顺序小波包图像压缩感知的方法.docVIP

顺序小波包图像压缩感知的方法 　　摘 要：针对压缩感知中测量次数不确定的问题，提出了顺序小波包图像压缩感知方法.该方法选用小波包变换分解图像，降低信号稀疏度，将图像划分为大小相等的小波包系数块，利用小波包系数块数学期望与稀疏度之间的关系，对初始采样信号y0的长度进行预测；同时变长设置顺序压缩感知过程中采样信号y1，…，yn的长度，来减少解压缩端重构次数以及两端的通信次数，从而解决传统顺序压缩感知方法中存在的不足.实验表明该方法在重构次数和重构精度上优于传统顺序压缩感知方法. 　　关键词：小波变换；压缩感知；数学期望；图像 　　中图分类号：TN911.73 文献标识码：A 　　压缩感知理论（Compressed Sensing，CS） ＼[1＼]已经在图像处理等领域[2-3]引起了极大的重视.CS中对于稀疏度为K的信号，可以通过M大小的采样值进行重构.文献＼[4＼]指出，当M=4K时信号能近乎完美重构，因此在大部分应用中，CS的采样长度选择上限4K.随着研究的深入，研究人员发现对于含噪声的K稀疏信号，只需M=O（Klog （N/K））就能够在多项式时间内鲁棒地恢复原信号[5].在基于模型的压缩感知方法中[6]，Baraniuk等人证明，若能增加小波树结构的先验信息，则CoSaMP算法仅需满足M=Ο（K）即可实现鲁棒重构.由于不同图像的结构等先验信息不尽相同，研究人员只能尽力寻找压缩感知重构所需M的界，不可能从数学上推导出M的值.因此在实际应用中，有时M取值过大，则会增加设备的采样负担、耗费更多的网络延时和其它资源[7-8].因而在保证图像恢复质量的前提下，尽可能地减少采样值是图像压缩感知处理中值得考虑的一个问题. 　　顺序压缩感知（Sequential CS） [9]为尽量减少采样值提供了新思路.文献＼[10＼]为Sequential CS提供了理论基础.文献＼[11＼]将Sequential CS应用到无线传感网络，并提出相关算法来提高信号重构效率.Sequential CS对稀疏信号x依次进行分段采样从而得到采样信号y0，y1，…，ynT=（φ0，φ1，…，φn）Tx，y0，y1，…，yn是分段采样的信号.在本文中，我们将y=φx写成如下形式： 　　y=y0，y1，…，ynT= 　　φ0，φ1，…，φnTx=φx （1） 　　Sequential CS为尽可能减少采样值提出了解决方案，然而Sequential CS仍有以下2个方面值得考虑.其一，如何确定初始采样信号y0的长度.y0的长度直接影响着信号的传送以及重构次数.若y0的长度设置合理，重构和通信次数就会越少.然而Sequential CS相关方法对于如何确定y0的长度没有提出相应的解决方法.其二，如何确定y1，…，yn的长度.在实际应用中，如果重构信号间的误差很大，采样信号的长度相对取大些，这样能加快Sequential CS处理进程，从而减少通信次数及计算量；若误差相差不大，采样信号的长度取小些，就不会造成采样浪费.然而Sequential CS中，y1，…，yn的长度设定都是相同的，不能根据实际情况进行变长处理来减少计算量. 　　1 顺序小波包图像压缩感知方法 　　本文设计的顺序小波包图像压缩感知方法将解决以上两个问题.本文采用小波包变换对图像进行分解，进一步提高图像稀疏度.另外由于小波包变换将图像分为大小相等的小波包系数块，因而我们以小波包系数块为单位进行压缩感知测量，自然地降低了测量矩阵的维数. 　　1.1 基于数学期望的初始采样信号y0长度设置方法 　　本小节研究基于数学期望来预测初始采样信号y0长度的方法.由式（1）可知，y0为Sequential CS中压缩端首次传递给解压缩端的采样信号.y0长度的设置，对压缩端采样、解压缩端信号重构次数和信号传递次数都有着非常直接的影响. 　　我们知道小波包系数块的稀疏度是通过大系数的多少来反映的.在系数都为正数的情况下，数学期望值小的小波包块相对有更高的稀疏度.另外由于信号越稀疏，恢复信号所需的采样值就越少.因而在本文中我们根据小波包系数块之间数学期望与稀疏度的比例关系来对y0的长度进行预测，算法如图1所示. 　　其中针对小波包系数有正有负的情况，我们对经典的数学期望公式做一些改动.设n为小波包系数块中大小，对序列x=xj，将数学期望E定义为： 　　E=∑ni=1|xi|pi，其中pi=1n. （2） 　　在图1中，数学期望为中位数的小波包系数块（i，j）是在计算需进行压缩感知处理的小波包系数块的数学期望后，对那些不为0的数学期望进行粗略排序得到；小波包系数块（k，p）指第k行第p个小波包系数块，它泛指除（i，j）外其他要进行压缩感知处理的小波包系数块.MM为最大采样长度，即y0长度