CN104778660A - 一种结合支撑集和残差补偿的图像序列递归重建方法 - Google Patents
一种结合支撑集和残差补偿的图像序列递归重建方法 Download PDFInfo
- Publication number
- CN104778660A CN104778660A CN201510196916.3A CN201510196916A CN104778660A CN 104778660 A CN104778660 A CN 104778660A CN 201510196916 A CN201510196916 A CN 201510196916A CN 104778660 A CN104778660 A CN 104778660A
- Authority
- CN
- China
- Prior art keywords
- support set
- residual
- field picture
- coefficient
- image sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种结合支撑集和残差补偿的图像序列递归重建方法,重建方法对视频序列进行融合支撑集先验和残差补偿的序列重建,包括初始化、近似求解、初始估计、残差计算、残差重建、残差补偿、支撑集更新等步骤。本发明可以减少阈值的设置,提高图像序列的重建精度。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种结合支撑集和残差补偿的图像序列递归重建方法。
背景技术
对于图像序列的采集获取问题,依据传统的奈奎斯特-香农采样理论,场景的高质量重建需要大数据量的采样和传输,这不满足成像***低功耗和宽带受限的实际要求。压缩传感理论的问世为解决这一问题提供了新的契机。压缩传感理论是由Donoho等人在2006年提出的一种新型信号采样方式。该理论基于信号的稀疏性和可压缩性,利用非自适应的随机测量矩阵获取信号少量的线性测量值,最后可通过求解一个优化问题高概率地精确重建原始信号。因此,压缩传感理论突破了传统的奈奎斯特-香农采样定理,对信号采样的同时进行了压缩,大大减少了数据的采样量、采样时间和存储成本。
将图像序列中的各帧图像间的相关性作为先验信息用于压缩传感的重构过程,可以减少搜索空间,提高重构算法的重构精度。其中,一些研究将稀疏支撑集的变化作为相关性的准则,同时利用残差稀疏性的估计对残差进行压缩传感重构和补偿。例如,Vaswani等人根据相邻图像的支撑集在统计上变化不大的特点,提出了一系列基于压缩传感的图像序列递归重构算法,包括含噪情况下的最小二乘残差压缩传感算法(LS-CS)、卡尔曼滤波压缩传感算法(KF-CS)以及修正残差压缩感知算法(Mod-CS-Res)等,有效降低了算法的计算量和复杂度。但是上述基于压缩传感的图像序列重建算法重建精度不高,模型参数设置较多,因此,本发明提出一种结合支撑集和残差补偿的图像序列递归重建方法,从而减少阈值的设置,提高图像序列的重建精度。
假设对于D帧的图像序列Xt满足测量方程:
yt=ΦtXt+nt=Θst+nt
其中,nt为高斯白噪声,Φ是测量矩阵。定义图像Xt的稀疏支撑集为Sup(Xt)={j:(st)j>α},α为系数阈值。
LS-CS、KF-CS以及Mod-CS-Res等算法的步骤主要为:
初始估计:基于第t-1帧的图像的重建结果和支撑集估计估计出第t帧的图像系数
残差重构:基于估计的第t帧的图像系数和原图像系数的残差具有稀疏性的特点,对残差进行压缩传感重构;
残差补偿:基于重构的残差对第t帧的图像系数进行补偿,得出第t帧的图像系数更高精度的重建结果
最后修正:引入两个阈值参数并基于第t帧的图像的重建结果对支撑集进行更新,得出第t帧的支撑集估计和第t帧的图像的重建结果
其中,在初始估计中,LS-CS算法只是利用先验支撑集估计进行最小二乘估计;KF-CS是LS-CS的一种贝叶斯形式,与LS-CS算法类似;而Mod-CS-Res则是利用前一帧图像系数的重建结果在估计的支撑集上进行稀疏逼近作为当前帧的图像系数的初始估计。上述三种方法在初始估计方面效果都不够理想,也就是得到的当前帧的图像系数的初始估计精度都不是很高,这对后续的残差重构,残差补偿和支撑集估计将产生进一步的影响,影响最终的重构效果。另外,在最后修正阶段对于两个阈值参数的选取并没有相对固定准则,给具体的实验带来了一定的麻烦。
发明内容
针对基于压缩传感的图像序列重建算法重建精度不高,模型参数设置较多的问题,本发明提出一种结合支撑集和残差补偿的图像序列递归重建方法,减少阈值的设置,提高图像序列的重建精度。
为实现上述目的,本发明具体技术方案如下:一种结合支撑集和残差补偿的图像序列递归重建方法,包括如下步骤:
1)初始化:获取视频序列第1帧图像的图像系数估计和支撑集估计;
2)近似求解:由t-1(t为整数,且t≥2)帧图像系数的支撑集估计,利用Modified-BPDN算法求出第t帧图像系数近似解;
3)初始估计:由第t帧图像系数近似解初始估计第t帧图像系数;
4)残差计算:由第t帧图像系数估计值求出残差测量值;
5)残差重建:由第t帧图像残差测量值重构出残差;
6)残差补偿:由第t帧图像残差重构值对第t帧图像系数估计值进行补偿,求出第t帧图像系数的最终估计值;
7)支撑集更新:由第t帧图像系数最终估计值对其支撑集进行更新;
8)t=t+1,转步骤2)。
进一步地,上述步骤1)中,第1帧图像系数s1的估计值和支撑集估计的初始化方法是:其中,α为阈值参数,s1为第1帧图像系数,为第1帧支撑集估计。
进一步地,上述步骤2)中,st近似解的计算方法是: 其中,st表示第t帧图像系数,为第t帧支撑集估计,是st近似解,Θt为测量矩阵,yt为测量值向量。
进一步地,上述步骤3)中,第t帧的图像系数的初始估计方法是:
进一步地,上述步骤4)中,残差计算方法是:其中,为初始估计残差的测量值向量。
进一步地,上述步骤5)中,残差重建方法是:其中为残差图像系数向量,
进一步地,上述步骤6)中,残差补偿方法是:其中,为残差补偿。
进一步地,上述步骤7)中,支撑集估计方法是:
本发明提出的一种结合支撑集和残差补偿的图像序列递归重建方法,可以减少阈值的设置,提高图像序列的重建精度。
附图说明
图1图像序列重建流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
图1图像序列重建流程图,结合支撑集和残差补偿的图像序列递归重建方法包括初始化、近似求解、初始估计、残差计算、残差重建、残差补偿、支撑集更新等步骤,具体如下:
1)初始化:得到第一帧图像系数s1的估计值和支撑集估计
2)近似求解:利用Modified-BPDN算法求得的st近似解其中,t为整数,且t≥2;
3)初始估计:由st的近似解初始估计第t帧的图像系数,即
4)残差计算:
5)残差重建: 其中
6)残差补偿:
7)支撑集估计:
8)t=t+1,转到步骤2)。
上述步骤中,st表示第t帧图像系数,α为阈值参数,Θt为测量矩阵,yt为测量值向量,为初始估计残差的测量值向量,为残差图像系数向量,为支撑集估计,为在下标集{1,2,L,N}上的补集。
Claims (8)
1.一种结合支撑集和残差补偿的图像序列递归重建方法,其特征在于包括如下步骤:
1)初始化:获取视频序列第1帧图像的图像系数估计和支撑集估计;
2)近似求解:由t-1帧图像系数的支撑集估计,利用Modified-BPDN算法求出第t帧图像系数近似解,其中,t为整数,且t≥2;
3)初始估计:由第t帧图像系数近似解初始估计第t帧图像系数;
4)残差计算:由第t帧图像系数估计值求出残差测量值;
5)残差重建:由第t帧图像残差测量值重构出残差;
6)残差补偿:由第t帧图像残差重构值对第t帧图像系数估计值进行补偿,求出第t帧图像系数的最终估计值;
7)支撑集更新:由第t帧图像系数最终估计值对其支撑集进行更新;
8)t=t+1,转步骤2)。
2.如权利要求1所述的结合支撑集和残差补偿的图像序列递归重建方法,其特征在于:所述步骤1)中,第1帧图像系数s1的估计值和支撑集估计的初始化方法是:其中,α为阈值参数,s1为第1帧图像系数,为第1帧支撑集估计。
3.如权利要求1所述的结合支撑集和残差补偿的图像序列递归重建方法,其特征在于:所述步骤2)中,st近似解的计算方法是:其中,st表示第t帧图像系数,为第t帧支撑集估计,是st近似解,Θt为测量矩阵,yt为测量值向量。
4.如权利要求1所述的结合支撑集和残差补偿的图像序列递归重建方法,其特征在于:所述步骤3)中,第t帧的图像系数的初始估计方法是:
5.如权利要求1所述的结合支撑集和残差补偿的图像序列递归重建方法,其特征在于:所述步骤4)中,残差计算方法是:其中,为初始估计残差的测量值向量。
6.如权利要求1所述的结合支撑集和残差补偿的图像序列递归重建方法,其特征在于:所述步骤5)中,残差重建方法是:其中为残差图像系数向量,
7.如权利要求1所述的结合支撑集和残差补偿的图像序列递归重建方法,其特征在于:所述步骤6)中,残差补偿方法是:其中,为残差补偿。
8.如权利要求1所述的结合支撑集和残差补偿的图像序列递归重建方法,其特征在于:所述步骤7)中,支撑集估计方法是:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510196916.3A CN104778660A (zh) | 2015-04-23 | 2015-04-23 | 一种结合支撑集和残差补偿的图像序列递归重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510196916.3A CN104778660A (zh) | 2015-04-23 | 2015-04-23 | 一种结合支撑集和残差补偿的图像序列递归重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104778660A true CN104778660A (zh) | 2015-07-15 |
Family
ID=53620108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510196916.3A Pending CN104778660A (zh) | 2015-04-23 | 2015-04-23 | 一种结合支撑集和残差补偿的图像序列递归重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778660A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191411A (zh) * | 2018-08-16 | 2019-01-11 | 广州视源电子科技股份有限公司 | 一种多任务图像重建方法、装置、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050036661A1 (en) * | 2003-08-15 | 2005-02-17 | Viggh Herbert E.M. | Spatial surface prior information reflectance estimation (SPIRE) algorithms |
CN104243916A (zh) * | 2014-09-02 | 2014-12-24 | 江苏大学 | 一种基于压缩传感的运动目标检测和跟踪方法 |
-
2015
- 2015-04-23 CN CN201510196916.3A patent/CN104778660A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050036661A1 (en) * | 2003-08-15 | 2005-02-17 | Viggh Herbert E.M. | Spatial surface prior information reflectance estimation (SPIRE) algorithms |
CN104243916A (zh) * | 2014-09-02 | 2014-12-24 | 江苏大学 | 一种基于压缩传感的运动目标检测和跟踪方法 |
Non-Patent Citations (1)
Title |
---|
李星秀等: "基于稀疏支撑集先验的压缩感知图像序列重建算法", 《南京理工大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191411A (zh) * | 2018-08-16 | 2019-01-11 | 广州视源电子科技股份有限公司 | 一种多任务图像重建方法、装置、设备和介质 |
CN109191411B (zh) * | 2018-08-16 | 2021-05-18 | 广州视源电子科技股份有限公司 | 一种多任务图像重建方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11080897B2 (en) | Systems and methods for a PET image reconstruction device | |
CN105513026B (zh) | 一种基于图像非局部相似的压缩感知重构方法 | |
CN113177882B (zh) | 一种基于扩散模型的单帧图像超分辨处理方法 | |
CN110222758B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN102184533B (zh) | 基于非局部约束的全变分图像去模糊方法 | |
Ma et al. | Compressive video sampling with approximate message passing decoding | |
CN104599301B (zh) | 一种pet图像的重建方法和装置 | |
CN102882530B (zh) | 一种压缩感知信号重构方法 | |
CN104811664B (zh) | 矿井视频图像压缩与传输方法 | |
CN104217448B (zh) | 基于迭代特征修正的磁共振快速成像方法及*** | |
WO2007100955A8 (en) | Local motion compensation based on list mode data | |
CN102123278A (zh) | 基于分布式压缩感知技术的信源编码的方法 | |
CN114119444A (zh) | 一种基于深度神经网络的多源遥感图像融合方法 | |
CN103473797B (zh) | 基于压缩感知采样数据修正的空域可缩小图像重构方法 | |
CN103473744B (zh) | 基于变权重式压缩感知采样的空域可缩小图像重构方法 | |
CN105427264A (zh) | 一种基于群稀疏系数估计的图像重构方法 | |
CN102393955A (zh) | 用于图像复原的全信息非局部约束全变分方法 | |
US8219360B2 (en) | Method for reconstructing sparse signals from sign measurements using greedy search | |
CN103310486B (zh) | 大气湍流退化图像重建方法 | |
CN105338219B (zh) | 视频图像去噪处理方法和装置 | |
CN104766290B (zh) | 一种基于快速nsct的像素信息估计融合方法 | |
CN104778660A (zh) | 一种结合支撑集和残差补偿的图像序列递归重建方法 | |
US20210049791A1 (en) | Method and apparatus for reconstructing a signal captured by a snapshot compressive sensing system | |
CN113240581A (zh) | 一种针对未知模糊核的真实世界图像超分辨率方法 | |
CN105068071B (zh) | 一种基于反投影算子的快速成像方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150715 |