基于压缩感知的图像重建算法研究

基于压缩感知的高光谱图像复原研究

一、引言

高光谱图像是一种具有高度光谱分辨率的图像。它可以捕捉大量的地物信息和地表材料的光谱特征，因此广泛用于计算机视觉、遥感与地图制图和分析、以及植被监测等领域。然而，高光谱图像具有数据量大、存储占用空间大、处理时间长等问题，对高光谱图像进行有效地压缩和复原是当前亟待解决的问题。

压缩感知是一种新兴的图像压缩与复原方法，采用稀疏表示的思想，有效地压缩和恢复了高光谱图像。本文针对高光谱图像复原的问题进行了研究，重点介绍了基于压缩感知的高光谱图像复原方法及其应用。

二、高光谱图像复原的挑战性问题

高光谱图像复原是一个具有挑战性的问题，主要表现在以下方面：

1.降低光谱分辨率会导致信息损失，极大影响光谱特征的提取;

2.高光谱图像具有大量数据，传统的处理方法无法处理如此大量的数据;

3.光谱带之间的相关性不易被捕捉，传统压缩方法无法充分利用光谱间的信息之间的这一相关性。 三、高光谱图像压缩感知的原理

压缩感知将信号表示为较低维度的系数向量，即使信号具有高维度，也可以实现有效的压缩和恢复。其主要思想是利用信号的稀疏性，用较少的采样方式采样信号，然后通过压缩感知算法重建出完整的信号。

高光谱图像的压缩感知可以分为两个阶段：稀疏表示和压缩感知恢复。其中，稀疏表示是将原始高光谱图像表示为较少的系数向量，从而保留了大量的信息；压缩感知恢复是基于稀疏表示重构图像，从而恢复原始高光谱图像。

四、基于压缩感知的高光谱图像复原方法

基于压缩感知的高光谱图像复原方法包括以下关键步骤：

1.信号稀疏表示

高光谱图像的稀疏表示可以通过离散余弦变换（DCT）或小波变换来实现。这里以小波变换为例，将图像变换到小波域，从而得到其小波系数。然后，通过选取小波系数中几个重要的系数，可以得到高光谱图像的稀疏表示。

2.测量 测量通常使用局部随机矩阵和正交匹配追踪（OMP）算法。这里，采用OMP算法获得测量矩阵，从而可以减少数据采样，同时在保证稀疏性的同时保留足够的信息。

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）

第39卷第1期2017年2月探测与控制学报Journal of Detection & ControlVol. 39 No. 1Feb. 2017

基于压缩感知算法的图像压缩保密方法宫丽美〃，张旻〃，王方超〃(1.解放军电子工程学院，安徽合肥230037; 2•安徽省电子制约技术重点实验室，安徽合肥230037)主商要：针对目前加密方法经压缩后对图像进行加密处理，存在处理效率低、安全性低、算法复杂度高等缺点， 提出基于压缩感知算法的图像压缩保密方法。该方法首先对图像进行分块，并分析了分块后的像素置乱加密 效果,其次构造了压缩感知观测过程的加密模型，并论证了该模型具有计算保密性，最后通过图像分块的保密 性分析和观测矩阵的保密性分析，证实压缩感知算法在压缩时也具有良好加密效果。实验结果表明，该方法鲁 棒性强，易于实现，具有一定的工程应用价值。关键词：压缩感知；图像加密;分块处理;观测矩阵中图分类号:TP751 文献标识码:A 文章编号= 1008-1194(2017)01-0106-05Image Compression Confidentiality Based on Compression Sensing AlgorithmGONG Limei1’2，ZHANG Min1’2，WANG Fangchao1’2(1. Electronic Engineering Institute, Hefei 230037,China； 2. Key Laboratory Electronic Restricting Technique, Hefei 230037, China； 3. State Key Laboratory of Pulsed Power Laser Technology, Hefei 230037? China) Abstract ： This paper studied several factors influencing the secrecy perception of the image compression based on compression sensing algorithm. Aiming at these problems, the confidentiality of image compression method based on compression sensing algorithm was proposed. First of all, the paper analyzed the image block process­ing could achieve pixel scrambling, and then build a encryption model about the compressed sensing observation process, at the same time, it was proved that the model although could not achieve perfect secrecy, but the cal­culating secrecy could not be achieved. The experiment results showed that this method had strong robustness and easy to implement for the further engineering applicationKey words ： compressed sensing； image encryption； block processing； the observation matrix

基于压缩感知的图像传输算法研究

随着科技的不断进步，现代人们的生活方式也越来越数字化。无论是在工作、学习、娱乐等方面，人们都离不开数字图像的应用。数字图像是指经过数字化处理后生成的图片，其在互联网、多媒体设备、无人驾驶系统、医学影像等领域都有着广泛的应用。而数字图像的传输也成为了一个重要的问题，因为在传输过程中经常会遭受到各种噪声、干扰，进而影响图像质量。针对这个问题，学者们发展出了基于压缩感知的图像传输算法，下面我将详细介绍这个算法及其原理。

一、压缩感知技术简介

压缩感知是一种新的信号采集与表示技术，它是在低采样率下获得高维信号的有效方式。最初，压缩感知技术的应用主要是在语音信号、信号采样、图像压缩、视频编码等领域，后来，它被广泛用于图像处理、机器学习等领域。压缩感知技术的核心思想是，通过数学转换将信号在某个特定的、低维的表示空间中表示，从而实现信号的压缩和重构。压缩感知技术的主要优点是使用较少的传感器或测量量即可获得高维信号，进而简化系统复杂度、节省系统成本、提高系统性能。

二、基于压缩感知的图像传输算法原理

基于压缩感知的图像传输算法是将图像数据分成不同的块，然后在每个块内部通过压缩感知算法压缩数据，最后将压缩后的数据传输到目标地点进行解压缩和重构，得到完整的图像。该算法的流程如下：

1. 将原始图像划分成不同的块，每个块的大小需要根据图像内容进行调整。

2. 对每个块内的数据进行稀疏表示，其中使用的是让大部分信号系数归零的奇异值分解算法。

3. 将表示有稀疏信号和随机矩阵的图像数据进行扩展，得到可传输的数据。

4. 将扩展后的数据通过无线或有线方式传输到目标地点。 5. 在接收端，将传输数据解码并压缩重构，从而得到原始图像。

压缩感知算法的优点是能够通过更少的数据传输来重建原始图像，降低传输负荷，减小传输延迟。同时，该算法还能够抵抗部分丢失或损坏的数据，提高传输的可靠性和容错性。因此，压缩感知算法近年来逐渐成为图像传输领域的研究热点。