基于分块压缩感知的图像全局重构模型

摘要：

已有的基于分块压缩感知(Block Compressed Sensing,Block CS)的图像重构模型采用相同的测量矩阵以块×块的方式获取数据,解决了传统CS方法中测量矩阵所需存储量较大的问题,但由于采用分块重构,没有考虑到图像的全局稀疏度,出现了大量的块效应.本文分析了图像分块重构产生块效应的三个主要原因:块稀疏度不均匀、频谱泄漏和块尺寸受限,提出了一种基于Block CS的图像全局重构模型.该模型在编码端采用高斯随机矩阵逐块作非相关测量；在解码端,引入排序算子,重新构造测量矩阵,该测量矩阵既适合于进行全局重构,又适合于分块测量的CS观测值,并仍与图像的稀疏矩阵高度不相关,所以其可充分利用图像的全局稀疏度进行CS重构.仿真实验表明,所提出的全局重构模型有效地消除了块效应现象,并且对块尺寸的变化有较强的鲁棒性.

关键词：分块压缩感知、块稀疏度、分块重构、全局稀疏度、全局重构、块效应

所属期刊栏目：28

分类号：TN911.73

资助基金：国家自然基金61071091;江苏省研究生创新计划CXZZ11_0390;江苏省研究生创新计划CXZZ12_0466;江苏省高校自然科学研究项目12KJB510019

在线出版日期：2012-12-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1416-1422