一种用于图像编码的基于系数随机置换的压缩感知方法及系统
阅读：154发布：2023-01-30
专利汇可以提供一种用于图像编码的基于系数随机置换的压缩感知方法及系统专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种用于图像编码的基于系数随机置换的 压缩 感知 方法，其包括以下步骤：步骤1)将原始图像进行分 块 并进行基于块的 稀疏变换 ；步骤2)将步骤1变换得到的块稀疏变换系数按所处 位置 进行重组，得到对应不同位置的系数矢量；步骤3)对步骤2中产生的各系数矢量分别进行组内系数随机置换运算；步骤4)从每个经由步骤3置换运算后的系数矢量中依次取出一个系数构成与原图像块大小相同以及具有各对应位置的系数矢量；步骤5)对步骤4)中产生的各系数矢量进行压缩 采样 编码表示；步骤6)通过上述过程的逆过程可重建原始图像。本发明方法能显著降低图像压缩感知的测量比率和提高重建图像品质。，下面是一种用于图像编码的基于系数随机置换的压缩感知方法及系统专利的具体信息内容。
1.一种用于图像编码的基于系数随机置换的压缩感知方法，其特征在于：其包括以下步骤：
步骤1)、将原始图像进行分块并进行基于块的稀疏变换；
步骤2)、将步骤1变换得到的块稀疏变换系数按所处位置进行重组，得到对应不同位置的系数矢量；
步骤3)、对步骤2中产生的各系数矢量分别进行组内系数随机置换运算；
步骤4)、从每个经由步骤3置换运算后的系数矢量中依次取出一个系数构成与原图像块大小相同以及具有各对应位置的系数矢量；
步骤5)、对步骤4)中产生的各系数矢量进行压缩采样编码表示；
步骤6)、通过上述过程的逆过程可重建原始图像。
2.如权利要求1所述的用于图像编码的基于系数随机置换的压缩感知方法，其特征在于：所述步骤6具体包括以下步骤：
步骤6a)、进行各系数块数据的压缩采样恢复；
步骤6b)、进行各变换块间相同位置处系数的逆随机置换；
步骤6c)、进行各图像块的稀疏逆变换与块图像融合。
3.如权利要求1所述的用于图像编码的基于系数随机置换的压缩感知方法，其特征在于：所述步骤1)的分块大小为m行n列，m、n分别选取整数值，对一幅图像的每一分块大小相同。
4.如权利要求3所述的用于图像编码的基于系数随机置换的压缩感知方法，其特征在于：m为8或16，n为8或16。
5.如权利要求1所述的用于图像编码的基于系数随机置换的压缩感知方法，其特征在于：所述步骤2)的各变换块间系数随机置换方法为：首先对各分块稀疏变换产生的系数按块顺序选取，将位于不同块而处于每块中同一位置的系数进行组合，得到m×n组对应不同位置的一维系数矢量，然后对此各一维系数矢量进行组内系数随机置换运算，最后依次从各置换后的系数矢量中选取一个系数组成N＝m×n维的总共B个待测量系数矢量ri，i＝
1，2，...，B，B为图像分块的总数。
6.如权利要求1所述的用于图像编码的基于系数随机置换的压缩感知方法，其特征在于：所述步骤3)的数据压缩采样编码方法为：对每一个经由随机置换后的各待测量系数矢量与具有相同维数的同一测量矩阵进行矩阵-矢量乘运算得到对应的测量值矢量，即yi＝Фri；测量值矢量数据连同采用的随机置换矩阵生成信息一同存储或传输到解码端。
7.如权利要求1所述的用于图像编码的基于系数随机置换的压缩感知方法，其特征在于：所述步骤4)的压缩采样恢复方法为：对应所有的被压缩采样编码表示的系数矢量ri的重构通过解线性规划问题 实现。
8.如权利要求2所述的用于图像编码的基于系数随机置换的压缩感知方法，其特征在于：所述步骤6b)的变换系数的逆随机置换方法为：将经由步骤6a)恢复的所有系数矢量按照步骤2的逆过程得到原分块图像的稀疏变换系数的重构系数矩阵。
9.如权利要求2所述的用于图像编码的基于系数随机置换的压缩感知方法，其特征在于：所述步骤6c)的稀疏逆变换与图像合并方法为：对步骤6b)得到的各分块图像的重构系数矩阵分别进行稀疏逆变换，并将逆变换重建的各分块图像按原来次序合并产生原图像的重构图像。
10.基于系数随机置换的压缩感知系统，其特征在于：其包括压缩感知编码器、压缩感知解码器；压缩感知编码器依次对原始图像进行分块、基于块的稀疏变换、系数置换、压缩采样编码处理步骤；压缩感知解码器对压缩感知编码器处理得到的编码进行压缩采样恢复、系数逆置换、图像块稀疏逆变换、图像块融合处理步骤，从而重构原始图像。
一种用于图像编码的基于系数随机置换的压缩感知方法及
系统
技术领域
[0001] 本发明属于图像数据表示与压缩的技术领域，涉及一种用于图像编码的基于系数随机置换的压缩感知方法及系统。
背景技术
[0002] 尽管传统的香农采样理论告诉我们：为了无失真地重构被采样信号，我们必须以不低于原信号最高频率两倍的采样率采样原信号。但是，近年来提出的压缩感知(Compressive Sensing，CS)或称压缩采样(Compressed Sampling，CS)理论认为：如果原信号为稀疏的或是具有可压缩的特性，则我们可以仅通过较少的测量数就能够准确地重构原信号，也因此能够在数据采样的同时实现压缩。【参见文献：[1]D.Donoho，“Compressed sensing，”IEEE Trans.Inform.Theory，vol.52，no.4，pp.1289-1306，Apr.2006.[2]E.Candes，J.Romberg，and T.Tao，“Robust uncertainty principles：Exact signal reconstruction from highly incomplete frequency information，”IEEE Trans.On Information Theory，vol.52，pp.489-509，Feb.2006.[3]Y.Tsaig，and D.L.Donoho，“Extensions of compressed sensing，”Signal Processing，vol.86，no.5，pp.533-548，Jul.2006.】。
[0003] 类似于传统的香农采样要求被采样信号为有限带宽信号，压缩采样则要求被采样的信号是稀疏的或是可压缩的，以及采用的测量矩阵具有限定等距特性(RIP)。根据压缩感N知理论，给定一个N维信号f∈R，如果它在Ψ域是k-稀疏的(即仅有较少的k个系数不M
为零)，则可以通过M～O(klog(N/k))＝N个测量值y＝Фf∈R 准确重建原信号，其中的Ф被称为测量矩阵。由于该求逆过程为一个病态过程，因此转化为在信号为稀疏约束条件下的优化问题，该问题通常可以进一步转化为线性规划问题min||x||1，s.t.:y＝ФΨx求解，其中x＝Ψf为信号f在Ψ域的表示。
为零)，则可以通过M～O(klog(N/k))＝N个测量值y＝Фf∈R 准确重建原信号，其中的Ф被称为测量矩阵。由于该求逆过程为一个病态过程，因此转化为在信号为稀疏约束条件下的优化问题，该问题通常可以进一步转化为线性规划问题min||x||1，s.t.:y＝ФΨx求解，其中x＝Ψf为信号f在Ψ域的表示。
[0004] 压缩感知框架包括对原始信号的压缩采样(获取或编码)和重构(解码)两个部分。为了更有效地实现对原信号的压缩感知和重构，近年来，国内外的许多研究人员在实现信号压缩感知包含的测量矩阵的构造、稀疏字典和重构算法的设计等方面展开了大量的研究工作。
[0005] 实际上，压缩感知理论不仅为信号的降维获取奠定了重要的理论基础，同时也为设计更加高效的数据压缩编码技术指明了新的方向；基于压缩感知的低复杂度高效图像与视频压缩、加密图像压缩，以及传输鲁棒的图像编码等领域具有很好的应用前景【参见 文 献：[4]J.Prades-Nebot，Y.Ma，and T.Huang，Distributed Video Coding using Compressive Sampling，IEEEPCS’2009，pp.1-4.[5]T.Do，X.Lu and J.Sole，Compressive sensing with adaptive pixel domain reconstruction for block based video coding，IEEE ICIP’2010，pp.3377-3380.[6]A A.Kumar，and A.Makur，Lossy compression of encrypted image by compressive sensing technique，IEEE TENCON’2009，pp.1-5.[7]S.Sanei，A.H.Phan，et al.，A compressive sensing approach for progressive transmission of images，IEEE DSP’2009，pp.1-5.[8]C.Deng，W.Lin，et al.，Robust image compression based on compressive sensing，IEEE ICME’2010，pp.462-467.】。基于压缩感知的图像与视频编码已成为当前该领域的重要研究热点。
[0006] Y.Zhang等人提出了一种基于图像分块和离散余弦变换的压缩感知图像编码方法【参见文献：[9]Y.Zhang，et al，A novel image/video coding method based on compressed sensing theory，ICASSP2008，pp.1361-1364】。该方法将压缩感知编码模式嵌入到传统的图像编码标准中，取得了较好的性能增益，但是整个编码系统保持了较高的复杂度。Y.Yang等人提出了一种基于分块和二维离散余弦变换的图像压缩采样方法【参见文献：[10]Y.Yang，et al，Perceptual compressive sensing for image signals，ICME2009，pp.89-92】。该方法提出在采样编码阶段利用人眼的视觉感知特性对分块二维变换系数加权后进行压缩采样编码，从而实现减少采样比率和提高重构图像品质。然而，由于该采样方法无法自适应地对不同块进行测量维数的分配，而是对每个图像块分配相同的测量维数，因此必定会导致纹理和边缘信息比较丰富的分块的重构误差相对较大。Y.Yu等人提出了一种基于图像显著性的图像压缩采样方法【参见文献：[11]Y.Yu，et al，Saliency-Based Compressive Sampling for Image Signals，IEEE Signal Processing Letters，vol.17，no.11，pp.973-976，2010】，该方法提出通过预先识别各图像块的显著性来自适应地为不同块分配不同的测量比率，从而实现减少采样比率和提高重构图像品质。但是，这种方法需要存储一个额外分配测量比率的矩阵，并且也存在不能保证提取的图像显著性信息与图像的重要性信息具有完全一致等问题。
[0007] 由于自然图像中的不同块具有的纹理和边缘信息的不一致性，使得不同图像块在稀疏域的重要系数的个数也会表现差异巨大，在基于图像分块的压缩采样中，如果对所有块都直接分配相等的测量维数一定是不合理的。因此探求如何有效地对各图像块在稀疏域进行压缩采样表示是十分必要的。
发明内容
[0008] 根据上述背景技术中存在的缺陷和不足，本发明提供一种用于图像编码的基于系数随机置换的压缩感知方法及系统，目的在于降低图像压缩采样表示的测量比率，提高重构图像的视觉品质，适用于图像的压缩感知表示和编码。
[0009] 为解决以上技术问题，本发明采用的技术方案为：一种用于图像编码的基于系数随机置换的压缩感知方法，其特征在于：其包括以下步骤：
[0010] 步骤1)、将原始图像进行分块并进行基于块的稀疏变换；
[0011] 步骤2)、将步骤1变换得到的块稀疏变换系数按所处位置进行重组，得到对应不同位置的系数矢量；
[0012] 步骤3)、对步骤2中产生的各系数矢量分别进行组内系数随机置换运算；
[0013] 步骤4)、从每个经由步骤3置换运算后的系数矢量中依次取出一个系数构成与原图像块大小相同以及具有各对应位置的系数矢量；
[0014] 步骤5)、对步骤4)中产生的各系数矢量进行压缩采样编码表示；
[0015] 步骤6)、通过上述过程的逆过程可重建原始图像。
[0016] 按以上方案，所述步骤6具体包括以下步骤：
[0017] 步骤6a)、进行各系数块数据的压缩采样恢复；
[0018] 步骤6b)、进行各变换块间相同位置处系数的逆随机置换；
[0019] 步骤6c)、进行各图像块的稀疏逆变换与块图像融合。
[0020] 按以上方案，所述步骤1)的分块大小为m行n列，m、n分别选取整数值，对一幅图像的每一分块大小相同。
[0021] 按以上方案，m为8或16，n为8或16。
[0022] 按以上方案，所述步骤2)的各变换块间系数随机置换方法为：首先对各分块稀疏变换产生的系数按块顺序选取，将位于不同块而处于每块中同一位置的系数进行组合，得到m×n组对应不同位置的一维系数矢量，然后对此各一维系数矢量进行组内系数随机置换运算，最后依次从各置换后的系数矢量中选取一个系数组成N＝m×n维的总共B个待测量系数矢量ri，i＝1，2，...，B，B为图像分块的总数。
[0023] 按以上方案，所述步骤3)的数据压缩采样编码方法为：对每一个经由随机置换后的各待测量系数矢量与具有相同维数的同一测量矩阵进行矩阵-矢量乘运算得到对应的测量值矢量，即yi＝Фri；测量值矢量数据连同采用的随机置换矩阵生成信息一同存储或传输到解码端。
[0024] 按以上方案，所述步骤4)的压缩采样恢复方法为：对应所有的被压缩采样编码表示的系数矢量ri的重构通过解线性规划问题 实现。
[0025] 按以上方案，所述步骤6b)的变换系数的逆随机置换方法为：将经由步骤6a)恢复的所有系数矢量 按照步骤2的逆过程得到原分块图像的稀疏变换系数的重构系数矩阵。
[0026] 按以上方案，所述步骤6c)的稀疏逆变换与图像合并方法为：对步骤6b)得到的各分块图像的重构系数矩阵分别进行稀疏逆变换，并将逆变换重建的各分块图像按原来次序合并产生原图像的重构图像。
[0027] 基于系数随机置换的压缩感知系统，其不同之处在于：其包括压缩感知编码器、压缩感知解码器；压缩感知编码器依次对原始图像进行分块、基于块的稀疏变换、系数置换、压缩采样编码处理步骤；压缩感知解码器对压缩感知编码器处理得到的编码进行压缩采样恢复、系数逆置换、图像块稀疏逆变换、图像块融合处理步骤，从而重构原始图像。
[0028] 对比现有技术，本发明的原理及有益效果如下：本发明基于块图像变换域进行数据的二次采样，通过随机置换技术调整重要性系数分布，使得每个被采样矢量具有近似相同的系数幅度特性分布特征或可压缩性，保证在每个系数矢量采用相同测量比率采样的条件下，可在解码端更加有效地恢复各图像块的相对重要的变换系数，实现减少测量比率和/或提升重建图像品质。
[0029] 本发明方法涉及图像压缩感知编码器模块和图像压缩感知解码器模块两个部分。本发明的图像压缩感知编码器模块由依次执行的图像分块模块、图像块稀疏变换模块、变换域系数的随机置换模块和压缩采样模块组成。本发明的图像压缩感知解码器模块由依次执行的压缩采样恢复模块、变换域系数的逆置换模块、图像块稀疏逆变换模块和图像块融合模块组成。
[0030] 涉及的图像分块模块将输入的原图像进行分块，分块的大小选取为整数m×n。涉及的图像块稀疏变换模块对每一个图像块进行块图像稀疏变换。涉及的变换域系数的随机置换模块首先根据所有图像块各变换域系数所处位置的不同分成对应位置的系数矢量，以及伪随机产生一个系数置换映射矩阵，然后根据该系数置换映射矩阵进行各系数矢量的组内位置置换，最后通过依次交替选取置换后各系数矢量的系数得到置乱后的待测量系数矢量ri。涉及的压缩采样模块首先生成一个用于压缩感知的测量矩阵Ф，然后将该测量矩阵与每一个待测量系数矢量进行相乘运算得到对应的测量值矢量，即yi＝Фri，从而完成对每一系数矢量的压缩采样编码。
[0031] 涉及的压缩采样恢复模块采用与编码过程中采用的相同测量矩阵，通过求解线性规划问题 得到重建的各测量值矢量 涉及的变换域系数的随机逆置换模块首先根据由编码器端传送来的伪随机置换矩阵生成因子生成原随机置换映射矩阵，然后根据该随机置换映射矩阵完成各重建系数矢量的系数逆向置换，最后从各逆置换后的系数矢量中选取对应系数还原得到原各分块图像的稀疏变换系数矩阵的重建表示。涉及的稀疏逆变换模块完成对各重建的稀疏变换系数矩阵的逆变换，得到原各分块图像的重建图像。涉及的图像块融合模块通过拼接各重建图像块，得到原图像的重建图像。
[0032] 本发明是一种基于图像分块与稀疏变换域系数随机置换的图像压缩感知编码方法。本发明方法能显著降低图像压缩感知的测量比率和提高重建图像品质，在图像编码系统的设计领域具有良好的应用前景。附图说明
[0033] 图1是本发明方法的系统实现流程图；
[0034] 图2是本发明采用二维余弦变换进行图像稀疏变换的实例图；其中，图2(a)为原始的256×256Lenna图像；图2(b)为基于8×8分块的二维离散变换的结果。
[0035] 图3是本发明采用的变换域系数随机置换示例图；其中，图3(a)为原分块变换系数矢量阵列；图3(b)为经过随机置换后的系数矢量阵列。
[0036] 图4是本发明采用随机置换前后变换块系数矢量的幅度特性分布特性比较。
[0037] 图5是本发明方法的实验结果比较示意图。
具体实施方式
[0038] 下面结合附图和实施实例对本发明进行详细说明。
[0039] 如图1所示，一种用于图像编码的基于系数随机置换的压缩感知方法，其包括以下步骤：
[0040] 步骤1)、将原始图像进行分块并进行基于块的稀疏变换；
[0041] 步骤2)、将步骤1变换得到的块稀疏变换系数按所处位置进行重组，得到对应不同位置的系数矢量；
[0042] 步骤3)、对步骤2中产生的各系数矢量分别进行组内系数随机置换运算；
[0043] 步骤4)、从每个经由步骤3置换运算后的系数矢量中依次取出一个系数构成与原图像块大小相同以及具有各对应位置的系数矢量；
[0044] 步骤5)、对步骤4)中产生的各系数矢量进行压缩采样编码表示；
[0045] 步骤6)、通过上述过程的逆过程可重建原始图像。
[0046] 按以上方案，所述步骤6具体包括以下步骤：
[0047] 步骤6a)、进行各系数块数据的压缩采样恢复；
[0048] 步骤6b)、进行各变换块间相同位置处系数的逆随机置换；
[0049] 步骤6c)、进行各图像块的稀疏逆变换与块图像融合。
[0050] 具体的，所述步骤1)的分块大小为m行n列，m、n分别选取整数值，对一幅图像的每一分块大小相同。优选的，m为8或16，n为8或16。
[0051] 具体的，所述步骤2)的各变换块间系数随机置换方法为：首先对各分块稀疏变换产生的系数按块顺序选取，将位于不同块而处于每块中同一位置的系数进行组合，得到m×n组对应不同位置的一维系数矢量，然后对此各一维系数矢量进行组内系数随机置换运算，最后依次从各置换后的系数矢量中选取一个系数组成N＝m×n维的总共B个待测量系数矢量ri，i＝1，2，...，B，B为图像分块的总数。
[0052] 具体的，所述步骤3)的数据压缩采样编码方法为：对每一个经由随机置换后的各待测量系数矢量与具有相同维数的同一测量矩阵进行矩阵-矢量乘运算得到对应的测量值矢量，即yi＝Фri；测量值矢量数据连同采用的随机置换矩阵生成信息一同存储或传输到解码端。
[0053] 具体的，所述步骤4)的压缩采样恢复方法为：对应所有的被压缩采样编码表示的系数矢量ri的重构通过解线性规划问题 实现。
[0054] 具体的，所述步骤6b)的变换系数的逆随机置换方法为：将经由步骤6a)恢复的所有系数矢量 按照步骤2的逆过程得到原分块图像的稀疏变换系数的重构系数矩阵。
[0055] 具体的，所述步骤6c)的稀疏逆变换与图像合并方法为：对步骤6b)得到的各分块图像的重构系数矩阵分别进行稀疏逆变换，并将逆变换重建的各分块图像按原来次序合并产生原图像的重构图像。
[0056] 如图1所示，基于系数随机置换的压缩感知系统，其包括压缩感知编码器、压缩感知解码器；压缩感知编码器依次对原始图像进行分块、基于块的稀疏变换、系数置换、压缩采样编码处理步骤；压缩感知解码器对压缩感知编码器处理得到的编码进行压缩采样恢复、系数逆置换、图像块稀疏逆变换、图像块融合处理步骤，从而重构原始图像。
[0057] 按照图1的技术方案，给出了基于稀疏变换域与系数随机置换的图像压缩感知表示方法的系统实现流程图。图1的系统包括：图像压缩感知编码器模块和图像压缩感知解码器模块。
[0058] 在图像压缩感知编码器端，原始图像X首先输入到图1的图像分块模块，图像分块模块产生的输出为多个大小相同、互不重叠的图像块xi，i＝1，2，...，B，其中的B表示总的图像分块数。图像分块操作选取分块大小为N＝m×n，一般取为8×8或是16×16，也可以选取为其它合适的尺寸。图像分块模块的输出送入到二维离散余弦变换模块的输入端。
[0059] 分块图像，也就是每一个图像块xi的数据输入到稀疏变换模块进行基于块的块图像稀疏变换，得到每一图像块在变换域的表示ci＝T[xi]。图2(a)为原始的大小为256×256的某Lenna图像，图2(b)为该Lenna图像通过8×8分块以及选取稀疏字典为二维离散余弦变换进行块图像稀疏变换后的输出，可见图像在二维离散变换域的系数大部分都趋近为零，因此具有良好的可压缩性。本发明可选用的稀疏变换不限于离散余弦变换，也可为任意其它合适的稀疏变换。稀疏变换模块输出的所有图像块在变换域的系数数据输入到系数置换模块。
[0060] 系数置换模块首先对输入的每一图像块的变换域系数按照一定的扫描格式，将输入的一个个二维数组变换为一维行矢量αi＝2Dto1D[ci]＝{ai，1，ai，2，...，ai，N}。扫描格式可以是先按行从左到右、再按列从上往下的方式，或是先按列从上往下、再按行从左到右的方式，也可以是按Z字形扫描等其它方式。图3(a)的每一行数据代表了图2(b)中对应图像块变换域系数的矢量表示示例。
[0061] 系数置换模块进一步将得到的所有图像块对应的稀疏变换域系数矢量进行系数重组，也就是将每一图像块系数矢量中处在同一位置的系数组合为一个新的系数矢量βj＝{a1，j，a2，j，...，aB，j}，共得到m×n个对应不同位置的系数矢量。图3(a)的每一列数据代表了将块系数矢量进行系数重组后得到的对应于块中不同位置的系数矢量。
[0062] 系数置换模块继续将各对应的重组系数矢量分别进行组内系数随机置换。随机置换过程首先产生一组m×n个伪随机序列，每个伪随机序列的长度与系数重组得到的各系数矢量的长度相等，然后按照该组伪随机序列进行各组内数据的位置随机置换，生成pj＝Perm.[βj]＝{p1，j，p2，j，...，pB，j}。图3(b)为各组(列)数据矢量进行组内随机置换后的结果示例。
[0063] 系数随机置换模块最后将通过上述组内随机置换后的各系数矢量进行第二次系数重组，产生待测量系数矢量ri＝{pi，1，pi，2，...，pi，N}。按照图3(b)所示，第二次重组过程就是依次提取图3(b)中的每一行数据组成一个待测量系数矢量。随机置换模块的输出送入到压缩采样模块的输入端。
[0064] 压缩采样模块首先产生一个维数为M×N的测量矩阵Ф，N为待测量系数矢量的维数，M为测量维数且通常有M＝N。生成的测量矩阵Ф可以是二元随机矩阵、高斯随机矩阵或其它形式的测量矩阵。压缩采样模块通过执行测量矩阵Ф与各待测量系数矢量ri的矩阵-矢量乘运算输出对应的测量值矢量 为列矢量，代表矢量ri的转置运算的结果。
[0065] 在图像压缩感知解码器端，经由图像压缩感知编码器输出的测量值矢量yi，i＝1，2，...，B首先输入到图1系统的压缩采样恢复模块。压缩采样恢复模块通过求解线性规划问题 得到重建的各测量值矢量 重建的各测量值矢
量输出到系数逆置换模块的输入端。
量输出到系数逆置换模块的输入端。
[0066] 系数逆置换模块与编码器端的系数置换模块一样，首先将重建的测量值矢量进行系数重组，得到对应于块中不同位置的系数矢量的重建表示然后对所有 分别进行逆随机置换运算，得到系数矢量βj的重建表示
进一步通过第二次系数重组得到系数矢量αi的重建表
示 最后按照与编码端相同的扫描格式，将一维矢量表示转换为二维矩
阵表示，得到各图像块的稀疏变换域系数矩阵的重建表示
进一步通过第二次系数重组得到系数矢量αi的重建表
示 最后按照与编码端相同的扫描格式，将一维矢量表示转换为二维矩
阵表示，得到各图像块的稀疏变换域系数矩阵的重建表示
[0067] 系数逆置换模块产生的各图像块的稀疏变换域系数的重建表示 传送到图像块稀疏逆变换模块的输入端。图像块稀疏逆变换模块对输入的各图像块的变换域系数重建矩阵进行逆变换运算，得到编码器端原输入分块图像的重建表示 图像块融合模块接收各分块图像的重建表示 经过拼接还原得到原输入图像的重建表示
[0068] 为了证明本发明方法的有效性，我们首先比较了采用系数随机置换技术前后的待测量系数矢量的幅度分布特性。输入图像选取256×256灰度Lenna图像，分块大小选取为8×8。图4(a)为未采用系数随机置换时得到的各分块图像在二维离散变换域对应的待测量系数矢量的幅度分布图，图4(b)为采用系数随机置换技术后重组的各待测量系数矢量的幅度分布图。这里的幅度分布图代表了各测量系数矢量的系数幅度衰减曲线图，为了显示的更清晰，这里显示的幅度值是各系数实际的幅度值以10为底取对数后乘以20后的结果。比较图4(a)和图4(b)可以看出，采用系数随机置换技术能够有效均衡各被测量系数矢量的分布，使得它们具有更趋一致的幅度分布特性，也表明具有更趋相同的可压缩性。图
5进一步给出了在测量比率为0.3，选用OMP算法实现压缩采样恢复，采用和不采用随机置换技术时的图像重建结果比较。图5(a)为未采用随机置换技术条件的重建图像，图5(b)为采用随机置换技术条件的重建图像。比较结果显示，通过采用随机置换技术，能够明显地提升感兴趣区域的重建图像的视觉品质，比如，在图5(a)的眼睛四周具有明显的重建噪声，而在图5(b)的眼睛四周不具有明显的重建噪声。表1给出了选取其它类型图像，以及在不同测量比率的条件下，本发明方法与文献[10]方法的PSNR性能比较。根据表1结果可见，本发明方法能够有效地提升重建图像的峰值信噪比。
5进一步给出了在测量比率为0.3，选用OMP算法实现压缩采样恢复，采用和不采用随机置换技术时的图像重建结果比较。图5(a)为未采用随机置换技术条件的重建图像，图5(b)为采用随机置换技术条件的重建图像。比较结果显示，通过采用随机置换技术，能够明显地提升感兴趣区域的重建图像的视觉品质，比如，在图5(a)的眼睛四周具有明显的重建噪声，而在图5(b)的眼睛四周不具有明显的重建噪声。表1给出了选取其它类型图像，以及在不同测量比率的条件下，本发明方法与文献[10]方法的PSNR性能比较。根据表1结果可见，本发明方法能够有效地提升重建图像的峰值信噪比。
[0069] 表1：PSNR性能比较(单位dB)
[0070]
[0071] 以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种物联网感知层节点的管理方法及系统 | 2020-05-12 | 815 |
| 无线感知器 | 2020-05-12 | 514 |
| 含氧感知器 | 2020-05-12 | 927 |
| 一种以物联网为依托的感知城市系统 | 2020-05-11 | 598 |
| 工件感知器和感知系统 | 2020-05-12 | 759 |
| 感知系统 | 2020-05-11 | 648 |
| 感知失去检测 | 2020-05-13 | 869 |
| 机架感知 | 2020-05-11 | 429 |
| 感知装置 | 2020-05-11 | 86 |
| 一种感知卡 | 2020-05-11 | 401 |
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。
感知热门专利
-
10 感知型高尔夫球杆
QQ群二维码
意见反馈
意见反馈