基于自适应压缩感知的自然图像非局部重构方法
专利汇可以提供基于自适应压缩感知的自然图像非局部重构方法专利检索，专利查询，专利分析的服务。并且本 发明 公开一种基于自适应 压缩 感知 的自然图像非局部重构方法，主要解决已有技术重构图像信息丢失严重等问题。其实现步骤为：(1)把一幅图像分成N个32×32的子 块 ,根据基本 采样 率b和感知矩阵Φ得到基本感知矩阵Φ′，利用Φ′对 信号 采样，得到基本观测向量(2)根据估计出图像的标准差序列{d1,d2,....dN}；(3)根据标准差序列{d1,d2,....dN}，为每个子块自适应的分配采样率ai并构造自适应感知矩阵利用对信号采样，得到自适应观测向量（4）用基本观测向量与自适应观测向量共同组成子块的观测向量 (5)根据观测向量 得到图像的初始解x0；（6）用x0进行 迭代 ，重构原始图像，直至满足终止条件,得到重构图像x′。本发明具有图像重构 质量 高，原理清晰，操作简单的优点，适用于自然图像的采样和重构。，下面是基于自适应压缩感知的自然图像非局部重构方法专利的具体信息内容。
1.一种基于自适应压缩感知的自然图像非局部重构方法，包括如下步骤：
(1)将输入的图像信号x分成N个32×32大小的子块x1,x2,...,xN，给出平均采样率s，基本采样率b和感知矩阵Φ，根据基本采样率b和感知矩阵Φ得到基本感知矩阵Φ′，利用基本感知矩阵Φ′对每个图像子块xi进行采样，得到每个图像子块的基本观测向量：
其中i＝1,2,....N，N为图像子块的个数；
(2)根据基本观测向量 估计出图像的标准差序列{d1,d2，....dN}，其中N为图像子块的个数；
(3)根据标准差序列{d1,d2,....dN}，为每一个图像子块自适应的分配一个采样率ai，i＝1,2,....N，根据自适应采样率和感知矩阵Φ构造自适应感知矩阵 利用自适应感知矩阵 对每个图像子块进行采样，得到每个图像子块的自适应观测向量：
(4)将基本观测向量 与自适应观测向量 存放在一个列向量中，组成每个图像子块观测向量
(5)将每个图像子块的观测向量yi按列存放在一个向量中，构成整幅图像的观测向量根据整幅图像观测向量y得到图像信号x的初始解：
其中 i＝1,2，....N， 为每个图像子块对应的感知矩
阵，T表示对感知矩阵转置， 为估计出的每个图像子块
的均值，i＝1,2,....N，g×z是基本采样矩阵Φ′的维度，var为求解序列的方差；
(6)对初始解x0进行迭代，重构出原始信号x′：
6a)设定k为迭代次数，令k＝0；
6b)对上一次迭代图像xk进行小波变换，得到小波系数：ξk＝Ψxk，Ψ为小波变换基，然后对小波系数ξk进行双变量阈值平滑，得到阈值平滑后的小波系数：
(i)
其中ρ为双变量阈值参数，ξp为父节点系数，σ 为子系数的度量方差，σξ为估计k+1
出来的图像的方差，+表示值比0大时取本身，比0小时取0，再对系数ξ 进行逆变换得到双变量阈值平滑后的图像： Ψ-1为小波逆变换基；
k
6c)对上一次迭代图像x 进行非局部总变差平滑处理，得到处理后的图像
6d)计算双变量阈值平滑后的图像 和非局部总变差平滑处理后的图像 的加权均值，得到均值图像：
其中0＜c1＜1，0＜c2＜1，c1+c2＝1
将均值图像 分成N个32×32大小的子块 对每个子块进行投影处理，
根据观测值yi的长度寻找出每个子块对应的感知矩阵Φi，将 投影到超平面{e|Φie＝yi,e∈R32×32}上，e是一个变量，R32×32表示32×32维的信号，得到投影处理后的图像子块：
i＝1,2,...,N，这些投影处理后的图像子块组成迭代后的图像
k+1
x ；
k+1 k
6e)计算信号在每次迭代后与迭代前的变化情况E(k)＝||x -x||2，||.||2表示2范k+1
数，如果|E(k)-E(k-1)|≤0.001或者k＞100，迭代终止，重构的原始信号x′＝x ，否则迭代次数k加1，返回步骤6b)。
2.根据权利要求1所述的基于自适应压缩感知的自然图像非局部重构方法，其中步骤(1)所述的根据基本采样率b和感知矩阵Φ得到基本感知矩阵Φ′，是根据基本采样率b计算出基本采样行数M＝Nx×b，从感知矩阵Φ中取出前M行构成基本感知矩阵Φ′，其中Nx＝1024为图像子块的维数。
3.根据权利要求1所述的基于自适应压缩感知的自然图像非局部重构方法，其中步骤(2)所述的根据基本观测向量 估计出图像标准差序列{d1,d2,....dN}，是通过下式进行的：
其中i＝1,2,...,N，g×z是基本采样矩阵Φ′的维度，var
为求解序列的方差，N为图像子块的个数。
4.根据权利要求1所述的基于自适应压缩感知的自然图像非局部重构方法，其中步骤(3)所述的根据标准差序列{d1,d2,....dN}，为每一个图像子块自适应的分配一个采样率ai，是通过下式进行的：
其中i＝1,2,...,N，s为平均采样率，sum(d)为所有图像子块
标准差的和，N为图像子块的个数。
5.根据权利要求1所述的基于自适应压缩感知的自然图像非局部重构方法，其中步骤(3)所述的根据自适应采样率和感知矩阵Φ构造自适应感知矩阵 是根据自适应采样率ai计算出自适应采样行数Mi＝Nx×ai，从采样矩阵Φ中取出其前Mi行构成自适应感知矩阵 i＝1,2,....N，Nx＝1024为图像子块的维数。
6.根据权利要求1所述的基于自适应压缩感知的自然图像非局部重构方法，其中步骤k
6c)中所述的对上一次迭代图像x 进行非局部总变差平滑处理，是按如下步骤进行：
k
6c1）计算x 的每个像素在搜索窗口的非局部权值wm，n，m，n为图像的坐标值；
6c2）设定优化目标函数 其中，h是一个变量，μ为一个
调节参数， 为非局部梯度，使用增广拉格朗日模型求解上述优化问题，按如下步骤进行：
（1）设定l为迭代次数，令l＝0，lmax＝4，拉格朗日算子λm，n，λn,m的初始值为1，中间变量fm，n，fn,m的初始值为1， m，n为图像的坐标值；
k
（2）用如下公式对上一次迭代图像x 的每个像素点进行非局部总变差处理，得到处理后的图像的像素点
其中， 为中间变量，
μ为一个调节参数，r是一个正常数， 为拉格朗日算子，wm,n为非局部权值，k
为中间变量， 表示x 的像素点，m，n为图像的坐标值；
（3）对中间变量 以及拉格朗日算子 的值进行更新，得到更新后的中间变量 和拉格朗日算子
其中 wm,n为非局部权值，r是一个正常数， 为非局部梯
度；
（4）如果l＞lmax，迭代终止， 为平滑处理后图像 的像素点，m为图
像的坐标值，否则迭代次数l加1，返回步骤（2）。
基于自适应压缩感知的自然图像非局部重构方法
技术领域
背景技术
发明内容
子块的均值，i＝1,2,....N，g×z是基本采样矩阵Φ′的维度，var为求解序列的方差；
换得到双变量阈值平滑后的图像： Ψ 为小波逆变换基；
k+1
迭代后的图像x ；
具体实施方式
为估计出的每个图像子块的均值，估计的均值效果如图3所示，其中图
3（a）为Lena图像估计的均值效果图，图3（b）为Barbara图像估计的均值效果图,i＝
1,2,....N，g×z是基本采样矩阵Φ′的维度，var为求解序列的方差。
值；
32×32 32×32
{e|Φie＝yi,e∈R }上，e是一个变量，R 表示32×32维的信号，得到投影处理后的图像子块： i＝1,2,...,N，这些投影处理后的图像子块组成
k+1
迭代后的图像x ；
k+1 k
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种以物联网为依托的感知城市系统 | 2020-05-11 | 598 |
| 感知导盲鞋 | 2020-05-12 | 71 |
| 工件感知器和感知系统 | 2020-05-12 | 759 |
| 一种感知置物箱 | 2020-05-11 | 560 |
| 含氧感知器 | 2020-05-12 | 604 |
| 感知装置 | 2020-05-11 | 332 |
| 热感知器 | 2020-05-11 | 63 |
| 感知装置 | 2020-05-11 | 86 |
| 手势感知器 | 2020-05-12 | 963 |
| 感知锚杆 | 2020-05-12 | 110 |
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。
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。
-
10 感知型高尔夫球杆
