一种基于压缩感知的深空图像鲁棒性重构方法技术

本发明专利技术公开了一种基于压缩感知的深空图像鲁棒性重构方法，包括：1）该算法考虑深空通信中噪声对重构图像的影响，在SL0算法的基础上优化图像重构模型得到limσ→0minuGσ(u)s.t.||Φu-y||2≤ε，增加算法容错性；2）在优化的重构模型基础上利用修正牛顿法推导出压缩感知重构算法搜索方向，消除最速下降法产生的“锯齿”对重构精度和收敛速度的影响；采用阻尼牛顿法确定最优步长替代原有经验步长，使算法整体收敛，保障算法的全局稳定性；3）综合1）和2）得到一种基于压缩感知的深空图像鲁棒性重构算法---DRSL0算法。本发明专利技术能够容忍深空通信中的噪声影响，时间复杂度较低，且相比现有的一些重构算法在图像重构质量有较大提升。

【技术实现步骤摘要】

本专利技术属于深空通信
，具体涉及一种具有鲁棒性的深空图像重构算法。
技术介绍
深空通信距离遥远，通信链路带宽严重受限，在深空数据源端对图像进行在轨压缩是节省发射功率、降低通信复杂度、进而提高通信系统可靠性的重要关键技术。目前，深空图像压缩及重构遵循传统的Shannon采样定理，图像的存储和传输占用大量缓存及带宽资源，造成系统有限资源和处理时间的巨大浪费。压缩感知(Compressed Sensing,CS)是一种新型的信号采样压缩技术，打破了Shannon采样定理中采样速率不小于信号带宽2倍的限制，可在采样的同时完成压缩，具有工作效率高、占用内存空间小和编解码速率快等特点。因此，利用CS理论对深空图像进行在轨压缩和重构，提高探测器处理图像信息的能力和地面接收图像的质量。基于压缩感知的深空图像压缩与重构包括三个方面：（1）图像的稀疏表示；（2）观测矩阵的测量；（3）图像的重构。深空图像重构是获得高质量图像的关键步骤，重构算法尤为重要。现有的重构算法主要分为两类：第一类是基于l1范数算法，其求解模型为min||u||1s.t.Φu=y，引入凸规划方法，转化为min||u||1+λ||y-Φu||，常用的算法有梯度投影算法、基追踪算法。l1范数方法重构误差小，重构效果好，但时间复杂度较大。第二类是基于l0范数最小贪婪算法，其求解模型为min||u||0s.t.Φu=y，常用的算法有匹配追踪法、正交匹配追踪法、子空间追踪法等。贪婪算法计算量小、重构效果好，应用广泛，但允许一定重构误差的存在。此外，还有一类是非凸优化算法，主要代表是Bayes统计，这类算法利用Bayes假设检验模型剔除冗余下标来达到去除噪声的作用，但这类算法复杂度高且不易实现。Donoho等提出Compressed Sensing scheme with Denoising(CSDN)方法抑制噪声，这种方法用了l1范数作为信号稀疏度的约束条件，采用了l2范数对噪声进行约束产生抑制作用。但是由于l1范数的稀疏重构模型并不能充分挖掘信号的稀疏性，重构信号的稀疏度不能实现没有噪声情况下的稀疏度，这样就会产生幅度失真，在较低信噪比情况下不能有效重构含噪信号。近年，Mohimani等人在\An improved smoothedl0approximation algorithm for sparse representation\【IEEE Transactions on Signal Processing,2010,58(4):2194-2205】文章中提出平滑l0范数(Smoothed l0Norm,SL0)算法，将凸规划思想与贪婪算法相结合，用正态分布函数来近似估计l0范数，是一种重构性能较好的算法。Zayyani等人在此算法的基础上在\Thresholded smoothed l0dictionary learning for sparse representation\【Acoustics,Speech and Signal Processing,IEEE International Conference on,2009,1825-1828】文章中提出了Thresholded SL0(TSL0)算法；Ghalehjegh等人在\Fast block-sparse decomposition based on SL0\【Latent Variable Analysis and Signal Separation.Springer Berlin Heidelberg,2010:426-433】文章中提出Block SL0(BSL0)算法。SL0算法及其演进算法虽然和其他算法相比，具有匹配度高、重构时间短、计算量低且不需要信号的稀疏度这个先验条件等优点，但未考虑噪声的影响或算法存在求解收敛速度慢等缺点。深空通信传输距离遥远、信息量大、接收图像信噪比极低，同时由于深空传回图像具有重要的科学价值，对图像重构质量要求严格。这就要求深空图像重构算法具有噪声抑制性且在低信噪比环境下性能良好。此外，为尽可能保持实时通信，要求重构算法具有低时间复杂度和高收敛速度。显然，上述算法不能满足深空图像重构的这些要求。提出具有较强鲁棒性的深空图像高质量重构算法是目前亟待解决的问题。
技术实现思路
针对以上现有技术中的不足，本专利技术的目的在于提供一种对深空噪声进行抑制，增强算法鲁棒性、提高算法收敛速度和重构精度的基于压缩感知的深空图像鲁棒性重构方法。本专利技术的技术方案如下：一种基于压缩感知的深空图像鲁棒性重构方法，其包括以下步骤：101、将从深空传回的N×N的深空图像x在sym8小波基下进行单层小波分解得到低频子带系数v和高频子带系数u，小波变换后图像低频子带系数是非稀疏的，对低频逼近子带保留小波分解的系数；然后构造M×N/2哈达玛观测矩阵Φ，哈达玛观测矩阵Φ对稀疏的高频子带系数u观测得到测量系数值矩阵；在实际深空通信情况下，令n表示噪声，则含噪稀疏重构模型表示为y=Φu+n，其中||n||2≤ε，表示均值为0，方差为σ2的高斯白噪声；利用DRSL0重构算法对测量后的高频测量系数值矩阵进行重构；102、初始化，输入步骤101中的观测值y，信号u的初始值即求解观测值y=Φu的最小l2范数，其中y为观测值，u的稀疏度为K；103、选取一渐进下降序列σ={σ1,σ2,...,σN本文档来自技高网...

【技术保护点】
一种基于压缩感知的深空图像鲁棒性重构方法，其特征在于包括以下步骤：101、将从深空传回的N×N的深空图像x在sym8小波基下进行单层小波分解得到低频子带系数v和高频子带系数u，小波变换后图像低频子带系数是非稀疏的，对低频逼近子带保留小波分解的系数；然后构造M×N/2哈达玛观测矩阵Φ，哈达玛观测矩阵Φ对稀疏的高频子带系数u观测得到测量系数值矩阵；在实际深空通信情况下，令n表示噪声，则含噪稀疏重构模型表示为y=Φu+n，其中||n||2≤ε，表示均值为0，方差为σ2的高斯白噪声；利用DRSL0重构算法对测量后的高频测量系数值矩阵进行重构；102、初始化，输入步骤101中的观测值y，信号u的初始值即求解观测值y=Φu的最小l2范数，其中y为观测值，u的稀疏度为K；103、选取一渐进下降序列σ={σ1,σ2,...,σN}，其中i=1,...,N，令σ=σi,设定循环迭代次数l=1,2...,L；104、判断信号u的可行域是否ζ={u|||Φu‑y||2≤ε}：若是，则跳转至步骤105；否则，跳转至步骤106；105、当信号u在可行域ε内时，则根据公式得到的修正牛顿方向d=-G-1▿(Gσ(u))=[-σ2u1u12+σ2,...,-σ2ukuk2+σ2,...,-σ2uNuN2+σ2]T]]>作为搜索最优值的方向，并根据阻尼牛顿法计算步长因子μ，即得到uk+1=uk+μdk，跳转至步骤107；106、当信号u不在可行域ε内时，投影u到Φu=y：u←u‑ΦT(ΦΦT)‑1(Φu‑y)，结合梯度投影原理修正迭代余量ρ=Φu‑y，跳转至步骤107；107、循环迭代L次后得到最优解集合对应得到深空图像重构后的高频子带系数合并高低频子带系数再通过小波逆变换得到重构深空图像完成深空图像重构。...

【技术特征摘要】
1.一种基于压缩感知的深空图像鲁棒性重构方法，其特征在于包括以下步
骤：
101、将从深空传回的N×N的深空图像x在sym8小波基下进行单层小波分
解得到低频子带系数v和高频子带系数u，小波变换后图像低频子带系数是非稀
疏的，对低频逼近子带保留小波分解的系数；然后构造M×N/2哈达玛观测矩阵
Φ，哈达玛观测矩阵Φ对稀疏的高频子带系数u观测得到测量系数值矩阵；在
实...

【专利技术属性】
技术研发人员：赵辉，刘静，王汝言，林贺宇，金胜杰，秦亮，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;85