基于脊波冗余字典和多目標(biāo)遺傳優(yōu)化的壓縮感知圖像重構(gòu).pdf

1、壓縮感知（Compressed Sensing，CS）理論開創(chuàng)了新的信號處理模式，實現(xiàn)信號采樣和數(shù)據(jù)壓縮的結(jié)合，即在信號采樣的同時進(jìn)行了數(shù)據(jù)壓縮。以遠(yuǎn)低于奈奎斯特采樣率對信號進(jìn)行采樣，這樣既節(jié)省了資源和帶寬，又緩解了較高的帶寬給信號采集設(shè)備帶來的壓力。在這種新的信號處理模式下，信號的重構(gòu)質(zhì)量與觀測矩陣、稀疏表示和重構(gòu)算法息息相關(guān)。
　　目前已提出的基于過完備字典和進(jìn)化計算的非凸壓縮感知圖像重構(gòu)算法，在固定的稀疏度下，利用進(jìn)化計算的

2、方法學(xué)習(xí)得到過完備字典的最優(yōu)原子組合，最后使用該最優(yōu)原子組合來重構(gòu)圖像。但是，這一類算法都需要預(yù)先知道稀疏度；而事實上，一個真實信號的稀疏度一般情況下是未知的。因而，該類算法存在由于稀疏度預(yù)估不準(zhǔn)確而導(dǎo)致圖像重構(gòu)效果不佳的問題。針對上述問題，本文提出了一種基于脊波冗余字典和多目標(biāo)遺傳優(yōu)化的壓縮感知圖像重構(gòu)方法。本文的主要工作如下：
　　在基于過完備字典和圖像分塊策略的非凸壓縮感知框架下，將稀疏度與原子組合作為兩個優(yōu)化目標(biāo)，同時進(jìn)行

3、優(yōu)化。利用從圖像塊的壓縮觀測中對圖像塊結(jié)構(gòu)估計的重構(gòu)模型，將要重構(gòu)的圖像塊分為：光滑圖像塊、單方向圖像塊和多方向圖像塊。在構(gòu)造基于多目標(biāo)遺傳優(yōu)化的非凸壓縮感知圖像重構(gòu)算法時，設(shè)計了以稀疏度和原子組合為兩目標(biāo)的變長編碼；針對該兩目標(biāo)的變長編碼，分別提出了基于不同基因位置變長編碼的交叉操作、基于先驗信息的新個體插入操作和多點變異等多目標(biāo)進(jìn)化操作。
　　為了減少了重構(gòu)所需要的時間，本文對不同結(jié)構(gòu)類型的圖像塊按其觀測向量進(jìn)行聚類，使得對每