大学科研成果论文37.docVIP

 PAGE  论文题目: 压缩感知理论在图像处理领域的应用 学 院： 计算机与信息学院 专业年级： 电子信息工程2010级 学 号： 姓 名： 指导教师、职称： 2012年 11 月15日   PAGE 5 压缩感知理论在图像处理领域的应用 摘 要:针对传统的采样方法得到的图像数据量巨大，给图像信息的后续处理造成极大压力的问题，对压缩感知理论( Compressed Sensing ，CS) 进行了研究 压缩感知理论使采集很少一部分数据并且从这些少量数据中重构出更大量信息的想法变成可能，突破了奈奎斯特采样定理的限制 综述了CS 理论及关键技术问题，并着重介绍了CS理论在成像系统图像融合图像目标识别与跟踪等方面的应用与发展状况 文章指出CS理论开拓了信息处理的新思路，随着该理论的进一步完善，会有更广泛的应用领域。 关键词：压缩感知；采样定理；成像系统；图像处理 1引言 随着信息社会的发展，在日常生活中会经常遇到获取存储处理以及传输海量信息的问题以数码相机拍照为例，由于从CDD获得的图像数据量很大，若是直接存储，一张1Gbit的存储卡只能保存几十张照片。而若通过某一压缩算法对图像信息进行重新表示，即可剔除照片中的冗余信息，使一张存储卡保存成百上千张照片。这是一个典型的信息编解码过程，从数学角度来讲就是信息的变换域处理。 整个编码过程由两个步骤构成:信息的获取(包含大量的冗余信息)和压缩处理。对于信息的获取，香浓-奈奎斯特采样定理指出:信号的样频率至少是信号最高频率的2倍时才能从采样信号恢复出原始信号。但是，在海量信息以及信号频率很高的情况下，上述采样方法会造成很大的数据冗余，同时也不得不考虑硬件成本的问题。压缩处理发生在数据被完整采集到之后，在数据压缩过程中，绝大多数的数据都要丢掉，而且压缩算法的计算量要比解压缩算法的计算量大。通过以上编码过程的分析可推出：如果能以远低于信号最高频率的采样频率来采样，采样数据量就可以大大减小，另外如果丢弃对???余信号的采集及，压缩，直接获取压缩后的数据，那么整个编码过程会变得简单易行。 ［1］ ［2］ 压缩感知理论（CompressedSensing，CS）指出，如果信号在某一变换域是K-稀疏的或者说是可压缩的，那么可以设计一个与相变换基不相关的非满秩矩阵（测量矩阵）来对信号进行“测量”。该测量值的长度远小于原始信号的长度，即可利用测量值，通过求解一个凸的最优化问题来实现原始信号的重构。 CS理论的奠基性文献是Cades[1]、Doho[2]和Tao[3]等人于2006年发表的3篇文章。文献［1］指出，对于信号f，可以从它的部分变换域信息f恢复出f，但前提是信号是稀疏的，而这一恢复过程就是一个典型的线性规划问题。文献［2-3］都围绕着如何从测量信号准确重建出原始信号这一主题进行讨论。文献［2］把整个信号的稀疏采样。理论定义为压缩感知，研究了准确重建的基追踪算法。文献［3］给出了准确重建准则。 目前，有关CS的研究论文有百余篇之多，这些论文多侧重于测量矩阵的设计、重构算法，的新理论以及CS的应用研究。这里简要回顾一下具有代表性的研究成果。 文献［4］研究了测量矩阵的优化问题;文献［5］利用线性调频序列构造了测量矩阵，实现了信号的量测和重构;文献［6］讨论了测量矩接受干扰情况下的CS理论，这种干扰不同于以往的加性噪声，而是乘性噪声，在此模型下，Herman等人给出了信号准确重建的条件。目前CS理论中，测量矩阵大多采用具有一致分布的随机矩阵。［17-29］ 随机矩阵对信号观测后也只能以很高的概率恢复出原始信号能否构造一个测量矩阵使得信号的，重构不停留在概率这一层面，另外，用硬件产生随机矩阵等都是需要解决的问题。 文献［7］从反应-扩散方程的角度，利用曲线波阈值方法提出了一种信号重构算法；Chretien提出了交互式l1松弛算法用于信号重构[8]，实验将该方法用于文献［9］所提出的再加权l1范数法和再加权最小二乘法；文献［10］给出了基于随机梯度自适应滤波架构的信号重建算法，实验结果表明：所提出的算法在准确重建和抵抗噪声等方面均优于匹配追踪等传统算法；文献［11］针对信号重构的递归硬阈值算法给出了理论分析；文［12-13］研究了一类在正交基和非一致字典上不具备稀疏性而在冗余字典上具有稀疏性信号的重构问题；文献［14］讨论了最优基的选择问题，利用多分辨率分析的思想，采用树状结构字典对信号进行