一种基于最小二乘优化的压缩感知图像快速重建方法
阅读：1025发布：2020-10-08
专利汇可以提供一种基于最小二乘优化的压缩感知图像快速重建方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于最小二乘优化的 压缩 感知 图像快速重建方法，基于最小二乘方法实现 信号 的优化重构，利用新定义的整体相关性度量参数‑整体相关度，选择针对图像信号的最相关 原子 ，减少 迭代 次数,引入分 块 重构理论并重新设计分块大小和测量矩阵,降低了重构操作的计算规模；基于最小二乘方法实现信号的优化重构,保证了重构 精度 和收敛速度。实验结果表明,FBWRFI 算法 也可以显著降 低信号 的重构时间，并使随信号增大而高速增长的重构时间的增长趋势变为线性,证明了算法的有效性。，下面是一种基于最小二乘优化的压缩感知图像快速重建方法专利的具体信息内容。
1.一种基于最小二乘优化的压缩感知图像快速重建方法，其特征在于，包括以下步骤：
S01：把原始图像信号S:N×N基于压缩感知方法的压缩采样Y:M×N，根据块测量矩阵ΦB:MB×B划分为 个互不重叠的块Yi:MB×B，其中 是基于压缩感知方法进行
压缩采样时的采样率，
S02：利用整体重构设计WRFI重构每个块St:B×B，压缩采样为Yt:MB×B，稀疏系数记Θt:
B×B，t为WRFI重构后块的个数，其过程如下：
S02-01：计算块感知矩阵AB＝ΦBΨB:MB×B中每一个原子αi，i＝1,2,…,B与当前二维残差R(k-1):MB×B的整体相关度 其中k表示当前是第k次迭代，αi是AB
的第i列，二维残差R(k-1)的初始值为Yi并在每次迭代后更新，R(k-1)j是R(k-1)的第j列，ΨB:B×B是稀疏变换基且ΨB和ΦB线性无关；
S02-02：通过对比ρi，在序号不包含在原子序号集合Λk-1的原子中选出与当前残差最大相关原子的序号λk＝maxi＝1,2,...,N(ρi)；其中Λk-1是前面k-1次迭代中选择的最相关原子的序号组成的集合，λk表示第k次迭代选出的最相关原子的序号；
S02-03：把λk并入集合Λk-1，把原子 并入集合Ak-1得到：Λk＝[Λk-1,λk]，其中 是AB的第λk列，Ak-1是前面k-1中得到的最相关原子的集合；
S02-04：基于Ak和最小二乘优化方法获取本次迭代的近似逼近解Θtk；Θtk是第k次迭代得到的稀疏系数Θt的近似逼近；
S02-05：判断迭代条件：达到设定的重构精度或设定的最大迭代次数K，则结束重建块St的迭代计算并跳转到S02-07；Θtk是St的稀疏表示系数Θt的近似逼近解
S02-06：更新参数R(k)＝Y-AkΘtk和k＝k+1，跳转至S02-01继续迭代；这里k是新的迭代次数，R(k)是新的二维残差；
S02-07：利用St＝ΨBΘt得到St的近似逼近解
S02-08：判断是否每个块St都已经重建：即当t≥n则跳至S03，否则跳至S02重构下一个块St+1；
S03：将所有的重构信号 拼接得到完整的重构信号
2.根据权利要求1所述的基于最小二乘优化的压缩感知图像快速重建方法，其特征在于，在重构过程之前还包括采样过程，采样过程包括以下步骤：
S11：把原始图像信号S:N×N分割为 个大小为B×B的块，若原始图像信号边
缘的分块大小不足B×B，将不足的部分的元素填充为0；
S12：对于每一个分块Si:B×B，i＝1,2,...,n使用相同的稀疏变换基ΨB:B×B进行稀疏变换Si＝ΨBΘi，其中Θi:B×B是Si的稀疏系数；
S13：对于每一个分块Si:B×B，使用相同的块测量矩阵ΦB:MB×B进行投影变换Yi＝ΦBSi，其中Yi:MB×B是Si的压缩采样， 就是采样率或压缩比，而Yi＝ΦBSi＝ΦBΨBΘi记为Yi＝ABΘi，AB就是压缩感知方法的感知因子，也即块感知矩阵；
S14：把每一个Yi拼接起来组成 Y就是原始图像信号S的压缩采样，
就是采样率或压缩比。
3.根据权利要求1所述的基于最小二乘优化的压缩感知图像快速重建方法，其特征在于，所述块测量矩阵ΦB的大小为MB×B，分块大小大于等于256×256，在分块时当原始图像信号边缘的分块大小不足256×256，将不足的部分的元素填充为0；当重构完成后，将填充部分的值去掉。
一种基于最小二乘优化的压缩感知图像快速重建方法
技术领域
背景技术
[0002] 基于稀疏表示理论和泛函分析-逼近理论的压缩感知(compressed sensing or compressive sampling,CS)是一种新型的采样方法，在对可压缩信号采样时能够突破著名的Shannon-Nyquist采样定理的限制，以远低于两倍信号最大带宽的采样率对信号采样，从而减少了采集的数据量。以其用少量采样值表示全长的信号的优点，压缩感知在出现之初就吸引了信号、通信、电子信息、统计理论、编解码理论和计算机等众多领域的研究热情，被认为是信息科学近年来最重大的研究成果。压缩感知基本原理如下：
[0003] 假设一维离散信号s∈RN×1是可压缩的(这是前提条件)，压缩感知方法的信号采样是利用特别设计的观测矩阵Φ∈RM×N(这里M＜＜N)将可压缩信号s从N维投影到M维，即：y＝M×1Φs；这里的y∈R 是信号s的压缩采样，而采样y的长度M与信号s的长度N与之比M:N就是在压缩感知框架下的采样率，该采样率一定小于1。由于y＝Φs是欠定方程组，无法直接求解，压缩感知方法从近似重构的角度来考虑求解问题。
[0004] 考虑信号s可压缩的前提和稀疏表示理论，对于可压缩信号s一定存在某稀疏变换基Ψ∈RN×N，使得s在该变换基上的表示θ∈RN×1是稀疏的，即：
[0005] (1)s＝Ψθ，
[0006] 式中θ的大部分元素为0或接近于0；通常θ中非0元素的个数K(K＜＜M＜＜N)被称为θ的稀疏度。从而有y＝Φs＝ΦΨθ＝Aθ；这里的A＝ΦΨ被称为信息算子或感知矩阵。y＝Aθ可以通过0-范数优化问题求解
[0007] (2)min||θ||0 s.t.y＝Aθ。
[0008] 而根据Donoho、Candès等人研究提出的压缩感知理论，在感知矩阵A具有有限等距性质(Restricted Isometry Property,RIP)的条件下，0-范数优化可以转化为1-范数优化问题：
[0009] (3)min||θ||1 s.t.y＝Aθ，
[0010] 其中，A具有RIP性质的等价条件是观测矩阵Φ与稀疏变换基Ψ不相干，这一点在设计观测矩阵Φ时已得到保证。
[0011] 由于θ是稀疏的，通过(2)和(3)式可以得到其精确或近似逼近解 然后利用(1)式得到原始信号s的精确或近似逼近解 常用压缩感知算法主要包括针对(2)式的贪婪算法和针对(3)式的凸松弛算法。最经典的压缩感知算法就是凸松弛算法中的基追踪(Basis Pursuit,BP)算法，所需的观测值数目少(即采样率低)、计算精度高；匹配追踪(Matching Pursuit,MP)、正交匹配追踪(Orthogonal MP,OMP)及其改进算法都是贪婪算法的代表，收敛速度快、计算复杂度较低，实际应用较多。
[0012] 压缩感知方法的信号重建是近似优化重构，非常适合于处理图像信号，目前其已在磁共振、X-射线扫描、雷达成像、遥感图像处理、超频谱图像分析等方面有了很多应用，并已开发出单像素相机。压缩感知算法的提出都是以一维信号为处理对象的，对于二维信号一般以列或行向量为重建单位分别重建，当每一个列或行信号都被重建后，整个二维信号也就重建成功了，图像信号的重建通常也是按列处理的。我们把图像信号S记为[s1,s2,…,sn]，其中si(i＝1,2,…,n)为信号的第i列，在处理中每一个si分别进行重构。
[0013] 压缩感知方法具有采样数目少的优点，但其应用仍然有很多难题等待解决，较长的信号重构时间是其中的一个关键。如BP算法的计算复杂度高达O(N3)，收敛速度较快的2
OMP算法的计算复杂度也达到了O(NK )。在配置为Intel(R)Core(TM)2Duo CPU E4600@
2.4GHz、3GB内存、Windows 7、Matlab R2011b的个人计算机上的重构不同大小信号时的重构时间如表1和2所示。
OMP算法的计算复杂度也达到了O(NK )。在配置为Intel(R)Core(TM)2Duo CPU E4600@
2.4GHz、3GB内存、Windows 7、Matlab R2011b的个人计算机上的重构不同大小信号时的重构时间如表1和2所示。
[0014] 表1 OMP和BP算法重构一维信号时，信号大小每增加1倍重构时间的变化[0015]
[0016] 表2 OMP和BP算法重构二维信号时，信号大小每增加1倍重构时间的变化[0017]
[0018] 压缩感知算法重构信号所需的时间较长，并随信号增大以远大于信号增幅的速率增长，而且这个速率随信号的增大还在不断增长。对比表1和表2可以发现，二维信号的重构时间远远大于一维信号，且其增长幅度也较大；如大小为1024×1的信号重构时间是512×1的5.55倍，而大小为1024×1024的信号重构时间是512×512的11.76倍。
[0019] 我们在压缩感知算法及其应用的研究中，利用日渐普及的高性能计算设备和云计算平台加速压缩感知算法，以提高算法的执行速度，验证了压缩感知方法在物联网数据采集中的应用，实现了压缩感知算法的并行化、多/多核CPU加速、GPU加速和云平台加速等，加速后的算法执行时间如图1和表3所示。
[0020] 表3 OMP算法重构信号时，不同数量计算资源的云加速效果(编程语言Python，云平台)
[0021]
[0022] 从图1和表3中可知，压缩感知算法的并行化及加速虽然能显著减少算法的执行时间，但不能改变算法随信号增大而以极高的速率增长的趋势。压缩感知算法的重构时间高速增长，且增长趋势不断扩大，使重构算法的执行时间无法估计，不利于在云平台加速时的自动资源分配。
发明内容
[0023] 针对上述技术问题，本发明目的是：提供一种基于最小二乘优化的压缩感知图像快速重建方法FBWRFI，它采用最小二乘优化方法实现图像的重建，以保证收敛速度和重构精度；以每一个原子和二维残差之间的整体相关度测量取代原子与一维残差之间的相关度测量，以减少迭代次数、降低计算复杂度；引入块压缩感知理论并重新设计快大小和测量矩阵，以降低优化迭代中的参数规模。该方法能够显著降低从压缩的采样中重建原始图像的时间，并使图像的重构时间由随信号增大而以极高速率增加变为线性增长，提高了重构时间的可预估性，有利于使用云资源加速时的资源智能分配。
[0024] 本发明的技术方案是：
[0025] 一种基于最小二乘优化的压缩感知图像快速重建方法，其特征在于，包括以下步骤：
[0026] S01：把原始图像信号S:N×N基于压缩感知方法的压缩采样Y:M×N，根据块测量矩阵ΦB:MB×B划分为 个互不重叠的块Yi:MB×B，其中 是基于压缩感知方法进行压缩采样时的采样率，
[0027] S02：利用WRFI重构每个块St:B×B，压缩采样为Yt:MB×B，稀疏系数记Θt:B×B，其过程如下：
[0028] S02-01：计算块感知矩阵AB＝ΦBΨB:MB×B中每一个原子αi(i＝1,2,…,B)与当前二维残差R(k-1):MB×B的整体相关度 其中k表示当前是第k次迭代，αi是AB的第i列，二维残差R(k-1)的初始值为Yi并在每次迭代后更新，R(k-1)j是R(k-1)的第j列，ΨB:B×B是稀疏变换基且ΨB和ΦB线性无关；
[0029] S02-02：通过对比ρi(i＝1,2,…,B)，在序号不包含在原子序号集合Λk-1的原子中选出与当前残差最大相关原子的序号λk＝maxi＝1,2,…,N(ρi)；其中Λk-1是前面k-1次迭代中选择的最相关原子的序号组成的集合，λk表示第k次迭代选出的最相关原子的序号；
[0030] S02-03：把λk并入集合Λk-1，把原子 并入集合Ak-1得到：Λk＝[Λk-1,λk]，其中 是AB的第λk列，Ak-1是前面k-1中得到的最相关原子的集合；
[0031] S02-04：基于Ak和最小二乘优化方法获取本次迭代的近似逼近解Θtk；Θtk是第k次迭代得到的稀疏系数Θt的近似逼近；
[0032] S02-05：判断迭代条件：达到设定的重构精度或设定的最大迭代次数K，则结束重建块St的迭代计算并跳转到S02-07；Θtk是St的稀疏表示系数Θt的近似逼近解[0033] S02-06：更新参数R(k)＝Y-AkΘtk和k＝k+1，跳转至S02-01继续迭代；这里k是新的迭代次数，R(k)是新的二维残差；
[0034] S02-07：利用St＝ΨBΘt得到St的近似逼近解
[0035] S02-08：判断是否每个块St都已经重建：即当t≥n则跳至S03，否则跳至S02重构下一个块St+1；
[0036] S03：将所有的重构信号 拼接得到完整的重构信号
[0037] 优选的，在重构过程之前还包括采样过程，采样过程包括以下步骤：
[0038] S11：把原始图像信号S:N×N分割为 个大小为B×B的块，若原始信号边缘的分块大小不足B×B，将不足的部分的元素填充为0；
[0039] S12：对于每一个分块Si:B×B(i＝1,2,…,n)，使用相同的稀疏变换基ΨB:B×B进行稀疏变换Si＝ΨBΘi，其中Θi:B×B是Si的稀疏系数；
[0040] S13：对于每一个分块Si:B×B(i＝1,2,…,n)，使用相同的测量矩阵ΦB:MB×B进行投影变换Yi＝ΦBSi，其中Yi:MB×B是Si的压缩采样， 就是采样率或压缩比，而Yi＝ΦBSi＝ΦBΨBΘi可记为Yi＝ABΘi，AB就是压缩感知方法的感知因子；
[0041] S14：把每一个Yi(i＝1,2,…,n)拼接起来组成 Y就是原始图像信号S的压缩采样， 就是采样率或压缩比。
[0042] 优选的，所述块测量矩阵ΦB的大小为MB×B，分块大小大于等于256×256，在分块时当原始信号边缘的分块大小不足256×256，将不足的部分的元素填充为0；当重构完成后，将填充部分的值去掉。
[0043] 与现有技术相比，本发明的优点是：
[0044] 本发明采用最小二乘优化方法实现图像的重建，以原子和二维残差之间的整体相关度测量取代原子和一维残差之间的相关度测量，减少了迭代次数、降低计算复杂度，引入块压缩感知理论降低优化迭代中的参数规模和计算规模，并使重构时间随信号增大呈线性增长，提高了重构时间的可预估性。附图说明
[0045] 下面结合附图及实施例对本发明作进一步描述：
[0046] 图1为OMP算法重构信号时，多CPU并行的加速效果图；
[0047] 图2为本发明基于最小二乘优化的压缩感知图像快速重建方法的整体重构设计的流程图；
[0048] 图3为本发明基于最小二乘优化的压缩感知图像快速重建方法的原理图；
[0049] 图4为使用本发明方法重构不同图像的效果图；
[0050] 图5为在不同采样率下重构图像的效果图；
[0051] 图6为重构不同大小图像的效果图。
具体实施方式
[0052] 为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
[0053] 实施例：
[0054] 本发明主要包括两部分：整体重构设计WRFI和基于分块压缩感知的快速重建方法FBWRFI，它们之间的关系是：WRFI是以原子和二维残差之间的整体相关性测量取代原子和一维残差之间的相关性测量后，面向图像整体的、较少迭代次数的快速重建方法；FBWRFI是对需要重建的图像分块后，每一个图像块均采用WRFI方法进行重建，在保证较少迭代次数的前提下降低迭代中的参数规模和计算量，以获取更快的重建速度和可预估的重构时间。
[0055] WRFI在重构过程中将二维信号作为一个整体来处理，而不是按列分别处理。为了测量二维信号残差与测量矩阵各列(原子)之间的相关度，就需要定义新的相关度测量参数，称之为二维信号的整体相关度(whole-correlation)。
[0056] 定义1(整体相关度).向量α∈Rm×1和矩阵Φ∈Rm×n的整体相关度(whole-correlation)为 其中ρ为整体相关度， 是是矩阵Φ的第i列。
[0057] 对原始信号S:N×N(为了简单，假设S的行和列相同)，设压缩采样Y:M×N，测量矩阵Φ:M×N，稀疏变换基Ψ:N×N，记A＝ΦΨ:M×N且有S＝AΘ，Θ:N×N是稀疏的。WRFI的主要思想是：在每次迭代时(第t次迭代)，首先计算感知矩阵A中的每一个原子(A的每一列)αi:M×1(i＝1,2,…,N)与当前二维残差R(t-1):M×N(第t-1次迭代时更新的残差，初始值R(0)＝Y)的整体相关度ρi，并选出最大相关度 这里最相关原子的序号是λt，最相关原子是 然后将 和At-1合并为 这里的At-1是前t-1次迭
代选出的最相关原子组成的矩阵；接着基于At和最小二乘优化方法获取本次迭代的近似估计：
代选出的最相关原子组成的矩阵；接着基于At和最小二乘优化方法获取本次迭代的近似估计：
[0058]
[0059] 当近似估计 达到设定的精度或迭代计数器k达到设定的最大迭代次数K时，迭代结束，本次迭代的近似估计 就是Θ的重建结果；否则更新残差和增量t，并继续迭代。WRFI的算法流程如图2所示。
[0060] 在本发明方法中，对信号S:N×N，其稀疏变换基Ψ:N×N和测量矩阵Φ:M×N是线性无关，这是前提条件。在S＝ΨΘ和Y＝ΦS＝ΦΨΘ＝AΘ中，Y:M×N、Θ:N×N、A＝ΦΨ:M×N；对于S的每一列si:N×1都有si＝Ψθi(i＝1,2,…N)和yi＝Φsi＝ΦΨθi＝Aθi(i＝1,2,…,N)，因Ψ和Φ是线性无关的，根据压缩感知理论所有的si(i＝1,2,…,N)都可以被高概率地重构，从而作为整体的S也就可以被高概率精确重构，也即本方法理论上是可行的。
[0061] WRFI通过将选择原子用于二维信号整体重建降低了原子选择和重构操作中的迭代次数，但并不能改变重构时间的随信号增大而带来的高增长率。这主要是因为随着信号规模的增加，算法中使用的稀疏变换基、观测矩阵及其它一些中间参数的规模也随之增大，从而带来了优化算法中每一次迭代的计算量呈指数级增加。为了降低重构算法所需的存储和计算的规模，将信号的大小保持在一个相对较小的程度是必须的。在面向图像的二维整体重构得到WRFI的基础上，引入了块压缩感知(block compressed sensing)，并最终形成了基于最小二乘优化的快速图像重建压缩感知方法FBWRFI方法。
[0062] FBWRFI首先把原始图像S:N×N被分割成若干个大小为B×B的小块(图像)。基于压缩感知理论，图像S的稀疏变换就是对每一个块图像Si:B×B使用相同的稀疏变换基ΨB:B×B进行操作：Si＝ΨBΘi，Θi:B×B就是块图像Si的稀疏系数；图像S采样就是使用相同的测量矩阵ΦB:MB×B对每一个块图像Si进行投影变换Yi＝ΦBSi；若记AB＝ΦBΨB:MB×B，则Yi＝ABΘi，其中MB:B可表示采样率/压缩比。因为设计测量矩阵ΦB:MB×B时总是MB＜＜B，采样率也就小于1，实现了压缩采样。对于整个信号S来说，稀疏变换基Ψ:N×N和观测矩阵Φ:M×N(M＝MB×k， )分别如(5)式所示。
[0063] FBWRFI方法的(整体重构设计WRFI)原理与过程如图3所示。FBWRFI方法中设计的块测量矩阵ΦB的大小为MB×B，综合考虑重构时间和重构精度后把分块大小定义为256×256，这个分块大小是可以调整的，调整的原则基于实际应用中对重构图像精度的需求，分块越大则重建图像的精度越高。在分块时，原始信号边缘各个分块大小可能不足B×B，需要将不足部分的元素值填充为0；当重构完成后，再将这部分的值去掉即可。
[0064] 本发明的具体实现步骤，包括：
[0065] 输入：
[0066] 原始信号S:N×N，压缩采样Y:M×N，块测量矩阵ΦB:MB×256，块稀疏变换基ΨB:B×B，块稀疏度K；
[0067] 输出：
[0068] 重构信号
[0069] 算法过程：
[0070] (1)FBWRFI的初始化
[0071] 1)把压缩采样Y根据ΦB分块Yi:MB×256(i＝1,2,…,n)， 为块数量；
[0072] 2)t＝1，t为块计数器；
[0073] 3)存放重构信号的参数
[0074] 4)最大块数n；
[0075] (2)使用WRFI重构每一个块图像St:256×256(其压缩采样为Yt，t＝1,2,…,n)[0076] 1)WRFI的初始化
[0077] a)残差；R0＝Yt
[0078] b)已选出原子序号集合
[0079] c)已选择的原子组成的矩阵
[0080] d)迭代次数计数器k＝1；
[0081] 2)获取块图像St稀疏表示系数的Θt:256×256近似解 的迭代过程
[0082] a)计算块感知矩阵AB＝ΦBΨB:MB×256中每一原子αi(i＝1,2,…,256)与当前二维残差R(k-1):MB×256的整体相关度 R(k-1)j是R(k-1)的第j列；
[0083] b)通过对比ρi(i＝1,2,…,256)，在序号不包含在集合Λk-1的原子中选出与当前残差最大相关的原子序号λk：λk＝maxi＝1,2,…,256(ρi)；
[0084] c)把λk并入集合Λk-1、把原子 并入集合Ak-1得到：Λk＝[Λk-1,λk]，[0085] d)利用Ak和最小二乘优化方法得到本次迭代的近似逼近解Θtk；
[0086] e)判断迭代结束条件：Θtk达到设定重构精度或迭代计数器k达到最大迭代次数K，则结束块St的重建迭代并跳转至步骤(2)-5)，这时最后一次迭代中得到的Θtk就是St的稀疏表示系数Θt的近似逼近解 否则更新参数R(k)＝Y-AkΘtk和k＝k+1，并返回步骤(2)-2)-a)继续迭代；
[0087] 5)利用St＝ΨBΘt得到St的近似逼近解
[0088] (3)保存重建的块 并使t指向下一个需要重构的块
[0089] 1)把第t块重构信号 存入
[0090] 2)t＝t+1；
[0091] (4)判断循环结束条件
[0092] 1)如果t＞n，退出循环；
[0093] 2)否则，返回步骤(2)继续循环；
[0094] (5)得到完整的重构信号
[0095] 计算复杂度和空间复杂度
[0096] 对于图像S:N×N，稀疏变换基Ψ:N×N，测量矩阵Φ:M×N，稀疏表示系数Θ:N×N，压缩采样Y:M×N，如果采用按列重构的方法，OMP的计算复杂度为假设这里的Ki(i＝1,2,…,N)
相等或接近，并设K＝maxi＝1,2,…,N(Ki)，那么 可以记为O(N2K2)。
相等或接近，并设K＝maxi＝1,2,…,N(Ki)，那么 可以记为O(N2K2)。
[0097] 不同于OMP方法，WRFI利用原子与二维信号之间相关度的测量，在每次迭代时，选出针对当前二维残差R(t-1):M×N的最大相关原子，并利用该原子更新矩阵At及直接计算二维系数Θ的近似估计Θt:N×N，最终可以直接得到二维的最佳近似逼近解 而不是信号S某列si:N×1的重构信号 从而将迭代次数减少为OMP算法的1/N，即O(NK2)，有效地降低了计算复杂度。
[0098] FBWRFI方法进一步通过分块重构的方式降低了优化操作中的参数规模，降低了优化方法的计算量。它设计每个分块大小B＝256，这样一个分块的计算复杂度为O(256K′2)，K′是分块的最大稀疏度。对图像S:N×N，其分块数位 其计算复杂度2
可表示为O(256nK′)；且相对于OMP和WRFI方法的优化重建过程中使用的矩阵和Φ:M×N，FBWRFI在优化重建中使用ΨB:256×256和Φ:MB×256。也就是说，OMP和WRFI的优化迭代中以N×N矩阵为计算对象，随着图像的增大，其计算时间的增长率将以指数级增加；而FBWRFI的优化迭代中以256×256矩阵为计算对象，随着图像的增加，只是相应增加了几个基本运算的循环，其计算时间的增长率理论上可以实现线性增加。FBWRFI与现有压缩感知方法的计算复杂度对比如表4所示。
可表示为O(256nK′)；且相对于OMP和WRFI方法的优化重建过程中使用的矩阵和Φ:M×N，FBWRFI在优化重建中使用ΨB:256×256和Φ:MB×256。也就是说，OMP和WRFI的优化迭代中以N×N矩阵为计算对象，随着图像的增大，其计算时间的增长率将以指数级增加；而FBWRFI的优化迭代中以256×256矩阵为计算对象，随着图像的增加，只是相应增加了几个基本运算的循环，其计算时间的增长率理论上可以实现线性增加。FBWRFI与现有压缩感知方法的计算复杂度对比如表4所示。
[0099] 表4 算法计算复杂度对比
[0100]
[0101] FBWRFI方法效果
[0102] 重建不同图像，本组实验验证FBWRFI方法对不同图像的作用效果，实验结果表6和图4证明了算法的有效性(这里的测试图像大小为512×512)。
[0103] 表6 FBWRFI对不同图像的重构时间和重构质量
[0104]信号长度 重构时间(s) PSNR
Lenna 16.35 27.07
Barbara 16.10 24.49
Peppers 16.74 27.47
Boat 16.48 24.89
Fingerprint 17.07 18.20
MRI 17.35 27.23
Lenna 16.35 27.07
Barbara 16.10 24.49
Peppers 16.74 27.47
Boat 16.48 24.89
Fingerprint 17.07 18.20
MRI 17.35 27.23
[0105] 不同采样率下重建图像效果，本组实验验证不同采样率下FBWRFI方法重建图像的效果，实验结果表7和图5证明了算法的有效性(这里的测试图像大小为512×512)。
[0106] 表7 不同采样率下FBWRFI重建图像的时间和质量
[0107]
[0108] 不同大小图像的重建效果，本组实验验证FBWRFI方法重建大同大小的图像的效果，实验结果表8和图6证明了算法的有效性(这里的测试图像大小为256×256、512×512和1024×1024)。
[0109] 表8 FBWRFI和OMP重建不同大小图像的时间和质量对比
[0110]
[0111] 快速重构算法的研究一直都是压缩感知理论研究的热点，我们提出面向图像重建的快速压缩感知方法FBWRFI方法，它采用最小二乘优化方法实现图像的重建，基于图像的整体相关度实现原子和二维残差之间的相关度测量以减少迭代次数、降低计算复杂度，引入块压缩感知降低优化迭代中的参数规模以降低计算量，并使重构时间随信号增大而呈线性增长，提高了重构时间的可预估性。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种三维模型生成方法 | 2020-05-11 | 6 |
| 基于稀疏表示的杂波抑制方法 | 2020-05-13 | 26 |
| 一种加权多尺度字典学习框架的行星轮轴承故障辨识方法 | 2020-05-08 | 443 |
| 一种基于低秩和稀疏约束的地震数据重建方法 | 2020-05-12 | 531 |
| 一种用于互质采样星载SAR的成像处理方法 | 2020-05-12 | 839 |
| 一种基于麦克风阵列的电子交警系统 | 2020-05-12 | 702 |
| 一种基于块稀疏贝叶斯模型的辐射源直接定位方法 | 2020-05-13 | 967 |
| 一种基于深度学习的高效车辆颜色识别方法 | 2020-05-08 | 769 |
| 基于去噪卷积神经网络的远程监督实体关系抽取方法 | 2020-05-08 | 373 |
| 一种基于迭代法构建相关滤波响应的目标跟踪方法 | 2020-05-11 | 878 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈