病态性及其稳健估计[J]. 兵工学报, 2017, 38(10): 1965-1973.
[10]	王清，丁赤飚，付琨，任文娟. 基于膨胀运算的移动对象兴趣点检测方法[J]. 兵工学报, 2017, 38(10): 2041-2047.
[11]	李子高，李淑秋，闻疏琳. 一种基于独立成分分析的水下宽带信号波达方位估计方法[J]. 兵工学报, 2017, 38(1): 114-122.
[12]	刘泳庆，蒋硕，于栋，邵晓田. 窄带干扰抑制对码相位测量零值的影响分析[J]. 兵工学报, 2016, 37(2): 293-298.
[13]	管四海, 李智，黄辉，王哲. 带零吸收项的变步长l₀范数归一化最小均方误差算法[J]. 兵工学报, 2016, 37(11): 2170-2176.
[14]	焦传海，李永成，谢恺，杨运甫. 基于期望偏差和广义似然比检验的非重构宽带压缩盲感知[J]. 兵工学报, 2016, 37(10): 1837-1843.
[15]	刘红，曹颖，隆腾舞. 基于改进离散粒子群优化算法的容差电路故障特征提取[J]. 兵工学报, 2015, 36(8): 1494-1501.

一种基于多元探测器阵列的分块图像压缩传感算法

A Block Compressed Sensing Method Based on Multi-element Detector Array

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价