圖像壓縮傳感中基于變換域和字典學習的稀疏表示研究.pdf

1、近年來提出的壓縮傳感理論顛覆了傳統(tǒng)的奈奎斯特理論,已成為信號處理領域研究的熱點,然而,相關的研究畢竟還處于初步階段,進一步探討如何提高壓縮傳感重構準確度,具有十分重要的意義。本文在深入學習壓縮傳感理論的基礎上,從其稀疏表示要求進行了相應研究,主要完成以下工作:
　　 (1)提出了在輪廓波變換域中,低頻部分進行線性采樣,高頻部分構成的塔式結構按行/列進行壓縮傳感,低頻線性采樣保留了重構圖像的大部分信息,高頻稀疏,用較少的壓縮傳感測

2、量即可很好的重構。實驗表明該改進算法的圖像貝葉斯壓縮傳感重構圖像主、客觀質量評價均得到提升。此外,指出進一步提高壓縮傳感重構準確度必須尋找更有效的稀疏表示矩陣。
　　 (2)提出了一種K-SVD的改進字典學習算法,將LARS算法用于字典學習的稀疏編碼階段,快速地獲取更加有效的稀疏表示;ASVD算法用于字典學習的字典更新階段,保證字典學習質量的同時加快學習過程的收斂;此外,通過在字典學習稀疏編碼階段用一個自適應稀疏約束停止準則,獲

3、取更加有效的稀疏表示矩陣,并進一步改善字典更新階段。實驗結果表明改進的字典學習算法相較于K-SVD算法,具有更加有效的圖像表示能力,用于壓縮傳感,獲得更有效的重構圖像視覺效果和峰值性噪比。
　　 (3)結合輪廓波變換具有高度結構性和快速算法,K-SVD算法學習字典能更有效表示圖像兩者的優(yōu)勢,提出在輪廓波域下用K-SVD算法學習結構性高頻字典。在圖像壓縮傳感過程中,對輪廓波低頻進行線性采樣,高頻部分進行結構性高頻字典作為稀疏表示矩