压缩感知理论在图像处理领域的应用

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。     

基于主成分变换的图像稀疏度估计方法

压缩感知理论基于信号的稀疏性和可压缩性, 突破传统Nyquist采样频率的限制, 以较低的数据量对信号进行采样和高概率重构. 在压缩感知理论中, 信号的稀疏度确定了稀疏采样的最低数据量, 是验证采样方法及重构方法优劣的重要参数. 在实际研究过程中, 图像稀疏度通常未知, 这就可能导致过采样或欠采样的情况, 从而无法验证采样方法及重构方法的优劣. 因此, 快速而客观地估计图像的稀疏度对于压缩感知理论研究来说意义重大. 本文分析了基于小波变换的图像稀疏化表示方法, 通过遍历采样和重构得到基于小波变换方法的图像稀疏度, 但过程复杂, 而且结果的准确性依赖于小波基和变换尺度的选择. 本文通过压缩感知理论对主成分变换进行阐述, 在基于主成分变换系数近似为正态函数的假设下, 建立了图像稀疏度与系数函数方差间的线性关系, 并通过多组图像数据进行仿真验证, 结果表明线性关系的正确性. 通过分析和仿真可以看出, 基于主成分变换的稀疏度估计方法比小波变换简单、快速、客观, 对压缩感知理论研究有重要的应用价值. 关键词： 压缩感知 稀疏度 小波变换 主成分变换     

一种数字微镜阵列分区控制和超分辨重建的压缩感知成像法

提出一种压缩感知成像框架结构.该结构采样端用新建的采样矩阵实现数字微镜阵列分区控制,可增强信息获取的准确性,测量得到与新数字微镜阵列对应的压缩采样值;重构端由采样值优化重构出低分辨率图像后,根据分区控制过程建立压缩感知理论框架下的超分辨重建模型,利用梯度稀疏约束优化算法进行求解,恢复出原高分辨率图像.实验结果表明:数字微镜阵列分区控制与超分辨重建相结合的方法可以明显降低压缩感知成像系统的计算量,缩短成像时间,并且具有较高的图像重构质量.     

基于压缩感知的菲涅尔孔径编码无透镜成像（特邀）

为了降低菲涅尔孔径编码成像的传输带宽,改善小尺寸像感器拼接成像质量,提出菲涅尔孔径编码成像的压缩感知重建算法。基于压缩感知理论框架对部分采样的编码图像重建可行性进行分析,指出压缩感知重建误差随波带片常数缩小而降低。根据重建图像中孪生像和原始像在梯度域稀疏性的差异,引入全变差正则化实现抑制孪生像的效果。建立压缩感知理论框架下图像重建目标函数,利用交替方向乘子法进行求解。结合编码图像的能量分布和采样模式的可实现性,测试了矩形采样和辐射线采样两种模式,对不同采样数据量下重建图像质量进行分析。结果表明,辐射线采样模式相比矩形采样模式具有更高的图像采样效率,且仅通过7.3%的实验测量数据就可以获得质量良好的图像,为多块小尺寸像感器拼接成像提供了理论基础,有利于拓展编码掩膜无透镜成像的应用领域。     

双树小波变换与小波树稀疏联合的低场CS-MRI算法

压缩感知理论常用在磁共振快速成像上,仅采样少量的K空间数据即可重建出高质量的磁共振图像.压缩感知磁共振成像技术的原理是将磁共振图像重建问题建模成一个包含数据保真项、稀疏先验项和全变分项的线性组合最小化问题,显著减少磁共振扫描时间.稀疏表示是压缩感知理论的一个关键假设,重建结果很大程度上依赖于稀疏变换.本文将双树复小波变换和小波树稀疏联合作为压缩感知磁共振成像中的稀疏变换,提出了基于双树小波变换和小波树稀疏的压缩感知低场磁共振图像重建算法.实验表明,本文所提算法可以在某些磁共振图像客观评价指标中表现出一定的优势.     

三种降采样成像策略的性能优化以及与传统傅里叶望远镜的比较

为了获得成像质量较好且成像时间较少的新型傅里叶望远镜成像策略,本文比较了三种降采样成像策略(压缩感知方法 (CS)、低频全采样方法 (LF)和变密度随机采样方法 (VD))与传统傅里叶望远镜(FT)在图像质量和成像时间上的差异.分析方法如下:利用传统FT外场实验所获得的目标频谱数据作为基础,三种降采样方法 (LF, VD和CS)分别按照各自的采样模式和重构方法实现目标图像的重构;通过直观观察和Strehl比两种方法比较三种降采样方法与传统FT在图像质量上的差异;通过分析成像时间的组成要素,初步比较三种降采样方法与传统FT在成像时间上的差异.分析表明:1)压缩感知方法的图像质量优于其他两种降采样方法 (LF和VD),但略低于传统成像结果; 2)压缩感知方法在成像质量上略低于传统FT,但在成像时间上却明显小于传统FT; 3)分析中采用的外场数据均含噪声,这说明上述三种降采样重构过程对噪声有较好的鲁棒性.综合上述分析结果可以看出,基于压缩感知的傅里叶望远镜(CS-FT)是在实际含噪情况下可大幅减少成像时间的优良成像策略.     

应用CS理论实现同步采样压缩成像

为了减轻图像数据存储负担,实现图像在网络上的快速传输和实时处理,对一种新的压缩传感(CS)理论进行了研究。介绍了压缩传感理论的主要思想和基于压缩传感理论的光学成像系统,给出了一种新型图像重建算法—和谐正交匹配追踪算法,并进行了相应的模拟实验。实验结果显示,该成像机制可同步完成图像的采样与数据压缩,同时可获得良好的图像重建效果。由于该方法所要传输的信号数据量较小,所以十分有利于远距离的图像传输。     

基于压缩感知与扩展小波树的自适应压缩成像

为了在现有的采样条件下,通过新的压缩采样方式获得计算量小且质量更好的图像,提出了基于压缩感知与扩展小波树的自适应压缩成像方法。首先将图像投影到分区控制的DMD上,获得图像在低分辨率下的测量值,并通过压缩感知重构算法重构出低分辨图像,接着利用扩展小波树预测重要小波位置,通过DMD在小波域采样获取图像的细节信息,最后由小波逆变换恢复高分辨率图像。将该方法与最小化全变分算法（TVAL3）和近来提出的基于扩展小波树的自适应成像算法（EWT-ACS）效果进行对比,实验结果表明,以boat图像为例,在压缩感知采样率为0.75,整体采样率为10%的无噪声条件下,该方法相较于TVAL3、EWT-ACS算法信噪比提高了4.63 dB和2.87 dB,在附加噪声条件下成像效果也较好。该方法能极大地降低压缩感知重建算法的运行时间,同时减少采样次数,具有较好的抗噪性。     

基于压缩感知的反射光谱重构算法研究

光谱反射率描述物体的表面颜色特征,为了能够获取物体自身更加精确的颜色信息,在图像处理领域光谱反射率重构成为了关注的话题。反射光谱重构算法是对实验物体表面在可见光范围内每一波长处的光谱反射率进行重构,以达到提高物体自身颜色准确复制的精度,最后建立相应的反射光谱。尝试将压缩感知(CS)理论应用到光谱实验中,对光谱反射率进行重构。首先是介绍了压缩感知理论知识,然后把压缩感知理论与光谱反射率原理相结合,根据基于压缩感知的光谱反射率重构的理论框架,选取合适的采样值,压缩感知的采样值即压缩值,小波基作为正交矩阵,高斯随机矩阵作为测量矩阵,正交矩阵与测量矩阵需要保证具有不相关性,将原始光谱反射率从高维到低维进行线性投影,得到低维的观测信号,运行简单的正交匹配追踪算法(OMP)对低维的观测信号进行由低维到高维的高精度重构,重构得到的光谱反射率与原始光谱反射率具有相同的维度,最后将压缩感知重构算法与传统的光谱反射率重构算法伪逆法与多项式回归法进行比较。经过压缩感知重构算法得到的色差值与均方根误差值都小于伪逆法和多项式回归法重构的结果,经压缩感知的重构精度明显提高;经压缩感知重构的光谱曲线可以达到或者更接近原始光谱曲线的峰值,整体效果更接近原始光谱曲线;经多项式回归法和伪逆法重构的光谱曲线达不到原始峰值,整体上存在偏差。可以认为压缩感知用低采样的数据达到了全采样的效果,提高了光谱反射率重构的精度。基于压缩感知的光谱反射率重构算法效果明显优于传统的多项式回归法和伪逆法,可以将压缩感知理论应用到实际的多光谱成像系统中。     

基于压缩感知的窄带高速自旋目标超分辨成像物理机理分析

常规窄带雷达系统对高速自旋的空天目标成像时,方位脉冲重复频率通常难以满足采样率要求.而基于压缩感知(compressive sensing,CS)理论则可实现欠采样条件下窄带高速自旋目标的成像.本文对这一成像的物理机理进行分析和讨论.首先,构建方位欠采样回波模型,分析了该模型与CS理论的关系;其次,从物理角度分析基于CS理论可以保证欠采样条件下散射点准确重构的机理,给出欠采样倍数的理论下限值.仿真结果表明,欠采样条件下窄带雷达系统可实现对高速自旋目标二维成像,同时验证了基于CS的欠采样成像性能与欠采样倍数、等效强散射点个数以及波长等有关,与信号带宽无关等结论.     

无衍射光束在CCD像点位置提取算法中的应用

重心法是一种高精度的ＣＣＤ像点位置提取算法。但由于数据量大，采样率低，响应速度受到限制，使它在要求实时响应的小型系统中很难得到应用。光束的光衍射是一种很优越的特性，它能在一定的空间内提供高准直的微小光束。利用无衍射光束的这一特性来缩小像点的尺寸，将它和二值化方法结合在一起，可使数据处理量减小到可以满足实时响应的要求。理论、算法分析和实验都证明了这种方法的可行性。     

基于图像挖掘技术的车辆目标识别方法

在目前的图像处理技术发展现状中,图像挖掘技术是其中一项较为突出和新颖的技术分支。而随着日益庞大的图像数据信息处理量的要求增加,却没有一个有效的分析和处理技术,为此,如何解决大量数据的解析和处理问题是目前图像挖掘技术的主要方向。本文将着重研究图像挖掘技术的原理和其在目前社会中的应用情况。利用简析图像挖掘技术的基本原理分析其数据模型,探讨其所具备的基本功能以及在车辆目标识别上的应用和方法。总结出图像挖掘技术对图像中所存在信息的完全解读,挖掘图像中存在的隐形关联,而且随着图像挖掘技术的不断改进,其目标识别的功能可以应用到车辆管理模式当中。通过实验表明,此方法可以对目标图像中车辆数量和种类的辨识度达到80%以上。     

A simple application of compressed sensing to further accelerate partially parallel imaging

Compressed sensing (CS) and partially parallel imaging (PPI) enable fast magnetic resonance (MR) imaging by reducing the amount of k-space data required for reconstruction. Past attempts to combine these two have been limited by the incoherent sampling requirement of CS since PPI routines typically sample on a regular (coherent) grid. Here, we developed a new method, “CS+GRAPPA,” to overcome this limitation. We decomposed sets of equidistant samples into multiple random subsets. Then, we reconstructed each subset using CS and averaged the results to get a final CS k-space reconstruction. We used both a standard CS and an edge- and joint-sparsity-guided CS reconstruction. We tested these intermediate results on both synthetic and real MR phantom data and performed a human observer experiment to determine the effectiveness of decomposition and to optimize the number of subsets. We then used these CS reconstructions to calibrate the generalized autocalibrating partially parallel acquisitions (GRAPPA) complex coil weights. In vivo parallel MR brain and heart data sets were used. An objective image quality evaluation metric, Case-PDM, was used to quantify image quality. Coherent aliasing and noise artifacts were significantly reduced using two decompositions. More decompositions further reduced coherent aliasing and noise artifacts but introduced blurring. However, the blurring was effectively minimized using our new edge- and joint-sparsity-guided CS using two decompositions. Numerical results on parallel data demonstrated that the combined method greatly improved image quality as compared to standard GRAPPA, on average halving Case-PDM scores across a range of sampling rates. The proposed technique allowed the same Case-PDM scores as standard GRAPPA using about half the number of samples. We conclude that the new method augments GRAPPA by combining it with CS, allowing CS to work even when the k-space sampling pattern is equidistant.     

一种结合并行成像和压缩感知的快速磁共振成像新方法

压缩感知（CS）技术和并行成像技术（主要是SENSE技术、GRAPPA技术等）都能通过减少k空间数据的采集量来加快磁共振成像速度,目前已有一些将两种方法相结合进一步加速磁共振成像速度的方法（例如CS-GRAPPA）.本文针对数据采集和重建这两方面对现有CS-GRAPPA方法进行了改进,采集方式上采用了局部等间隔采集模板以满足GRAPPA重建的要求,并对采集模板进行随机放置以满足CS重建的要求;数据重建时,根据自动校正数据估算GRAPPA算法中欠采行的重建误差,并利用误差的大小确定在CS算法中保真的程度.不同磁共振图像重建实验的结果表明：与现有方法相比,本文方法能够更好地保留原有图像细节并有效减少伪影.     

The impact of ADC nonlinearity in a mixed-signal compressive sensing system for frequency-domain sparse signals

Compressive sensing (CS) holds new promises for the digitization of wideband frequency-domain sparse signals at sub-Nyquist rate sampling without compromising the reconstruction quality. In this paper, the impact of ADC nonlinearity in a CS receiver for frequency-domain sparse signals is investigated. In a mixed-signal CS system, signals are randomized before sampling. The signal spectrum at each building block in the mixed-signal CS system is analyzed and compared to a conventional Nyquist-rate sampling system. It is shown that the signal randomization in a mixed-signal CS system is able to spread the spurious energy due to ADC nonlinearity along the signal bandwidth, rather than the concentration of harmonic distortion on a few frequencies as it is the case for a conventional ADC. As a result, this paper shows that a significant ADC SFDR (Spurious Free Dynamic Range) improvement is achieved in a CS receiver when processing sparse signals. Simulation results are reported which are in good agreement with the qualitative analysis.     

CS-MRI 中评价随机欠采样矩阵的新方法

在压缩感知-磁共振成像(CS-MRI)中,随机欠采样矩阵与重建图像质量密切相关．而选取随机欠采样矩阵一般是通过计算点扩散函数(PSF),以可能产生的伪影的最大值为评价参数,评估欠采样对图像重建的影响,然而最大值只反应了伪影的最坏情况．该文引入了两种新的统计学评价参数平均值(MV)和标准差(SD),其中平均值评估了伪影的平均大小,标准差可以反映伪影的波动情况．该文分别使用这3种参数对小鼠和人体脑部MRI数据以不同的采样比率进行CS图像重建,实验结果表明,当采样比率不低于4倍稀疏度时,使用平均值获得了质量更优的重建图像．因此,通过稀疏度先验知识指导合理选取采样比率,并以平均值为评价参数选取随机欠采样矩阵,能够获得更优的CS-MRI重建图像．
     

Total variation based gradient descent algorithm for sparse-view photoacoustic image reconstruction

In photoacoustic imaging (PAI), reconstruction from sparse-view sampling data is a remaining challenge in the cases of fast or real-time imaging. In this paper, we present our study on a total variation based gradient descent (TV-GD) algorithm for sparse-view PAI reconstruction. This algorithm involves the total variation (TV) method in compressed sensing (CS) theory. The objective function of the algorithm is modified by adding the TV value of the reconstructed image. With this modification, the reconstructed image could be closer to the real optical energy distribution map. Additionally in the proposed algorithm, the photoacoustic data is processed and the image is updated individually at each detection point. In this way, the calculation with large matrix can be avoided and a more frequent image update can be obtained. Through the numerical simulations, the proposed algorithm is verified and compared with other reconstruction algorithms which have been widely used in PAI. The peak signal-to-noise ratio (PSNR) of the image reconstructed by this algorithm is higher than those by the other algorithms. Additionally, the convergence of the algorithm, the robustness to noise and the tunable parameter are further discussed. The TV-based algorithm is also implemented in the in vitro experiment. The better performance of the proposed method is revealed in the experiments results. From the results, it is seen that the TV-GD algorithm may be a practical and efficient algorithm for sparse-view PAI reconstruction.     

基于渐进添边的准循环压缩感知时延估计算法

针对时延估计问题中压缩感知类算法现有测量矩阵需要大量数据存储量的问题,提出了一种基于渐进添边的准循环压缩感知时延估计算法,实现了稀疏测量矩阵条件下接收信号时延的准确估计.该算法首先建立压缩感知与最大似然译码之间的理论桥梁,然后推导基于低密度奇偶校验码的测量矩阵的设计准则,引入渐进添边的思想构造具有准循环结构的稀疏测量矩阵,最后利用正交匹配追踪算法正确估计出时延.对本文算法的计算复杂度与测量矩阵的数据存储量进行理论分析.仿真结果表明,所提算法在测量矩阵维数相同的条件下正确重构概率高于高斯随机矩阵和随机奇偶校验测量矩阵,相比于随机奇偶校验矩阵,在数据存储量相等的条件下,以较少的计算复杂度代价得到了重构概率的较大提高.