论文部分内容阅读
压缩感知(Compressed Sensing,CS)理论突破了传统视频图像信号采样定理的限制,用远低于Shannon-Nyquist采样率的速度进行采样,实现了采样和压缩同时进行,由此避免采集大量冗余数据,从而有效地节省了系统的时间和资源。在CS理论的基础上,L Gan等人提出了分块压缩感知(Block Compressed Sensing,BCS)理论,其主要思想是把原始图像分割成若干尺寸相等的图像块,然后用固定的采样数目对每个图像块进行独立测量,最后重构出每个图像块并将其拼接成原始图像。BCS的提出,在很大程度上避免了视频图像在重构过程中的大内存、高计算复杂度问题。在运用BCS理论对视频图像进行处理的过程中,重构算法是其核心环节,直接关系到最终重构的视频图像质量。而目前,大部分基于BCS框架下的重构算法存在图像块采样不充分及计算复杂度过高等问题。因此,研究有效的自适应采样方法和高效的重构算法十分必要。基于以上分析,本文主要研究工作如下:(1)在BCS的基础上,分析了小波系数和方差能表征图像细节信息的这一特性,分别制定了基于小波系数和方差的自适应采样方案,在此基础上,提出了两种不同采样方式下的图像分块自适应压缩感知方法,分别为基于小波系数的图像分块自适应压缩感知和基于方差的图像分块自适应压缩感知。(2)在基于统计信息的自适应BCS的基础上,针对迭代收缩阈值(Iterative Shrinkage Thresholding,IST)算法在收敛速度和重构精度上的不足,将全变分(Total Variation,TV)作为正则化约束项来替代1l范数,提出了一种改进的BCS-IST算法。实验结果表明,该算法相比于传统的BCS-IST算法,能更好地保留图像的结构和纹理信息,获得更佳的图像重构效果,且在一定程度上加快了算法收敛速度。(3)通过深入分析视频信号的时空相关性,提出了一种基于时空特征的自适应分块压缩感知视频重构方法。该方法首先通过克罗内克积运算来构造适用于视频信号的测量矩阵,实现视频信号的整体压缩测量;然后将多假设(Multiple Hypothesis,MH)模型与最小TV模型相结合,构建联合时空特征的预测-残差重构模型,并通过迭代求得当前帧的预测帧;最后采用本文所提的改进的BCS-IST算法计算各块残差,并与当前帧的预测帧相结合以重构出当前帧。实验结果表明,该方法在有效提高视频重构质量的同时,进一步降低了计算复杂度,加快了算法运算速度。