当前位置：文档库 › 基于压缩感知的图像自适应子空间追踪算法

基于压缩感知的图像自适应子空间追踪算法

Cοmputer Engineering and Applicatiοns 计算机工程与应用

2016，52（3）1引言压缩感知（Compressive Sensing ，CS ）[1-4]，自2006年被Candes 等人提出来之后，被广泛应用于应用数学、计算机科学和电子工程等各个领域。由于CS 理论不需要较高的采样频率，在图像处理和传输中也得到了广泛应用。CS 理论有3个关键问题[5]：稀疏表示、压缩观测和优化重构。其中，信号重构直观地展现了压缩感知的应用效果，是其最关键的部分。在重构算法中，应用最广泛的是贪婪迭代算法，包

括正交匹配追踪[6]及其改进算法：分段正交匹配追踪[7]，子空间追踪（Subspace Pursuit ，SP ）[8]和压缩采样匹配追踪[9]等。这些算法都需要已知稀疏度的信息，为解决这一问题，稀疏自适应匹配追踪算法（Sparsity Adaptive Matching Pursuit ，SAMP ）[10]被提出来。SAMP 依据步长信息逐步扩充支撑集，自适应地完

成压缩感知中的信号重构。选取的步长越小，重构的精度越高，但同时也会导致重构过程更加繁琐。为此，本文提出了改进的基于压缩感知的图像自适应子空间追踪算法，利用分段的思想，对稀疏度由大变小进行估计，满足条件后再逐一增加，如此，在图像处理过程中，既保证了稀疏度求解的理论证明，同时又缩短了运行时间，且能精确重构目标信号。

2CS 模型及问题描述

在CS 理论模型中，并不是对信号本身进行操作，而是将信号投影到一个合适的观测矩阵上来得到观测向量，再利用观测向量对原信号进行重构。

压缩感知可表述如下：如果离散信号x (N ×1)，投影基于压缩感知的图像自适应子空间追踪算法

吕伟杰，陈霞，刘红珍

LV Weijie,CHEN Xia,LIU Hongzhen

天津大学电气与自动化工程学院，天津300072

School of Electrical and Automation,Tianjin University,Tianjin 300072,China

LV Weijie,CHEN Xia,LIU Hongzhen.Image adaptive subspace pursuit algorithm based on compressive https://www.wendangku.net/doc/6f12478856.html,puter Engineering and Applications,2016,52（3）：220-223.

Abstract ：The Sparsity Adaptive Matching Pursuit （SAMP ）algorithm has a large range of application in compressive sensing,but it runs slowly and the performance of recovery is not https://www.wendangku.net/doc/6f12478856.html,pared with SAMP,a novel adaptive subspace pursuit algorithm is presented,which uses the idea of stage,evaluates the sparsity of the original signal step by step,and then with the information of sparsity,recovers the original signal using the subspace pursuit algorithm.The experiments demonstrate that the new algorithm not only improves the performance of the recovery,and saves the operating time com-pared with SAMP,but also solves the problem of unknown sparsity K in SP.

Key words ：compressive sensing;signal recovery;adaptive;subspace pursuit

摘要：针对稀疏自适应匹配追踪（SAMP ）算法中存在的运行速度慢、重建效果欠佳的问题，提出了一种新的自适应的子空间追踪算法（MASP ）。采用SAMP 算法中分段的思想，先对半减小预估稀疏度，再逐一增加，得到真实稀疏度后，再利用子空间追踪算法对原始信号进行重构。实验表明，相比于SAMP 算法，该算法在相同观测数量的情况下，具有较快的运行时间和较好的重建效果，其中，在重构信噪比方面平均提高8.2%。

关键词：压缩感知；信号重构；自适应；子空间追踪

文献标志码：A 中图分类号：TN911.72doi ：10.3778/j.issn.1002-8331.1402-0176

作者简介：吕伟杰（1975—），女，博士，副教授，研究领域为网络控制系统，小波网络，多模型控制理论，嵌入式系统，现场总线，压缩

感知；陈霞（1989—），女，硕士研究生，研究领域为压缩感知，E-mail ：chenxiaqufu@https://www.wendangku.net/doc/6f12478856.html, ；刘红珍（1988—），女，硕士

研究生，研究领域为压缩感知。

收稿日期：2014-02-19修回日期：2014-04-17文章编号：1002-8331（2016）03-0220-04

CNKI 网络优先出版：2014-06-18,https://www.wendangku.net/doc/6f12478856.html,/kcms/doi/10.3778/j.issn.1002-8331.1402-0176.html

220

压缩感知简介

2011.No31 0 3.2 熟悉结构施工图结构施工图是关于承重构件的布置,使用的材料、形状、大小及内部构造的工程图样,是承重构件以及其他受力构件施工的依据。看结构施工图最难的就是钢筋，要把结施图看懂就要知道钢筋的分布情况，现在都是在使用平法来标示钢筋，所以也要把平法弄懂才行。在识读与熟悉结施图的过程中应该充分结合钢筋平法表示的系列图集，搞清楚： a 各结构构件的钢筋的品种，规格，以及受力钢筋在各构件的布置情况。 b 箍筋与纵向受力钢筋的位置关系。 c 各个构件纵向钢筋以及箍筋弯钩的角度及其长度。 d 熟悉各构件节点的钢筋的锚固长度。 e 熟悉各个构件钢筋的连接方式。 f 熟悉在钢筋的搭接区域内，钢筋的搭接长度。 g 核算钢筋的间距是否满足施工要求，尤其是各个构件节点处的钢筋间距。 h 弯起钢筋的弯折角度以及离连接点的距离。除此以外，对于钢筋混凝土构件，还应该熟悉各个构件的砼保护层厚度，各个构件的尺寸大小、布置位置等。特别注意的是对于结施图的阅读应充分结合建施图进行。 4 结束语在熟悉施工图纸的过程中，施工技术人员对于施工图纸中的疑问，和比较好的建议应该做好记录，为后续工作（图纸自审和会审）做好准备。参考文献 [1]《建筑识图》周坚主编中国电力出版社 2007年；[2]《建筑工程项目管理》银花主编机械工业出版社 2010年；摘要压缩感知（Compressive Sensing, CS）理论是一个充分利用信号稀疏性或可压缩性的全新信号采集、编解码理论。本文系一文献综述，主要介绍了压缩感知的三部分即信号的稀疏表示、测量矩阵的设计、信号恢复算法的设计。关键词压缩感知稀疏表示测量矩阵信号恢复算法 1 引言 1928年由美国电信工程师H.奈奎斯特（Nyquist）首先提出，1948年信息论的创始人C.E.香农（Shannon）又对其加以明确说明并正式作为定理引用的奈奎斯特采样定理，是采样带限信号过程所遵循的规律。它指出：在进行模拟/数字信号的转换过程中，当采样频率fs.max大于信号中最高频率fmax的2倍时(fs.max>=2fmax)，采样之后的数字信号完整地保留了原始信号中的信息。一般实际应用中保证采样频率为信号最高频率的5～10倍。该理论支配着几乎所有的信号/图像等的获取、处理、存储、传输等。随着科技的发展，成为目前信息领域进一步发展的主要瓶颈之一，主要表现在两个方面： (1)数据获取和处理方面。在许多实际应用中(例如超宽带信号处理、核磁共振、空间探测等），Nyquist采样硬件成本昂贵、获取效率低下，信息冗余及有效信息提取的效率低下，在某些情况甚至无法实现。 (2)数据存储和传输方面。通常的做法是先按照Nyquist方式获取数据，然后将获得的数据进行压缩，最后将压缩后的数据进行存储或传输，这样会造成很大程度的资源浪费。另外，为保证信息的安全传输，通常以某种方式对信号进行编码，这给信息的安全传输和接收带来一定程度的麻烦。近年来，由D .D o n o h o (美国科学院院士)、E . Candes(Ridgelet， Curvelet创始人)及华裔科学家T. Tao(2006年菲尔兹奖获得者，2008年被评为世界上最聪明的科学家)等人提出了一种新的信息获取指导理论，即压缩感知（Compressive Sensing(CS)，或称Compressed Sensing、Compressed Sampling）。该理论指出：对可压缩的信号通过远低于Nyquist标准的方式进行数据采样，仍能够精确地恢复出原压缩感知简介刘太明1 黄虎2 （1、成都理工大学,四川成都,610059;2、成都理工大学,四川成都,610059）始信号。该理论一提出，就在信息论、信号/图像处理、医疗成像、模式识别、地质勘探、光学/雷达成像、无线通信等领域受到高度关注，并被美国科技评论评为2007年度十大科技进展。 2 CS基本原理信号x∈R n×1压缩传感的测量过程可以表示为y=Ax∈R M×1,M<

压缩感知的重构算法

压缩感知的重构算法算法的重构是压缩感知中重要的一步，是压缩感知的关键之处。因为重构算法关系着信号能否精确重建，国内外的研究学者致力于压缩感知的信号重建，并且取得了很大的进展，提出了很多的重构算法，每种算法都各有自己的优缺点，使用者可以根据自己的情况，选择适合自己的重构算法，大大增加了使用的灵活性，也为我们以后的研究提供了很大的方便。压缩感知的重构算法主要分为三大类： 1.组合算法 2.贪婪算法 3.凸松弛算法每种算法之中又包含几种算法，下面就把三类重构算法列举出来。组合算法：先是对信号进行结构采样，然后再通过对采样的数据进行分组测试，最后完成信号的重构。 (1) 傅里叶采样（Fourier Representaion） (2) 链式追踪算法（Chaining Pursuit） (3) HHS追踪算法（Heavy Hitters On Steroids）贪婪算法：通过贪婪迭代的方式逐步逼近信号。 (1) 匹配追踪算法（Matching Pursuit MP） (2) 正交匹配追踪算法（Orthogonal Matching Pursuit OMP） (3) 分段正交匹配追踪算法（Stagewise Orthogonal Matching Pursuit StOMP）

(4) 正则化正交匹配追踪算法（Regularized Orthogonal Matching Pursuit ROMP） (5) 稀疏自适应匹配追踪算法（Sparisty Adaptive Matching Pursuit SAMP）凸松弛算法： (1) 基追踪算法（Basis Pursuit BP） (2) 最小全变差算法（Total Variation TV） (3) 内点法（Interior-point Method） (4) 梯度投影算法（Gradient Projection） (5) 凸集交替投影算法（Projections Onto Convex Sets POCS）算法较多，但是并不是每一种算法都能够得到很好的应用，三类算法各有优缺点，组合算法需要观测的样本数目比较多但运算的效率最高，凸松弛算法计算量大但是需要观测的数量少重构的时候精度高，贪婪迭代算法对计算量和精度的要求居中，也是三种重构算法中应用最大的一种。下面分别就贪婪算法中的MP，OMP算法以及凸松弛算法中的BP算法进行详细的介绍。三种重建算法本节主要是介绍一些基本的重建算法，比如贪婪迭代算法中的匹配追踪算法，正交匹配追踪算法，以及凸松弛算法中的基追踪算法，对其原理进行了介绍，并用matlab代码重构出来一维和二维的图形，进而比较这几种算法的性能。

陆吾生-压缩感知方法及其在稀疏信号和图像处理中的应用

陆吾生教授短期课程“压缩感知方法及其在稀疏信号和图像处理中的应用”资料 1. 课程介绍_压缩感知方法及其在稀疏信号和图像处理中的应用.doc 2. 陆吾生教授短期课程“压缩感知方法及其在稀疏信号和图像处理中的应用”的讲义 Lecture_Notes_CS_LWS_Final.pdf 3. 各章所涉及到的Matlab程序 Main functions Main functions.zip（内含 ex3_1.m (for Example 3.1) ex3_2.m (for Example 3.2) gp_denoise.m (for Algorithm GP in Sec.3.2) fgp_denoise.m (for Algorithm FGP in Sec.3.2) gp_deblurr.m (for Algorithm GPB in Sec.3.3) ) Auxiliary functions Auxiliary functions.zip（内含gen_dct.m oper_L.m oper_Lt.m proj_bound.m proj_pair.m gp_denoise_w.m） Data Data.zip（内含camera256.mat 及 lena256.mat）

4. 陆吾生“压缩感知方法及其在稀疏信号和图像处理中的应用”课程（1A-6B）上课录像 Lecture_LWS_1A.rmvb 2010.11.09.(220M) Lecture_LWS_1B.rmvb 2010.11.09.(231M) Lecture_LWS_2A.rmvb 2010.11.11.(252M) Lecture_LWS_2B.rmvb 2010.11.11.(193M) Lecture_LWS_3A.rmvb 2010.11.12.(225M) Lecture_LWS_3B.rmvb 2010.11.12.(200M) Lecture_LWS_4A.rmvb 2010.11.16.(239M) Lecture_LWS_4B.rmvb 2010.11.16.(169M) Lecture_LWS_5A.rmvb 2010.11.18.(239M) Lecture_LWS_5B.rmvb 2010.11.18.(226M) Lecture_LWS_6A.rmvb 2010.11.19.(256M) Lecture_LWS_6B.rmvb 2010.11.19.(224M) 5. 陆吾生教授2010.11.17.在上海大学所做的学术报告，题为：

数字图像处理实验5 图像压缩

实验5 图像压缩一．实验目的： 1．掌握图像压缩的原理——编码冗余，压缩比C R的计算等。 2．了解并掌握霍夫曼编码的原理、实现步骤。 3．掌握JPEG标准——通用的图像压缩/解压缩编码标准。二．实验内容： 1．利用已给出的MATLAB自编函数库matlab_function文件夹，实现压缩比的计算。 2．对信号源符进行霍夫曼编码，以消除信源的冗余数据。 3．练习JPEG标准的压缩/解压缩技术。三．实验原理： 1．图像压缩比C R的计算函数imratio(f1, f2)，计算图像压缩比C R，该函数来自MATLAB自编函数库matlab_function文件夹，语法如下： imratio(imread(‘filename’), ‘filename.jpg’) //第二个参数‘filename.jpg’仅是文件名，实际上是一个结构，内含压缩 //后的各种压缩信息，并不代表图像本身 >>f = imread(‘E:\医学图像处理实验讲义\实验五\car_lady.jpg’) >>imfinfo E:\医学图像处理实验讲义\实验五\car_lady.jpg //查看图像文件的详细信息 >>imwrite(f, ‘car_lady25.jpg’, ‘quality’, 25) //将压缩后的图像存到MATLAB默认路径中 >>imfinfo car_lady25.jpg //可依据图像信息计算出压缩率 >>f25 = imread(‘car_lady25.jpg’) >>Cr = imratio (f25, ‘car_lady25.jpg’) 2．霍夫曼编码符号概率 a1 0.1875 a2 0.5 a3 0.125 a4 0.1875 函数huffman(p)进行霍夫曼编码，语法： huffman(p) //p为向量符号 >>p = [0.1875 0.5 0.125 0.1875] >>c = huffman(p)

压缩感知理论综述(原创)

压缩感知理论综述摘要：信号采样是模拟的物理世界通向数字的信息世界之必备手段。多年来，指导信号采样的理论基础一直是著名的Nyquist采样定理，但其产生的大量数据造成了存储空间的浪费。压缩感知（Compressed Sensing）提出一种新的采样理论，它能够以远低于Nyquist采样速率采样信号。本文详述了压缩感知的基本理论，着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展，并介绍了压缩感知的应用及仿真，举例说明基于压缩感知理论的编解码理论在一维信号、二维图像处理上的应用。关键词：压缩感知；稀疏表示；观测矩阵；编码；解码一、引言 Nyquist采样定理指出，采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。可见，带宽是Nyquist采样定理对采样的本质要求。然而随着人们对信息需求量的增加，携带信息的信号带宽越来越宽，以此为基础的信号处理框架要求的采样速率和处理速度也越来越高。解决这些压力常见的方案是信号压缩。但是，信号压缩实际上是一种资源浪费，因为大量的不重要的或者只是冗余信息在压缩过程中被丢弃。从这个意义而言，我们得到以下结论：带宽不能本质地表达信号的信息，基于信号带宽的Nyquist采样机制是冗余的或者说是非信息的。于是很自然地引出一个问题：能否利用其它变换空间描述信号，建立新的信号描述和处理的理论框架，使得在保证信息不损失的情况下，用远低于Nyquist 采样定理要求的速率采样信号，同时又可以完全恢复信号。与信号带宽相比，稀疏性能够直观地而且相对本质地表达信号的信息。事实上，稀疏性在现代信号处理领域起着至关重要的作用。近年来基于信号稀疏性提出一种称为压缩感知或压缩采样的新兴采样理论，成功实现了信号的同时采样与压缩。简单地说，压缩感知理论指出：只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。在该理论框架

(完整版)数字图像处理复习整理

《数字图像处理》复习第一章绪论数字图像处理技术的基本内容：图像变换、图像增强、图象恢复、图像压缩编码、图像分割、图像特征提取（图像获取、表示与描述）、彩色图像处理和多光谱及高光谱图像处理、形态学图像处理第二章数字图像处理基础 2-1 电磁波谱与可见光 1.电磁波射波的成像方法及其应用领域：无线电波（1m-10km）可以产生磁共振成像，在医学诊断中可以产生病人身体的横截面图像☆微波（1mm-1m）用于雷达成像，在军事和电子侦察领域十分重要红外线（700nm-1mm）具有全天候的特点，不受天气和白天晚上的影响，在遥感、军事情报侦察和精确制导中广泛应用可见光（400nm-700nm）最便于人理解和应用最广泛的成像方式，卫星遥感、航空摄影、天气观测和预报等国民经济领域 ☆紫外线（10nm-400nm）具有显微镜方法成像等多种成像方式，在印刷技术、工业检测、激光、生物学图像及天文观测 X射线（1nm-10nm）应用于获取病人胸部图像和血管造影照片等医学诊断、电路板缺陷检测等工业应用和天文学星系成像等伽马射线（0.001nm-1nm）主要应用于天文观测 2-2 人眼的亮度视觉特征 2.亮度分辨力——韦伯比△I/I（I—光强△I—光照增量），韦伯比小意味着亮度值发生较小变化就能被人眼分辨出来，也就是说较小的韦伯比代表了较好的亮度分辨力 2-3 图像的表示 3.黑白图像：是指图像的每个像素只能是黑或白，没有中间的过渡，一般又称为二值图像（黑白图像一定是二值图像，二值图像不一定是黑白图像）灰度图像：是指图像中每个像素的信息是一个量化了的灰度级的值，没有彩色信息。彩色图像：彩色图像一般是指每个像素的信息由R、G、B三原色构成的图像，其中的R、 B、G是由不同的灰度级来描述的。 4.灰度级L、位深度k L=2^k 5.储存一幅M×N的数字图像所需的比特 b=M×N×k 例如，对于一幅600×800的256灰度级图像，就需要480KB的储存空间（1KB=1024Byte 1Byte=8bit） 2-4 空间分辨率和灰度级分辨率 6.空间分辨率是图像中可分辨的最小细节，主要由采样间隔值决定，反映了数字化后图像的实际分辨率。一种常用的空间分辨率的定义是单位距离内可分辨的最少黑白线对数目(单位是每毫米线对数)，比如每毫米80线对。对于一个同样大小的景物来说，对其进行采样的空间分辨率越高，采样间隔就越小，图片的质量就越高。 7.灰度级分辨率是指在灰度级别中可分辨的最小变化，通常把灰度级级数L称为图像的灰度级分辨率（灰度级通常是2的整数次幂） 8.在图像空间分辨率不变的情况下，采样数越少，图像越小。同时也证实了，在景物大小不变的情况下，图像阵列M×N越小，图像的尺寸就越小；随着空间分辨率的降低，图像大小尺寸不变，图像中的细节信息在逐渐损失，棋盘格似的粗颗粒像素点变得越来越明显。由此也说明，图像的空间分辨率越低，图像的视觉效果越差；

基于压缩感知的图像重构模型的设计

基于压缩感知的图像重构模型的设计压缩感知打破了传统的奈奎斯特采样定律，可以用远小于奈奎斯特采样定律所要求的采样率从较少的测量值中高精度的重构出原始信号。文章利用MATLAB GUI对基于压缩感知理论的图像压缩重构模型进行设计，该模型界面友好，操作简单方便。标签：压缩感知；小波变换；图像重构；模型设计引言压缩感知理论为信号采集带来了革命性的突破，在信号具有可压缩性或稀疏性的前提下，压缩感知理论能以远低于奈奎斯特频率的采样率对信号进行采样，通过数值最优化准确重构原始信号[1-4]。压缩感知理论是编解码思想的一个突破，减轻了信号采样、传输和存储遇到的巨大压力，是一种信息获取及处理的全新的理论框架。本文将利用MATLAB GUI进行基于压缩感知理论的图像重构模型的设计，使模型使用者方便操作界面。MATLAB是Math Works公司用C语言开发的集编程、数据结构和图形用户界面于一身的广泛被大家使用并具备矩阵及科学计算功能的一款较完备的软件，在该软件平台下进行的仿真以及系统模型的设计，在界面和性能上面远远超过很多软件，其专业性更是使其在很多领域有广泛的应用，其中能快速的利用图形用户界面（GUI）方式进行程序设计，这给设计者带来了极大的便利[5]。 1 基于小波变换的压缩感知本节通过对原始图像采用小波变换，从而获得稀疏的小波系数矩阵，并利用高斯随机测量矩阵对稀疏变换后的小波系数进行测量，得到M个测量值，再通过OMP算法重构小波变换域下的稀疏矩阵，最后通过稀疏逆变换就可以得到重构后的图像。本节选取大小为256×256的图像X，采样率为0.5对图像进行变化重构。本文实验仿真所得的PSNR值均经过10次仿真测量求平均值所得。 2 模型设计的主要步骤根据上述基于小波变换的压缩感知进行模型设计[6]，主要步骤包括：（1）根据需求制定模型的重点功能，继而根据功能设计各个功能子模块。（2）根据初始需求以及大致目标设计出最原始的软件界

几种压缩感知算法

.1压缩感知部分压缩感知算法主要可分为三类：贪婪迭代算法、凸凸优化（或最优化逼近方法）和基于贝叶斯框架提出的重构算法。由于第三类方法注重信号的时间相关性，不适合图像处理问题，故目前的研究成果主要集中在前两类中。目前已实现6中算法，分别为正交匹配追踪法（）、迭代硬阈值法（）、分段正交匹配追踪法（）、分段弱正交匹配追踪法（）、广义正交匹配追踪（）、基追踪法（）。 1.1 正交匹配追踪法（）在正交匹配追踪中，残差是总与已经选择过的原子正交的。这意味着一个原子不会被选择两次，结果会在有限的几步收敛。的算法如下 (1)用x表示你的信号，初始化残差e0； (2)选择与e0内积绝对值最大的原子，表示为φ1； (3)将选择的原子作为列组成矩阵Φt，定义Φt列空间的正交投影算子为通过从e0减去其在Φt所张成空间上的正交投影得到残差e1； (4)对残差迭代执行(2)、(3)步；其中I为单位阵。需要注意的是在迭代过程中Φt为所有被选择过的原子组成的矩阵，因此每次都是不同的，所以由它生成的正交投影算子矩阵P每次都是不同的。 (5)直到达到某个指定的停止准则后停止算法。减去的是在所有被选择过的原子组成的矩阵Φt所张成空间上的正交投影，而减去的是在本次被选择的原子φm所张成空间上的正交投影。经算法重构后的结果如下所示：算法的使用时间如下：

1.2 迭代硬阈值法（）目标函数为这里中的M应该指的是，S应该指的是。这里要求：之后我们利用式对目标函数进行变形。接着便是获得极值点：利用该式进行迭代可以得到极值点，我们需要的是最小值。此时目标函数的最小值就得到了。此时便得到我们需要的公式：我们要保证向量y的稀疏度不大于M，即，为了达到这一目标，要保留最大的M项（因为是平方，所以要取绝对值），剩余的置零（注意这里有个负号，所以要保留最大的M项）。算法结果：

数字图像处理图像压缩

实验报告实验名称实验二图像压缩课程名称数字图像处理A 姓名成绩班级学号日期地点 1.实验目的（1）掌握离散余弦变换DCT的实现方法，了解DCT的幅度分布特性，从而加深对DCT

变换的认识；（2）掌握图像DCT 变换编码的实现方法，从而加深对变换编码压缩图像原理的理解；（3）使用DCT 变换编码编写程序实现图像压缩； 2.实验环境（软件条件） Windws2000/XP MATLAB 7.0 3.实验方法根据如图2.1所示的典型变换编码系统，采用DCT 变换对256×256大小、256级灰度的数字图像lena.bmp （如图2.2所示）进行如下处理：（1）对图像进行8×8分块处理并作DCT 变换，观察图像8×8子块的DCT 系数的分布，并分析其特点；（2）对DCT 系数进行量化及反量化处理，求反量化系数的逆DCT 变换，重新显示重建图像、误差图像和误差图像的直方图；（3）将量化步长分别增大为初始值的2倍、4倍、8倍后再进行DCT 变换编码，显示不同量化步长条件下的重建图像、误差图像以及误差图像的直方图。分析重建图像质量和量化步长的关系。 4.实验分析结果图图2.1 典型变换编码系统图2.2 实验图像 lena.bmp

对经DCT 变化后的图像进行量化反量化的图像 50 100 150 200 250 02000 4000 6000 量化步长增加为2倍

对经DCT 变化后的图像进行量化反量化的图像 50 100 150 200 250 02000 4000 量化步长增为4倍

原图像经dct 变化的图像对经DCT 变化后的图像进行量化反量化的图像 50 100 150 200 250 02000 4000 量化步长增为8倍

基于MATLAB的图像压缩感知算法的实现毕业设计说明书

毕业设计（论文）课题名称基于MATLAB的图像压缩感知算法的实现

目录目录......................................................... I 第1章绪论.. (1) 1.1 研究背景和意义 (1) 1.2 数据压缩技术 (2) 1.2.1 传统数据压缩技术 (2) 1.2.2 压缩感知理论（Compressed/Compressive Sensing/Sampling, CS） (3) 1.3 无线传感器网络 (6) 1.3.1 无线传感器网络概述 (6) 1.3.2 无线传感器网络数据压缩的必要性 (7) 1.4 本文主要工作和内容安排 (8) 第2章压缩感知理论 (9) 2.1压缩感知的前提条件—稀疏性和不相干性 (10) 2.2 三个关键技术 (13) 2.3信号的稀疏表示 (13) 2.4 观测矩阵设计 (15) 2.5 稀疏信号的重构 (17) 2.6 重构算法 (18) 2.7 压缩感知优势及不足 (20) 2.8 压缩感知在传感网中的观测方式 (21) 第3章压缩感知理论应用概述 (22) 3.1 压缩成像 (22) 3.2 模拟信息转换 (23) 3.3 生物传感 (23) 3.4 本章小结 (24)

第4章 CS在无线传感网中的应用 (24) 4.1 研究背景 (25) 4.1.1 基于感知数据相关性的压缩 (25) 4.1.2传统压缩重构方法 (25) 4.1.3 图像压缩重构质量的评价 (26) 4.2 压缩感知理论算法对一维信号的实现 (28) 4.2.1 CS用于WSN的优势 (28) 4.2.2 观测重构模型 (28) 4.2.2 正交匹配追踪算法（OMP） (29) 4.2.3 算法的实现及结果分析 (30) 4.3 压缩感知理论算法对二维图像重构的实现 (34) 4.3.1 基于小波变换的分块压缩感知理论 (34) 4.3.2 实现步骤 (35) 4.3.3 重构结果及分析 (38) 4.4 本章小结 (42) 第5章总结与展望 (42) 5.1 工作总结 (42) 5.2 后续展望 (43) 参考文献 (43) 致谢 (45) 附录 (46)

数字图像处理图像编码要点

数字图像处理上机实习报告（DIP4----DIP7）学生姓名：杜坤班级：071123 学号：20121003699 指导老师：傅华明

DIP-4 图像编码一．题目要求对图实施费诺-香农编码和解码，计算图像熵，平均码长和冗余度。二．算法设计 1.测试脚本的程序框图开始读入图像的数据为a 统计各个灰度值的概率将码字初始化编码根据编码的码字对图像数据进行输出解码将解码后的数据 data变行为8*8 计算图像的熵计算图像的平均码长编码的编码效率计算冗余度校对编码前后的数据结束 2.编码程序框图读入图像的直方图，将图像的灰度值按照概率大小排序，按照香农编码的规则编码。香农编码将概率由大到小，由上到下排成一排，然后分为两组。是将大的一组概率赋值为0，概率小的一组赋值为1，这是赋值的原则。然后依次的重复，直到每组只有一种输入元素为止。

3.解码程序框图三．实现代码 1.脚本文件 clear all load mat p = impr(a); %统计概率 code = FanoCodeInit(p); %Fano编码初始化

code = FanoEncoder(code);%Fano编码 outstream = FanoCodeStream(a,code); %输出 data = FanoDecoder(outstream,code);%解码 data = reshape(data,8,8); %恢复8*8的形状 data = data'; %转置 I = abs(p.*log2(p)); disp('图像的熵为：'); H = sum(I(:)) %计算熵 disp('图像的平局码长为：') B = FanoCodeLength(code); %求平均长度 disp('编码冗余度为：'); r = B/H - 1 %求冗余 disp('编码效率为：') e = H/B %求编码效率 if isequal(a,data) msgbox('解码后的数据和输入的数据完全吻合'); end 2.统计灰度的概率 function [p]= impr(f) %概率统计 [m,n] = size(f); graymax = max(f(:)); %找出灰度最大值，划定统计范围p = zeros(1,graymax + 1); for i = 1:m for j = 1:n x = f(i,j) + 1; p(x) = p(x) + 1; end end p = p/(m*n); End 3.码字的初始化 function [code] = FanoCodeInit(p) %FanoShano码字初始化 [m,n] = size(p); for i = 1:n code(i).gray = i - 1; code(i).p = p(i); code(i).str = ''; end

压缩感知原理

压缩感知原理(附程序) 1压缩感知引论传统方式下的信号处理，是按照奈奎斯特采样定理对信号进行采样，得到大量的采样数据，需要先获取整个信号再进行压缩，其压缩过程如图2.1。图2.1 传统的信号压缩过程在此过程中，大部分采样数据将会被抛弃，即高速采样后再压缩的过程浪费了大量的采样资源，这就极大地增加了存储和传输的代价。由于带宽的限制，许多信号只包含少量的重要频率的信息。所以大部分信号是稀疏的或是可压缩的，对于这种类型的信号，既然传统方法采样的多数数据会被抛弃，那么，为什么还要获取全部数据而不直接获取需要保留的数据呢？Candes和Donoho等人于2004年提出了压缩感知理论。该理论可以理解为将模拟数据节约地转换成压缩数字形式，避免了资源的浪费。即，在采样信号的同时就对数据进行适当的压缩，相当于在采样过程中寻找最少的系数来表示信号，并能用适当的重构算法从压缩数据中恢复出原始信号。压缩感知的主要目标是从少量的非适应线性测量中精确有效地重构信号。核心概念在于试图从原理上降低对一个信号进行测量的成本。压缩感知包含了许多重要的数学理论，具有广泛的应用前景，最近几年引起广泛的关注，得到了蓬勃的发展。 2压缩感知原理压缩感知，也被称为压缩传感或压缩采样，是一种利用稀疏的或可压缩的信号进行信号重构的技术。或者可以说是信号在采样的同时被压缩，从而在很大程度上降低了采样率。压缩感知跳过了采集N个样本这一步骤，直接获得压缩的信号的表示。CS理论利用到了许多自然信号在特定的基上具有紧凑的表示。即这些信号是“稀疏”的或“可压缩”的。由于这一特性，压缩感知理论的信号编解码框架和传统的压缩过程大不一样，主要包括信号的稀疏表示、编码测量和重构算法等三个方面。

数字图像处理_(整理后的试题)

一、单项选择题 1.一幅灰度级均匀分布的图象，其灰度范围在[0，255]，则该图象的信息量为：D A. 0 B.255 C.6 D.8 2.图象与灰度直方图间的对应关系是：B A.一一对应 B.多对一 C.一对多 D.都不对 3. 下列算法中属于图象锐化处理的是：C A.低通滤波 B.加权平均法 C.高通滤 D. 中值滤波 4.下列算法中属于点处理的是：B A.梯度锐化 B.二值化 C.傅立叶变换 D.中值滤波 5、计算机显示器主要采用哪一种彩色模型A A、RGB B、CMY 或CMYK C、HSI D、HSV 6. 下列算法中属于图象平滑处理的是：C A.梯度锐化 B.直方图均衡 C. 中值滤波 https://www.wendangku.net/doc/6f12478856.html,placian 增强 7.采用模板［-1 1］主要检测__C_方向的边缘。A.水平B.45° C.垂直D.135° 8.对一幅100 100 像元的图象，若每像元用８bit表示其灰度值，经霍夫曼编码后压缩图象的数据量为40000bit，则图象的压缩比为： A A.2:1 B.3:1 C.4:1 D.1:2 9.维纳滤波器通常用于 C A、去噪 B、减小图像动态范围 C、复原图像 D、平滑图像 10.图像灰度方差说明了图像哪一个属性。B A 平均灰度 B 图像对比度 C 图像整体亮度 D 图像细节 11、下列算法中属于局部处理的是：( D ) A.灰度线性变换 B.二值化 C.傅立叶变换 D.中值滤波 12、数字图像处理研究的内容不包括D。 A、图像数字化 B、图像增强 C、图像分割 D、数字图像存储 13、将灰度图像转换成二值图像的命令为C A．ind2gray B．ind2rgb C．im2bw D．ind2bw 14.像的形态学处理方法包括（ D ） A.图像增强 B.图像锐化 C 图像分割 D 腐蚀 15.一曲线的方向链码为12345，则曲线的长度为 D a.5 b.4 c.5.83 d.6.24 16.下列图象边缘检测算子中抗噪性能最好的是：B a.梯度算子 b.Prewitt 算子 c.Roberts 算子 d. Laplacian 算子 17.二值图象中分支点的连接数为：D a.0 b.1 c.2 d.3 二、填空题 1.图像锐化除了在空间域进行外，也可在频率域进行。 2.对于彩色图像，通常用以区别颜色的特性是色调、饱和度、亮度。 3.依据图像的保真度，图像压缩可分为无损压缩和有损压缩 4.存储一幅大小为1024×1024，256 个灰度级的图像，需要8M bit。 5、一个基本的数字图像处理系统由图像输入、图像存储、图像输出、图像通信、图像处理和分析5个模块组成。 6、低通滤波法是使高频成分受到抑制而让低频成分顺利通过，从而实现图像平滑。 7、一般来说，采样间距越大，图像数据量少，质量差；反之亦然。 8、多年来建立了许多纹理分析法，这些方法大体可分为统计分析法和结构分析法两大类。 9、直方图修正法包括直方图均衡和直方图规定化两种方法。 10、图像压缩系统是有编码器和解码器两个截然不同的结构块组成的。 13、数字图像处理，即用计算机对图像进行处理。

压缩感知重构算法之基追踪

压缩感知重构算法之基追踪（Basis Pursuit ，BP ）除匹配追踪类贪婪迭代算法之外，压缩感知重构算法另一大类就是凸优化算法或最优化逼近方法，这类方法通过将非凸问题转化为凸问题求解找到信号的逼近，其中最常用的方法就是基追踪(Basis Pursuit, BP)，该方法提出使用1l 范数替代0l 范数来解决最优化问题，以便使用线性规划方法来求解[1]。本篇我们就来讲解基追踪方法。理解基追踪方法需要一定的最优化知识基础，可参见最优化方法分类中的内容。 1、l1范数和l0范数最小化的等价问题在文献【2】的第4部分，较为详细的证明了1l 范数与0l 范数最小化在某条件下等价。证明过程是一个比较复杂的数学推导，这里尽量引用文献中的原文来说明。首先，在文献【2】的4.1节，给出了(P1)问题，并给出了(P1)的线性规划等价形式(LP)，这个等价关系后面再详叙。 4.1 The Case 1p = In the case 1p =, (1P ) is a convex optimization problem. Write it out in an equivalent form, with θ being the optimization variable: 11() min ||||.n P subject to y θ θθΦ= This can be formulated as a linear programming problem: let A be the n by 2m matrix []Φ-Φ. The linear program ()min1,0T n z LP z subject to Az y x =≥. has a solution *z , say, a vector in 2m which can be partitioned as ***[]z u v =; then ***u v θ=- solves 1()P . The reconstruction *1,?n x θ=ψ. This linear program is typically considered computationally tractable. In fact, this problem has been studied in the signal analysis literature under the name Basis Pursuit [7]; in that work, very large-scale underdetermined problems. 2、基追踪实现工具箱l1-MAGIC 若要谈基追踪方法的实现，就必须提到l1-MAGIC 工具箱（工具箱主页：https://www.wendangku.net/doc/6f12478856.html,/~justin/l1magic/），在工具箱主页有介绍：L1-MAGIC is a collection of MA TLAB routines for solving the convex optimization programs central to compressive sampling. The algorithms are based on standard interior-point methods, and are suitable for large-scale problems. 另外，该工具箱专门有一个说明文档《l1-magic: Recovery of Sparse Signals via Convex Programming 》，可以在工具箱主页下载。该工具箱一共解决了七个问题，其中第一个问题即是Basis Pursuit ： Min-1l with equality constraints. The problem 11()min ||||,P x subject to Ax b = also known as basis pursuit, finds the vector with smallest 1l norm 1||||:||i i x x = ∑ that explains the observations b . As the results in [4, 6] show, if a sufficiently sparse 0x exists such that 0Ax b = then 1()P will find it. When ,,x A b have real-valued entries, 1()P can be recast as an LP (this is discussed in detail in [10]).

基于压缩感知的图像重构技术研究

基于压缩感知的图像重构技术研究压缩感知理论表明，若信号在某变换域具有稀疏表示，且采样矩阵与稀疏矩阵不相关，则可从远低于信号维度的少量非自适应测量值中精确恢复原信号。目前，压缩感知理论已被广泛用于各类磁共振成像中，以便在不降低成像质量的情况下减少采样点数，提高系统扫描速度。本文即研究从亚采样的磁共振数据中，怎样快速而有效地恢复目标图像。主要研究内容包括：（1）为消除亚采样的磁共振成像重构时可能出现的过光滑（over-smoothed）和混叠伪影现象，将重构问题转化成含复合正则项的约束最小化问题，并提出一种高效的算法来求解。该算法首先利用Bregman迭代技术，将约束问题转化成一系列无约束问题。然后利用算子分裂技术，将各无约束问题分解成一个梯度问题和一个能使用修改的SBD（Splitting Bregman Denoising）算法来求解的复合正则项的去噪问题。最后再用加速方案对无约束问题的求解予以加速。本文将该算法称作BFSA （Bregman based Fast SBD Algorithm）。对非笛卡尔轨迹采样的重构，本文还提出了一种动态更新L的方法。实验结果表明，新算法能够获得比其他算法更好的重构质量。（2）为了克服现有动态磁共振成像重构速度较慢的问题，本文基于BFSA 算法框架，提出一种高效的动态磁共振成像重构算法ktBFSA。该算法利用SBD3D （Splitting Bregman Denoising for3D images）来求解含复合正则项的3D去噪问题。实验结果表明，ktBFSA在重构速度和重构质量上都有优势。（3）SENSE （Sensitivity encoding）是常用的并行磁共振成像技术，引入压缩感知后重构