基于向量稀疏和矩阵低秩的压缩感知核磁共振图像重建算法

当前基于压缩感知理论的核磁共振图像重建算法大多仅利用图像数据的稀疏性或者低秩性,并没有同时利用图像的这两个性质.本文提出了一种基于向量稀疏性和矩阵低秩性的压缩感知核磁共振图像重建方法.该方法利用核磁共振图像中图像块的非局部相似性对求解优化模型的经典非线性共轭梯度算法进行改进.主要是在共轭梯度算法的迭代过程中对每一图像块寻找其相似块,由于相似块的像素组成的矩阵具有低秩性,因此利用矩阵低秩恢复算法对每一图像块进行更新.改进后的方法同时利用了图像数据的稀疏性和低秩性.实验结果表明,该方法相对于现有的具有代表性的图像重建算法相比,提升了重建图像的质量,具有较高的信噪比.     

基于低秩增强的图像压缩感知重构算法

基于非局部自相似性的自然图像压缩感知重构算法在低采样率条件下初始重构质量有限,导致相似块分组效果不理想,影响最终重构质量.针对此问题,文中在组稀疏重构算法(GSR算法)的基础上提出一种低秩增强图像重构算法.首先在初始重构中引入三维块匹配去噪方法,提出混合滤波重构算法,为相似块分组提供更高质量的初始重构图像;然后在相似块正式分组前进行低秩增强预处理,使得相似块分组过程更加关注图像块的关键特征,提高分组的正确度.仿真实验结果表明,文中所提算法和GSR算法相比,在低采样率条件下具有更好的重构性能.     

结合图像的局部相关性及非局部相似性的多尺度分块压缩感知

标准的图像压缩感知算法未利用像素间的邻域结构信息和图像子块的自相似性。针对这一问题,本文将图像分成重叠的图像子块,用冗余字典自适应地稀疏表示图像,同时将用自回归模型表示的图像局部相关性和非局部相似性作为先验知识运用到压缩感知图像重构中,提出了结合图像的局部相关性和非局部相似性的多尺度分块压缩感知方法。实验结果表明,本文算法可以有效提高图像重构的视觉效果和峰值信噪比。     

非局部相似和双边滤波的图像超分重建

为了提高重建图像的分辨率,提出一种改进的稀疏表示超分重建算法.在稀疏编码阶段,引入非局部相似正则化以改进稀疏编码目标函数,并通过非局部相似正则化获得图像非局部冗余,以保持图像边缘信息.为了进一步恢复图像的边缘细节信息,提出一种基于改进双边滤波的全局误差补偿模型,以实现重建图像的误差补偿.实验结果表明:与Bicubic,L1SR,SISR,ANR,NE+LS,NE+NNLS,NE+LLE和A+(16 atoms)等算法相比,无论在主观视觉效果,还是在峰值信噪比和结构相似性指标上,所提算法都有显著的提高.     

基于复合稀疏约束的近似消息传递CS重构算法

压缩感知(CS)重构中的近似消息传递(AMP)算法通过迭代执行小波阈值操作和残差更新来快速准确地实现稀疏信号重构,但它所采用的小波系数稀疏约束并不适用于非稀疏的自然图像,尤其CS观测过程存在噪声干扰时.为此,文中提出了一种基于复合稀疏约束和AMP框架的CS图像重构算法,使用相似图像块低秩约束和双边滤波约束作为自然图像的联合先验信息,以改善图像规则纹理和边缘的恢复效果,从而提升算法的重构性能.无噪CS观测的重构实验表明,文中算法的峰值信噪比(PSNR)比仅用低秩约束的AMP算法提高了0.45 d B,比原始AMP算法高6.19 d B;而在含噪CS观测的重构实验中,对应的PSNR增益则分别是0.25和4.60 d B;无论是无噪观测还是含噪观测,文中算法都获得了更佳的主观视觉效果.     

基于低秩非局部稀疏表示的图像去噪模型

在去除加性高斯白噪声的过程中,为克服图像失真,提高图像视觉质量,使图像之间联系更加密切,本文提出了一种基于低秩非局部稀疏表示的去噪算法模型。在该模型中,首先通过PCA方法线训练字典得到稀疏字典集,然后用奇异值分解求解低秩问题,最后用欧拉-拉格朗日方法得到去噪图像的能量泛函,从而重构图像。仿真实验结果表明,提出的新算法不仅能克服图像失真,改善图像视觉质量,还提高了峰值信噪比和图像相似度。     

基于自回归正则化和稀疏表示的图像超分辨率重建

针对图像超分辨率重建中稀疏系数解不精确和重建图像质量不理想的问题,本文提出了一种空间自回归正则化的超分重构算法.该重构算法联合稀疏K-SVD方法训练一个具有相同稀疏系数解的相对应于高低分辨率图像块的字典对,在此基础上利用自然图像本身具有的局部自回归性先验知识来对图像进行处理,经过模型的训练和选择引入正则化项,实现图像的局部约束,从而完整构造了基于正则化的稀疏编码目标函数,为了进一步实现图像去模糊得到清晰图像,利用退化模型实现全局约束.实验结果表明:与Bicubic、NE和SCR等算法相比,本文算法在主观视觉效果和客观评价指标方面都有了一定地提升.     

压缩感知图像的块子带自适应稀疏表示规则化重构

针对自然图像信号的非平稳特性和不同图像块的变换域系数的分布差异较大, 基于分块图像子带自适应 稀疏表示规则化,提出了一种新的压缩感知图像重构方法．先利用非局部相似块组估计每个分块图像变换域各子 带系数的均值和标准差,再将图像块各子带系数进行去均值并关于标准差归一化, 最后将去均值归一化处理的子 带系数的l₁范数表示用于规则化压缩感知重构．由于块子带自适应稀疏表示更加合理地表达了稀疏系数的重要 性,使得重构图像能够更好地保留纹理、边缘等细节信息．大量的实验结果表明: 相比组稀疏表示的压缩感知重构 算法,该方法重构图像的峰值信噪比平均提高了0.69 dB．     

一种压缩感知下的NSCT-Zernike的鲁棒数字水印方案

为了达到水印抗几何攻击鲁棒性高的要求,提出一种在压缩感知下的非下采样轮廓波变换结合伪Zernike矩的鲁棒数字水印方案. 利用非下采样轮廓波变换对载体图像进行三层分解提取其低频分量,通过一维离散小波变换对低频分量进行稀疏化以获取稀疏基,构造稀疏基的测量矩阵,并对其进行压缩感知处理得到新的低频分量,计算其Zernike矩,通过量化调制正则化伪Zernike矩幅值的方式将水印信息嵌入. 利用正则化正交匹配追踪算法进行图像压缩感知的重构. 仿真与实验分析表明,当峰值信噪比达到40 dB以上时,本文算法提取水印的NC值和误码率较为理想.      

基于块稀疏表达模式的高光谱图像压缩

针对高光谱图像压缩算法存在的解码端计算复杂度高,且没有充分考虑高光谱图像结构特征信息等问题,提出了一种基于块稀疏表达模式的高光谱图像压缩方法.主要通过在编码端利用结构字典对稀疏系数进行结构化压缩编码,避免解码端非线性重构,以达到缩短高光谱图像重构时间的目的.实验证明该方法在压缩比较低(0.015 9)时依然能获得较高的重构精度(峰值信噪比为22.240 3,结构相似度为0.511 4).     

组稀疏表示的双重l1范数优化图像去噪算法

由于图像受噪声的影响,无法从降质信号中获得准确的稀疏系数.针对此问题,对一种组稀疏表示的双重l_1范数优化图像去噪算法进行研究,该算法同时采用非局部相似图像块组稀疏表示的l_1范数和稀疏残差作为正则项对组稀疏系数进行约束,并利用一种有效的迭代收缩算法实现对模型的优化求解,以获取更鲁棒的稀疏系数,另外,为了进一步提高去噪性能,采用贝叶斯公式推导出自适应调整两个正则化参数的方法.实验结果表明,与现有的许多算法相比,新算法能够在去除噪声的同时抑制伪影,保护图像的细节信息,峰值信噪比相对经典的BM3D算法而言,最多可提高1.24 dB.     

基于秩极小化理论的单幅图像超分辨率复原

由于自然图像中较小的图像块具有相似性,而这些相似图像块之间具有近似低秩结构.提出了一种基于秩极小化理论和块相似性的单幅超分辨率方法.该方法首先对于每一输入低分辨率图像块在训练图像库的低分辨率图像块中寻找其相似图像块;利用这些相似块所对应的高分辨率图像块构造近似低秩矩阵,建立秩极小化的复原模型,利用增广拉格朗日乘子算法将近似低秩矩阵分解为低秩矩阵和稀疏矩阵;最后根据相似的高分辨率图像块子空间的低秩矩阵,实现图像的超分辨率复原.通过在仿真数据机上进行验证和对比表明:本方法能够取得较好的超分辨率效果.     

基于低秩约束和字典学习的图像超分辨率重建

基于学习的超分辨率重建算法通过对图像的整体信息学习进行重建,没有对图像的内部结构信息特征进行分解考虑.基于图像的低秩稀疏分解理论,本文提出一种新的图像超分辨率重建算法.在研究图像矩阵的低秩部分与稀疏部分信息特征的基础上,结合图像自身蕴含的先验信息,本文分两步对图像恢复重建.首先,将图像的非局部自相似性先验信息引入图像的基本重建模型.在该模型下利用相似图像块矩阵的天然低秩性约束得到初始估计高分辨率图像.第二步,提出一种改进的字典学习算法恢复出初始估计高分辨率图像中缺失的高频成份信息,获得最终的高分辨率图像.为了使高频成份得到更好的恢复,在字典学习样本集的构建阶段应用了一种基于低秩稀疏分解理论的样本集构建方法.实验分析表明,本文提出的算法与现有主流算法相比,在主观视觉效果和客观性能分析上都能显示出更好的优越性.     

基于波原子稀疏优化与组稀疏表示的压缩感知算法

图像的稀疏度对实现图像压缩感知重建具有十分重要的影响,波原子变换能够有效地对图像进行稀疏表示并且具有可逆性。本文提出一种基于波原子优化稀疏变换与组稀疏表示的图像压缩感知重构算法,根据图像波原子变换系数逐渐降低的特点,构建一种约束矩阵对图像的波原子变换系数进行抑制从而增强图像稀疏度,通过组稀疏表示图像重建算法进行图像的压缩感知重构,最后对重构图像进行波原子逆抑制变换恢复原图像。仿真实验结果表明,本文算法相较于原有算法能够更好重构图像纹理细节,重构图像质量有明显提高,能够实现更低的采样率的图像压缩感知重建。     

基于局部结构相似与稀疏表示的超分辨率图像重建

稀疏表示在图像超分辨率(super-resolution, SR)重建中表现良好,但是传统的稀疏表示方法独立考虑图像块之间的稀疏性,会导致重建图像损失部分纹理结构。文章提出了一种基于局部结构相似与稀疏表示的SR图像重建算法。该算法利用局部几何结构相似的约束模型和L_1范数正则化的稀疏表示来求解图像块在低分辨率字典下的稀疏表示,以此重建高分辨率图像块。实验结果表明,该算法比传统稀疏表示方法能更好地恢复图像纹理结构,并在重建效果上具有明显的优越性。     

基于字典学习与图拉普拉斯矩阵的图像降噪

为了获得更好的图像降噪效果,本文为图拉普拉斯矩阵引入正则化项,结合一般稀疏表示降噪模型,提出一种新的图像降噪模型,模型包括数据保真项、图拉普拉斯矩阵正则化项和稀疏约束项;同时提出选取归一化的图拉普拉斯矩阵的特征向量作为字典学习的首字典.仿真实验表明:本模型有较好的降噪效果,处理图像的峰值信噪比比双边滤波(BF)和非局部均值(NLM)高,且图像呈现出更清晰的外观和细节.     

基于自适应低秩去噪的近似消息传递压缩感知恢复

图像隐含的低秩先验特性已被成功应用于去噪等图像恢复应用.考虑到自然图像具有的非平稳特性以及迭代重构中图像噪声强度的变化,提出了一种结合近似消息传递与自适应低秩去噪的图像压缩感知重构方法.根据迭代重构图像的噪声方差估计,自适应地调整分块图像的大小以及相似块组的规模,实现低秩去噪性能的有效提升,从而保证了迭代重构的收敛速度,并同时改善了重构图像的质量.大量实验结果表明:该方法在无噪和有噪观测环境下都具有较好的重构性能,且能够有效地保留图像的纹理细节信息.     

基于正弦图分区修复的稀疏角度CT重建算法

针对稀疏投影CT重建图像中的条形伪影问题,提出一种稀疏表示与低秩矩阵填充相结合的正弦图分区修复方法.首先,将正弦图子块依据灰度熵大小分为两类;然后,采用字典学习算法修复边界区域的正弦图子块,为了保留正弦图的内部结构,设计一种联合修复模型用于内部子块的修复,将正弦图的低秩特性融入稀疏表示模型中,以便引入非局部信息;最后,组成完整的正弦图并经滤波反投影(FBP)重建获得最终图像.实验结果表明,与经典算法相比,该算法在投影域与图像域皆有较优表现,能够较好地修复正弦图的结构,明显改善稀疏重建图像中的条形伪影及结构模糊问题.     

去椒盐噪声的新型图像复原模型

针对已有的去噪模型不能有效刻画图像局部特征的缺陷,提出一种新型的去椒盐噪声图像复原模型.在模型的全变分项中,通过引入权矩阵来刻画图像的局部特征以达到增强各向异性扩散的目的.另外,为了刻画图像的稀疏性,同时在模型中引入低秩矩阵正则化.由于模型是非光滑凸优化问题,因此可以利用交替方向乘子法快速求解,并在理论上证明了算法的收敛性.最后的数值比较验证了所提模型和算法的有效性.     

基于近似消息传递的小波域图像压缩感知

针对现有的基于近似消息传递的图像压缩感知算法需要构建大尺寸观测矩阵的问题,研究基于近似消息传递的小波域图像压缩感知算法。为了克服逐列观测、逐列重构的传统变换域压缩感知方案隔断图像列与列之间相关性的缺点,提出了一种基于图像行列相关性的小波域压缩观测方案。进而,基于近似消息传递设计了一种适用于在稀疏度未知的情况下重建小波系数的压缩感知重构算法,结合图像小波系数的结构化稀疏特性与近似消息传递,实现了小波域图像压缩感知重构。实验结果表明,与现有算法相比,本文提出的基于图像行列相关性与近似消息传递的小波域图像压缩感知算法具有更高的重建图像质量与更快的图像重建速度。