基于多低维模型协同约束的压缩采样图像视频重构

Compressive imaging has widespread application prospect in many areas in both military and civil fields. High performance recovery for compressive sampled image/video is a key issue needed to address for its successful use, which recently becomes an important research focus hot in this field. Aiming at the problems that the performance of conventional compressive sampling (CS) recovery algorithms only considering sparsity constraint is severly limited because of its single constraint formation and existing difficulty in finding the optimal sparse bases,in this proposal new schemes for enhancing recovery performance of compressive sampling are investigated based on collaborative constraint with multiple low dimensional models when considering more low dimensional models of image/video implicated simultaneously. The main research contents and novelties include: the correlations of image/video in space domain, time domain and high order statistics are probed fully based on patch/stripe division; on the basis of low rank representation and manifold learning theories, more low dimensional models for image and video are explored by comblining layered segmentation process and topological cluster etc.; embedding performence of low rank and low dimensional manifold in CS is analysised in depth, new CS recovery schemes and corresponding optimization technology are developed based on collaborative constraint of multiple low diemnsional models with sparsity, low rank and low dimensional manifold, and finally new thoughts and valid solutions for efficiently reconstructing compressive sensed image/video are provided.

压缩成像技术在军事与民用等诸多领域具有广泛应用前景，而压缩采样图像及视频的高性能重构是其中亟待解决的关键问题，成为当前该领域的研究热点。传统基于稀疏约束的重构方法由于约束模式单一、优化稀疏基受限，因此导致重构质量欠佳。针对该问题，鉴于图像与视频具有更多低维模型并存的特征，拟开展基于多低维模型协同约束的压缩采样图像/视频的重构方法研究，以达到有效提升压缩采样效率和重构性能的目的。主要内容及创新：充分探讨基于块/条带分割的图像及视频的空时域相关及高阶统计相关特性，以低秩表示和流形学习理论为基础，结合分层分割处理与拓扑聚类等技术，探索图像/视频的低秩表示、低维流形表示等更多低维模型；分析图像/视频压缩采样的低秩与低维流形模型的嵌入性能，发展基于稀疏、低秩与低维流形等多低维模型协同约束的压缩采样图像/视频的重构方法与优化实现技术，为压缩采样图像及视频的高效重构提供新思路和有效解决方案。

基于压缩感知理论的压缩成像技术在遥感成像、医学成像等诸多领域具有广泛应用前景，压缩感知图像视频的高性能重构是其中亟待解决的关键问题，成为当前该领域的研究热点。针对传统基于稀疏约束的重构方法由于约束模式单一、优化稀疏基受限，导致重构图像质量欠佳的问题，本项目提出开展基于多低维模型协同约束的压缩采样图像/视频的重构方法研究，以期通过探求图像与视频具有的更多潜在低维表示先验，用于有效提升压缩感知图像的高质量重构的目的。项目组根据项目任务书的要求，认真扎实地开展了预先提出的相关研究内容的研究工作。以流形学习理论和低秩表示理论为基础，在图像的低秩表示和结构组稀疏表示等的压缩感知图像重构模型设计与优化实现方面开展了深入研究，取得了在国内外有一定影响的研究成果。对分块图像压缩感知重构展开研究，提出了一种基于全变分滤波的图像分块压缩感知平滑投影迭代重构方法，能有效消除分块压缩感知重构中存在的块效应有效消除，更好恢复图像的细节信息。对基于低秩表示的图像压缩感知重构展开研究，提出了一种改进的联合全变差与自适应低秩正则化的压缩感知重构方法，实现了重构图像峰值信噪比平均约2dB的提升，增强了图像纹理细节恢复效果。对基于组稀疏表示的压缩感知重构展开研究，提出了一种基于加权结构组稀疏表示的图像压缩感知重构方法，实现在更好地恢复图像高频细节信息的同时有效减少对图像低频成分的损失，图像重构质量得到明显改善；提出了一种基于z分数标准化组稀疏表示的图像压缩感知重构方法，恢复图像更好保留了图像弱小目标及边缘和纹理细节。对基于压缩感知重构算法的GPU实现展开了研究，提出了一些有价值的快速实现方法。此外，对基于图像低秩表示和组稀疏表示的图像超分辨率重建，以及基于深度学习理论的图像压缩感知重建展开了有效研究，得到了一些较好的结果。在该项基金的资助下，已发表课题相关研究论文17篇，其中SCI/EI收录论文5篇；申请国家发明专利5件，已获授权3件。