基于轮廓波维纳滤波的图像压缩传感重构.docVIP

基于轮廓波维纳滤波的图像压缩传感重构* 李　林，，练秋生 （燕山大学信息科学与工程学院秦皇岛066004） 压缩传感TP391　　文献标识码：A　　国家标准学科分类代码：510.4050 Image compressed sensing reconstruction based on contourlet Wiener filtering Li Lin, Kong Lingfu, Lian Qiusheng （Institute ofnformation Science and Technology, Yanshan University, Qinhuangdao 066004, China） AbstractTo overcome the poor directional selectivity of orthogonal wavelet bases and not exploiting the statistic characteristics of transform coefficients in neighborhood, the contourlet Wiener filtering denoising operator is used to replace the threshold operator in iterative thresholding algorithm. And then a reconstruction algorithm is proposed, which combines contourlet with Wiener filtering. Experiment results show that the proposed algorithm improves the peak signal-to-noise ratio and visual quality, protects image details, and accelerates the convergence of reconstruction algorithm. Key words：compressed sensing; contourlet; iterative Wiener filtering; neighborhood coefficient 1　引　　言 随着科技进步，信号带宽越来越宽，并在某些场合是不可知的，传统的香农抽样定理在应用中受到了挑战。对此Candes和Donoho等学者提出了压缩传感(compressed sensing)理论[1-2]，它通过对可稀疏表示的信号f进行随机投影[3]抽样，得到了比奈奎斯特抽样频率少得多的非相干观测值，结合信号在某一变换域可稀疏表示的先验知识重构原始信号，观测值数量取决于信号表示的稀疏性而非信号的带宽。 图像压缩传感与传统的图像压缩不同，由于在抽样之前无法知道哪些变换系数是显著系数，不能直接抽取，所以需对图像进行随机投影抽样，得到，其中ai为随机基向量，并与图像稀疏表示的基函数不相干。重构图像f时，需结合图像的先验知识，在尽量满足随机投影观测值约束条件下，使f的稀疏性最大。Donoho的理论结果表明[2]，对于像素数为M的K-稀疏图像，利用O(Klog(M))个随机投影观测值和l1范数最小化准则可以重构原始图像，重构误差和K个显著系数的逼近误差相当。 目前的图像压缩传感重构算法中主要采用正交小波进行图像的稀疏表示，并利用迭代阈值法解决信号的重构问题。小波是表示具有点奇异性目标函数的最优基，常用的二维小波是一维正交小波的张量积，仅有水平、垂直和对角线个方向，且各向同性，难以表示轮廓、边缘和纹理等更高维的几何特征。为了克服正交小波的上述缺点，Do和Vetterli在2002年提出了各向异性的非自适应、多方向、多分辨率几何表示方法——轮廓波变换[4]，它比二维正交小波有更高的稀疏性。目前采用的迭代阈值法只对变换系数自身进行阈值处理，并没有利用系数的邻域统计特性。而维纳滤波是一种基于最小均方误差准则的估计方法，利用了变换系数的邻域统计特性，可作为稀疏表示的先验知识替代迭代阈值法中的阈值算子。 针对上面提到的压缩传感系统所涉及的稀疏表示方法和邻域系数利用问题，本文提出了基于轮廓波维纳滤波的图像压缩传感重构算法。实验结果证明，该算法改善了重构图像的质量，提高了重构算法的收敛速度。 2　图像压缩传感重构 图像压缩传感系统采用随机投影矩阵A对原始信号x进行随机抽样，得到观测值y=Ax。对于长度为N的一维信号x，得到观测值y∈Rn()，则随机投影矩阵。本文利用PDCT(将原始图像进行随机置乱后抽取部分DCT系数)得到观测值y。 在图像压缩传感系统中，随机投影抽样并不需要任何的先验知识