压缩感知及应用第五章 基于冗余字典的SAR图像压缩感知重建.pdfVIP

第五章 基于冗余字典的SAR图像压缩感知重建 5.1 图像稀疏表示的基础理论 5.1.1 图像稀疏表示的数学模型 5.1.2 图像稀疏表示的方法对比 5.1.3 稀疏系数的求解 5.1.4 冗余字典的学习 5.1.5 Curvelet变换和Gabor变换基本理论 5.2 基于Curvelet变换和Gabor变换的冗余字典图像稀疏表示 5.2.1 图像分块 5.2.2 基于Gabor变换和Curvelet变换得到冗余字典 5.2.3 稀疏系数的计算 5.2.4 图像的重建和效果评估 5.1 图像稀疏表示的基础理论 5.1.1 图像稀疏表示的数学模型 在各种图像应用中，有效地表示视觉信息是图像处理、分析和 理解的基础，其中设计到的很多图像操作，如压缩、滤波，图像要 求用较少的信息描述图像的重要特征。定义输入信号y （n*n）在经 过某种矩阵A （m*n）后得到矩阵A下的系数矩阵x （m*m），即 y Ax (5-1) 满足x中非零项系数远小于y，即mn。 5.1.2 图像稀疏表示的方法对比 Ⅰ 阈值法 图5-1 (a) 原始图像 (b) 傅立叶变换重建图像PSNR=15.53dB a b (c) Meyer小波变换重建图像PSNR=18.8953dB (d)Curvelet变换重建图像PSNR=42.6456dB c d 图5-1是对64*64的图像的不同处理，可以看出，同样的保留原数据的50% ，采用Curvelet小波可以更好的重建图像。相反，采用小波变换或者傅立叶变 换都不能得到理想的效果。因为采用Curvelet这一类小波，在普通小波的基础 上增加了更多的尺度、方向选择，不止局限于水平垂直对角线三个方向和有限 的尺度，便于更好地抓住图像的细节和条纹变化。 Ⅱ 冗余字典 图5-2 图5-2表示的即冗余字典稀疏表示图像的大体过程。Y为输入信 号，A为冗余字典，x为稀疏系数矩阵。 5.1.3 稀疏系数的求解 Ⅰ 基本原理 正则条件有很多种方式，最原始的定义是，即求出x矩阵中最少的非 零元素个数。完整表示为： (P ): min || x ||0 subject to b Ax (5-2) 0 然而这个方法存在三个主要缺点： 1、的条件太过严格，实际总会有一些非常小的误差可以允许的。 2、用来衡量稀疏程度太过于敏感，采用更好的容忍表达式可以达到 一样的效果。 3、求问题是非线性问题，不能使用成熟的凸优化算法解决。 解决这个问题的最好办法就是使用二范数代替，即用L2-norm 代替L0-norm。因为L2-norm的最小化为，因此找的时候是从原点 开始逐渐增大半径r，直到与的直线相切为止，那个点就是最小值。 即 ( P ): min | x ||2 s.t. b Ax (5-3) 2 2 用拉普拉斯算子，我们得到拉普拉斯方程： 2 T L(x) || x ||2  (Ax b) （5-4 ） 对它进行求导得到 L(x ) T ~ 1 T x 2x A  ，可得到 xopt