基于双树复数小波快速二步迭代混合范数算法.docVIP

基于双树复数小波快速二步迭代混合范数算法 　　摘要：以双树复数小波基为稀疏基，局部哈达玛矩阵为观测矩阵，在IST算法的基础上提出一种改进的快度二步迭代混合范数算法，目标函数采用混合范数模型，二步迭代加速了目标函数的优化，二步迭代混合范数算法收敛于混合目标函数的最小值。改进的算法重构速度高于IST算法的2.5倍，图像的均方误差减小50%以上。与以DCT为稀疏基、高斯矩阵为观测矩阵、快速二步迭代混合范数算法为重构算法的压缩感知重构系统相比，改进算法的峰值信噪比提高了约1dB，表明改进算法具有更好的图像重构质量和重构速度。 　　关键词：压缩感知；图像重构；稀疏变换；混合范数；二步迭代 　　DOIDOI：10.11907/rjdk.171763 　　中图分类号：TP312文献标识码：A文章编号2017）010005403 　　0引言 　　压缩感知系统中图像重构是一个求解反问题的过程[13]。该问题可以通过基于0范数的贪婪算法求解，也可以转化为求解基于1范数的凸优化问题求解。贪婪算法重构效果不及凸优化算法，但凸优化算法计算复杂度更高。为了研究更加高效的压缩感知系统，鉴于贪婪算法重构速度快和凸优化算法图像重构效果佳的特点，本文提出一种改进的混合范数算法。它是一种以双树复数小波为变换基，测量矩阵为部分哈达玛矩阵的快速二步迭代混合范数算法，混合范数模型是建立图像恢复的目标函数，二步迭代加速了最小目标函数的优化。对于给定参数，二步迭代混合范数算法收敛于混合目标函数的最小值。 　　1双树复数小波变换 　　在数字图像处理中，小波变换的优点在于它能很好地保存图像的边缘特性，因此是研究中重点选取的变换。一般的离散小波变换存在平移不变性和方向选择性较差等缺陷，无法最优地表达图像边缘特征。在上述事实基础上，Kingsbury[4]等提出了一个新的变换，双树复数小波变换（简称DTCWT），其由于具有多方向性，可很好地减小正交小波变换中的平移不变性，改善方向选择性，这些良好特性使得DTCWT在众多领域被广泛应用。 　　双树复数小波通过两个相互平行的小波组成，双树复数小波的上、下支树分别是复数小波变换的实部和虚部。双树复数小波在分解过程中，第1层与其它层所运用的滤波器不同。上下支树采用的是双正交滤波器，其中一个支树采用长度为奇数的高通滤波器，该支树的采样序列中点偶对称；另一支树采用长度为偶数的高通滤波器，该支树的采样序列中点奇对称，上下支数相互交替就产生了复数小波变换的实部和虚部。二维双树复数小波变换的分解步骤如图1所示。 　　其中，小波变换的两组双正交滤波器组为h0（n）、h1（n）和g0（n）、g1（n），其可以表示为式（1）： 　　h1（n）=（-1）nh0（N-n） 　　g1（n）=（-1）ng0（N-n）（1） 　　其中，N为滤波器长度。 　　尺度函数φh（t）和小波函数ψh（t）用双正交滤波器h0（n）和h1（n）表示，如式（2）： 　　φh（t）=2∑nh1（h）（2t=n） 　　ψh（t）=2∑nh0（h）（2t=n）（2） 　　尺度函数和小波函数用双正交滤波器组g0（n）和g1（n）表示，如式（3）： 　　φh（t）=2∑ng1（h）（2t=n） 　　ψh（t）=2∑ng0（h）（2t=n）（3） 　　图2是利用双树复数小波变换处理Lena图像生成的效果图，其中（a）为Lena原图，（b）为双树复数小波处理后的Lena图。图2（b）表明，Lena图经过双树复数小波变换处理后，图像能量分散到多个方向，涵盖了图像的处理细节，优于传统的DCT和DWT变换。因此，本文选择双树复数小波基构建高性能的压缩感知重构系统。 　　2快速二步迭代混合范数算法 　　本文提出一种新的快速二步迭代混合算法，从观测信号y中恢复x，A是一个线性算子。研究混合范数模型和二步迭代算法的主要理论，再结合迭代收缩阈值算法进行实验仿真并给出实验结果。 　　2.1混合范数算法流程 　　改进算法模型结构如图3所示，原始图像在传输过程中，通常会被噪声干扰，使用混合范数模型构建图像修复模型，生成待求解的目标函数，通过二步迭代算法求解混合范数重构问题，当条件满足时能很精确地恢复出原始图像。 　　图像重构是一个基于最小混合范?档奈侍猓?线性算子是一个单位矩阵，F定义为图像恢复的目标函数： 　　f=arg min12‖Ax-y‖2F+λ?H（x）（4） 　　在混合范数模型中，正则化矩阵H（x）可以等价于L0范数，它平衡了L0范数和L1范数。 　　2.2混合范数模型 　　给定信号稀疏信号x和测量矩阵A，重构问题可以描述为： 　　min H（x）s.t.Ax=y（5） 　　其中，H（?）为混合范数。 　　混合范数模型