基于自适应分块的高光谱图像压缩感知重构方法.pdf
《基于自适应分块的高光谱图像压缩感知重构方法.pdf》由会员分享,可在线阅读,更多相关《基于自适应分块的高光谱图像压缩感知重构方法.pdf(9页珍藏版)》请在咨信网上搜索。
1、基于自适应分块的高光谱图像压缩感知重构方法王 洋 杨孟宇 赵首博*(哈尔滨理工大学测控技术与通信工程学院 哈尔滨 150080)(广东海洋大学机械与动力工程学院 湛江 524000)摘 要:在对高光谱图像采样重构的研究中,整体采样和固定分块采样没有考虑到高光谱图像复杂的纹理特征分布,使用了相同的测量矩阵导致图像的重构质量较差。针对此问题,该文提出基于2维图像熵自适应分块压缩感知重构方法(ABCS-IE),该方法以图像2维熵作为高光谱图像纹理细节的度量,根据图像的纹理细节分布自适应改变图像子块的大小,然后为不同的图像块分配特定的采样值,根据分配的采样值设计专有的测量矩阵对图像块进行压缩测量,将采
2、样测量值代入重构算法中进行重构。实验结果表明,与整体采样重构和固定分块采样重构相比,将该方法应用到压缩感知重构算法中对高光谱图像进行采样重构后,重构的图像在视觉效果上有明显的提高,取得的峰值信噪比(PSNR)和结构相似度(SSIM)最大,采样率为0.4时,PSNR提高了24 dB,SSIM最大提高了0.27,均方根误差(RMSE)和信息熵差值(H)也有所降低,说明重构的图像更加接近原始图像。而且运算时间也减少了11.5 s。可见,该方法能充分利用高光谱图像的纹理特征,有效提高图像的重构质量,同时减少重构的运算时间。关键词:高光谱图像重构;自适应分块;压缩感知;图像2维熵中图分类号:TN911.
3、73;TP751文献标识码:A文章编号:1009-5896(2023)07-2605-09DOI:10.11999/JEIT220738Compressed Sensing Reconstruction of Hyperspectral ImagesBased on Adaptive BlockingWANG Yang YANG Mengyu ZHAO Shoubo(School of Measurement and Control Technology and Communication Engineering,Harbin University of Science and Technol
4、ogy,Harbin 150080,China)(School of Mechanical and Power Engineering,Guangdong Ocean University,Zhanjiang 524000,China)Abstract:In the study of sampling and reconstruction of hyperspectral images,global sampling and fixed blocksampling do not take into account the complex texture distribution of hype
5、rspectral images,and the use of thesame measurement matrix results in poor image reconstruction quality.To solve this problem,an AdaptiveBlock Compressed Sensing-Image Entropy(ABCS-IE)is presented.In this method,2-dimensional imageentropy is used as a measure of texture details of hyperspectral imag
6、es.The size of image blocks is adaptivelychanged according to the texture details distribution of the image.Then,specific sampling values are assignedto different image blocks,and a special measurement matrix is designed to compress the image blocks accordingto the assigned sampling values,and the s
7、ampled measurements are brought into the reconstruction algorithmfor reconstruction.The experimental results show that when this method is applied to the compression-awarereconstruction algorithm to sample and reconstruct the hyperspectral image,the visual effect of thereconstructed image is signifi
8、cantly improved.The maximum Peak Signal-to-Noise Ratio(PSNR)andStructural SIMilarity(SSIM)are obtained.When the sampling rate is 0.4,the PSNR is increased by 24 dBand the SSIM is increased by 0.27,the Root Mean Square Error(RMSE)and the information entropydifference(H)are also reduced,indicating tha
9、t the reconstructed image is closer to the original image.Moreover,the operation time is reduced by 11.5 s.It can be seen that this method can make full use oftexture features of hyperspectral images and improve effectively the quality of image reconstruction,and reduce 收稿日期:2022-06-06;改回日期:2023-01-
10、14;网络出版:2023-02-03*通信作者:赵首博基金项目:国家自然科学基金(61801148),黑龙江普通本科高等学校青年创新人才培养计划(UNPYSCT-2020187)Foundation Items:The National Natural Science Foundation of China(61801148),The Young Innovative Talents Training Plan ofHeilongjiang Ordinary Undergraduate Colleges and Universities(UNPYSCT-2020187)第45卷第7期电 子 与
11、 信 息 学 报Vol.45No.72023年7月Journal of Electronics&Information TechnologyJul.2023the operation time of reconstruction.Key words:Hyperspectral image reconstruction;Adaptive blocking;Compression Sensing(CS);Image two-dimensional entropy 1 引言高光谱图像是对空间某一区域在几十个甚至数百个波段范围内的同时成像,其每个波段可近似看成一幅自然图像1。由于高光谱图像同时含有目标
12、的空间信息和光谱信息,所以光谱图像已经应用到医学工程2、军事探测3、农业检测4,5、食品安全6以及异常检测7等领域。但高光谱数据是一个庞大的数据集合,图像包含了目标复杂的信息,这对高光谱图像的测量传输和重建造成了一定的难度。因此,在光谱成像技术的研究中,对光谱图像进行有效的压缩测量和重构是十分重要的8。压缩感知(Compressive Sensing,CS)理论可以通过少量的采样值精确地重构出原始目标值,该理论的出现为高光谱图像的压缩重构带来了新思路。压缩感知理论对稀疏或者可压缩的信号提供了一种新的感知框架进行采样,这种采样方式比利用传统的香农-奈奎斯特采样方案更加有效9。CS核心是以远低于奈
13、奎斯特速率的采样率对目标图像进行采样,则原始信号可以通过重构算法由这些少量的测量值重构得到。该理论是利用采样和压缩并行的方式对信号进行压缩测量,打破了采样率对信号采集的限制,减小了后期数据传输和存储的压力10,11。将压缩感知理论应用到光谱数据的采集实验中,可以在数据的采集端去除大量的冗余信息,从而为后期对数据的计算减小压力12。在压缩感知理论基础上发展的光谱成像系统有:单像素相机成像系统13,基于编码孔径的光谱成像系统(Coded,Aperture Snapshot Spectral Imagers,CASSI)14,之后的一些成像系统主要是在编码孔径成像系统中对编码孔径进行的优化15,16
14、。但这些光谱成像系统中,主要是在测量端对光谱图像进行统一单帧测量,然而在以压缩感知理论为基础的图像压缩处理中,将目标图像作为一个整体进行压缩重构时,需要很大的存储空间来存储测量矩阵,也加大了重建过程的难度17。分块压缩感知(BlockCompressed Sensing,BCS)算法18的引入可以有效改善该问题。分块压缩感知算法是对图像进行均匀分块,并使用相同的测量矩阵对各个子块进行单独采样测量,提高了采样效率和重构性能19。但使用分块压缩感知处理图像时,图像主要是被均匀分块的,并使用固定的采样率进行随机采样,但每帧图像各个空间位置的纹理分布都有差异,使用相同的测量矩阵进行采样测量时,尤其在较
15、低的采样率下,会造成纹理细节较少的平滑区域采样点过多,而纹理细节丰富的区域采样点过少的问题,影响后期图像的重构质量。为了解决此问题,许多研究工作将目标聚焦于优化采样测量过程,在采样过程中为不同的图像块动态设置采样率,依据不同的参数对图像块进行分类,然后为不同类别分配不同的采样率20。文献21以图像的纹理显著性作为分配依据,根据显著性信息图的分布给对应的图像块分配采样值;文献22根据图像的空间频率提取图像的纹理特征,以此为不同的图像块分配测量值。但在上述方法中,主要是采用固定尺寸对图像进行均匀分块,在分块时并没有考虑到图像的纹理特征,无法有效地分离出复杂区域和平滑区域,造成图像重构效果不佳。针对
16、上述背景和问题,考虑到高光谱图像数据规模很大,图像内容丰富,对其进行整体测量重构会占用较大的内存,重构的效果也不佳,本文将分块采样测量的方法应用到高光谱图像的采样重建中,提出基于2维图像熵自适应分块压缩感知重构方法(Adaptive Block Compressed Sensing-ImageEntropy,ABCS-IE)。该方法目的是充分利用图像的纹理特征使得分块更加准确,提高各图像块的压缩采样效果,从而改善整体图像的重构效果。本文方法利用高光谱图像复杂的纹理内容,将图像的灰度分布特征和表示灰度空间的特征向量组成图像的2维熵,根据2维熵对图像进行自适应分块,然后将分块后的图像块进行分组,不
17、同组类别根据熵值大小和所占权重自适应分配不同的采样率,分块阈值由各组图像子块2维熵的均值决定。本方法能够充分利用高光谱图像的纹理细节并提高各图像块的压缩采样效果,改善整体图像的重构效果。2 压缩感知理论基础x RN1x=RNN RN1xyMN压缩感知指出,一个N维的离散信号,如果在某变换域中具有稀疏性,则原始信号可以表示为:,其中为稀疏正交基,为稀疏系数,只有少量元素值不为0。则信号 可以由少量的随机观测值 进行重构所得。(MN)为观测矩阵y=x=(1)xyl0式(1)为一个欠定方程,利用压缩感知重构算法求解该方程,将N维的原始信号 从M维的测量信号中重构出来。通常将求解上述方程的过程转换为求
18、解 优化过程2606电 子 与 信 息 学 报第 45 卷=argmin0,s.t.y=x=A(2)其中,常用的压缩感知重构算法主要有贪婪迭代算法、凸优化算法、统计优化方法以及组合算法。B BB RMBB2将压缩感知应用到高光谱图像时,需要使用庞大的观测矩阵对高光谱图像进行测量。为此,结合分块压缩感知算法(BCS),在分块压缩感知的采样过程中,对大小为NLNW的原图像I进行分块,将其分成互不重叠的大小为的图像块,各子块的测量矩阵为,整个图像的测量矩阵组成为=B0.00B.0.0.0B(3)分块测量的过程为y=y1y2.yb=BBBBx1x2.xb=x1x2.xb(4)即得到的观测向量集合为y=
19、yi|yi=Bxi,i=1,2,.,b(5)xiMBb=(NL NW)/(B B)其中,为第i个子块的灰度值向量,为各图像块的采样数,是图像块的总块数。3 基于2维图像熵自适应分块压缩感知重构方法本方法结合高光谱图像纹理内容丰富的特点,将图像2维熵作为其纹理复杂度的度量,根据图像2维熵自适应选择分块大小,为不同的图像块分配不同的采样值并设计特有的测量矩阵,该分块方式只针对图像的空间维。3.1 图像2维信息熵计算图像的2维熵能够反映图像灰度分布的空间特征,当图像块的2维熵较小时,表明该图像块的像素分布较均匀,即图像块表面相对平滑,细节内容较少,通过少量的采样值可以较容易地重构出原始图像;当图像块
20、的2维熵较大时,表明图像块的像素值分布不均匀,图像块中包含的信息复杂,通过较少的采样值重构出的图像质量较差,需要分配较多的采样值。B Bf(i,j)(i,j=1,2,.,L 1)pij(i,j)假设图像的灰度等级为L(0L1),图像大小为,用表示图像中灰度值为i、邻域灰度均值为j的像素点出现的频数,为区域灰度均值对发生的概率,则pij=f(i,j)B2(6)图像2维熵的定义为H=L1i=0L1j=0pijlog2pij(7)3.2 自适应分块压缩采样算法以图像2维熵作为依据对图像进行自适应分块,并根据不同块所占权重分配不同的测量次数,图1为基于2维图像熵自适应分块压缩感知采样方法的流程图。自适
21、应分块压缩采样算法主要聚焦在自适应采样测量过程,将该算法与压缩感知重构算法相结合后对图像进行重构,具体重构过程如下:X=NL NW(B/2k1)(B/2k1)Xi(k=1,2,.,k)步骤1将输入图像预分块,分成互不重叠的的图像块,并记录图像块数b,为分块次数。Hi(i=1,2,.,b)Hi=bi=0Hi/b步骤2根据式(7)计算每个图像块的2维熵,并计算各个图像块熵值的平均值。HiTkHiTk32 3232 32步骤3将均值作为每次的分块阈值,比较各子块的熵与阈值的大小,若大于分块阈值,说明纹理细节丰富,继续重复步骤1和步骤2对图像块进行分块处理;若小于分块阈值,停止分块,并保存各个图像子块
22、。经过多次实验表明,当复杂图像块小于时,各区域的图像熵差值已经小于0.1,纹理细节分布无明显差异,无需再继续计算分块。同时为了防止图像块边缘出现严重的块效应,且图像块越小,采样次数越高,失去压缩意义。所以当图像块大小为时,停止分块。Cn(n=1,2,.,n)bnPn=bn/nj=0bj步骤4将步骤3中得到的图像块进行分组处理,相同大小的图像块分为同一组别,每个组别用表示,每一组别内图像块个数记为,计算每组图像块所占的比例。M=SR NL NWRnRn=SR PnMn=Rn(B/2k1)2upper=0.9 (B/2k1)2步骤5假设整幅图像的采样率为SR,测量次数为,各组别内图像块的采样率由表
23、示,根据权重计算每个组别内子块的采样率为,测量次数为,为了防止采样次数过大导致失去压缩意义,设置一个采样上界,若分配的块测量次数超过该上界,则将超出采样上界的次数平均分配给其他组内的图像块,直至所有的块测量次数都小于或等于upper。步骤6根据步骤5获得各组内图像块的测量次第7期王 洋等:基于自适应分块的高光谱图像压缩感知重构方法2607Byi数Mn,构造相应的测量矩阵进行压缩测量,同一组内所有图像块使用相同的测量矩阵,生成各块的测量值向量。y=y1,y2,.,yi步骤7将上述过程得到的观测向量集合利用压缩感知重构算法进行重构,最后整合出原始图像X。4 实验结果与分析 4.1 实验设计512
24、512 480 480384 256从跨学科计算视觉实验室(InterdisciplinaryComputational Vision Lab,ICVL)提供的自然图像高光谱数据库中选择ulm,BGU,object 3组高光谱测试图像进行实验测试。这3组高光谱图像涵盖了建筑、植物、土壤、布偶、电子器件等内容,在纹理内容分布上也有所差异。所有数据的波长范围为400700 nm,波长间隔为10 nm。实验中,为了验证本文算法,获得更明显的对比展示效果,将3组高光谱图像大小分别截取为,。在实验中,采用不同的测量矩阵进行验证,并将自适应分块采样方法和均匀分块采样方法分别应用在不同的压缩感知重构算法中,
25、对高光谱图像进行重构。选择的重构算法为:基追踪算法(Basis Pursuit,BP)、压缩采样匹配追踪算法(Compressed Sampling Matching Pursuit,CoSaMP)、梯度投影稀疏重建算法(Gradient Pro-jection for Sparse Reconstruction,GPSR)。利用峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)、均方根误差(Root Mean Square Error,RMSE)、结构相似性(Structural SIMilarity,SSIM)、重构图像与原始图像熵的差值(H)作为图像重构的评价指
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 自适应 分块 光谱 图像 压缩 感知 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。