基于压缩感知的对角化LDPC观测矩阵的生成方法技术

本发明专利技术提供一种基于压缩感知的对角化LDPC观测矩阵生成方法，包括：首先输入被处理图像，确定观测矩阵大小；然后根据LDPC检验矩阵的生成方法，得到LDPC子矩阵；最后将得到的子矩阵，依次放置在观测矩阵的对角线上，其余位置置0，得到最终的观测矩阵。本发明专利技术基于分块压缩感知理论，对大量图像进行了定量和定性分析，可大幅减小观测矩阵计算量和存储量，相比现有其他观测，重构效果更佳；同时构造的矩阵高度稀疏，且元素都是二值的，矩阵简单。

【技术实现步骤摘要】

本专利技术涉及遥感图像处理
，尤其是有关压缩感知中对遥感图像数据采集，具体而言涉及一种基于压缩感知的对角化LDPC观测矩阵的生成方法。
技术介绍
遥感压缩感知是一种能够在某个特定域中压缩和恢复稀疏信号的技术。在压缩感知过程中，信号的重构是一个线性规划问题，由于压缩采样使得采样数远远小于原始信号的长度，所以求解线性规划问题是一个方程个数少于未知数的问题，理论上是存在无数的解。基于这些问题，2006年Candès等人提出著名的限制等距原则，给出了上述欠定方程存在确定解的充分条件。然而，在该原则中，单纯的利用RIP性质来构造观测矩阵，或是判断一个矩阵作为观测矩阵的性质优劣在实际应用中是不现实的，具有很高的复杂度。于是，现有技术中构造观测矩阵依据的某种理念就是考虑某一类矩阵是否能大概率的满足相关性特性或是RIP性质。现有常规观测矩阵大致分成以下三类：第一类是随机矩阵，如高斯随机矩阵、伯努利随机矩阵等，这些矩阵的元素均独立地服从某一特定的分布，满足m＝O(klog(n/k))；第二类是由正交变换矩阵变换生成的矩阵，如傅里叶矩阵、部分哈达玛矩阵等，这类矩阵有着快速的变换算法，其共同特点是随机地从一个n×n正交矩阵中选取m行，然后对新的矩阵进行归一化处理；第三类是由二进制矩阵生成的矩阵，如托普利兹矩阵、随机稀疏矩阵，这类观测矩阵特点是矩阵的构造方式是特定的，有固定的生成模式。上述这些矩阵存在一个问题，就是都不够简单，所谓简单是指矩阵高度稀疏，且元素都是二值化的。目前的观测矩阵生成技术普遍存在如下缺点：(1)一个观测矩阵中元素越密集，其压缩感知的时间越长；(2)观测矩阵中元素若
是浮点数，不仅存储麻烦且计算量大，更不有利于硬件实现，也就是说实用性不高；(3)观测矩阵如果设计的维数较大，实际应用传输过程中损耗较大且不方便。
技术实现思路
本专利技术目的在于提供一种基于压缩感知的对角化LDPC观测矩阵生成方法。本专利技术采用分块压缩感知的方法，利用分块的性能，减小观测矩阵的规模，从而减小计算和存储方面的容量。本专利技术的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有利的方式发展独立权利要求的技术特征。为达成上述目的，本专利技术提出一种基于压缩感知的对角化LDPC观测矩阵的生成方法，包括以下步骤：步骤1、输入原始图像，确定观测矩阵大小；步骤2、根据步骤1中确定的观测矩阵大小，得到LDPC子矩阵大小及个数；步骤3、对步骤2中LDPC子矩阵根据通信中LDPC检验矩阵的生成方法，得到LDPC子矩阵；步骤4、将多个LDPC子矩阵放置在观测矩阵的对角线上，其余位置置0，得到最终的观测矩阵。本专利技术与现有技术相比，其显著优点为：1)本专利技术构造的矩阵简单稀疏，且是二值的；2)本专利技术的方法易于理解，构造简单，矩阵尺度小，易于存储；3)本专利技术的方法计算量小、传输过程中损耗小，且相比较其他方法，有更好的重构效果。应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的专利技术主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的专利技术主题的一部分。结合附图从下面的描述中可以更加全面地理解本专利技术教导的前述和其他方面、实施例和特征。本专利技术的其他附加方面例如示例性实施方式的特征和/或有
益效果将在下面的描述中显见，或通过根据本专利技术教导的具体实施方式的实践中得知。附图说明附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本专利技术的各个方面的实施例，其中：图1是本专利技术中观测矩阵的示意图，其中n＝N/M，N为观测矩阵的列数，M为观测矩阵的行数。图2(a)-2(d)是对角化LDPC观测矩阵生成的定性分析的实验比较图，其中图2(a)为原始图像，原始图像大小为512*512，图2(b)为本专利技术算法的重构结果示意图，图2(c)为伯努利算法的重构结果示意图，图2(d)为随机高斯算法的重构结果示意图。图3(a)-3(b)是本专利技术中对同一幅图像不同算法的数据比较示意图。图4为本专利技术的基于压缩感知的对角化LDPC观测矩阵生成方法流程图。具体实施方式为了更了解本专利技术的
技术实现思路
，特举具体实施例并配合所附图式说明如下。在本公开中参照附图来描述本专利技术的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本专利技术的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本专利技术所公开的构思和实施例并不限于任何实施方式。另外，本专利技术公开的一些方面可以单独使用，或者与本专利技术公开的其他方面的任何适当组合来使用。结合图1、图4所示，根据本专利技术的实施例，一种基于压缩感知的对角化LDPC观测矩阵生成方法，包括：首先输入被处理图像，确定观测矩阵大小；然后根据LDPC检验矩阵的生成方法，得到LDPC子矩阵；最后将得到的子矩阵，
依次放置在观测矩阵的对角线上，其余位置置0，得到最终的观测矩阵。本专利技术基于分块压缩感知理论，对大量图像进行了定量和定性分析，并且可大幅减小观测矩阵计算量和存储量，相比现有其他观测，重构效果更佳；同时构造的矩阵高度稀疏，且是二值的，矩阵简单。下面结合附图的内容，更加具体地描述前述步骤的实现示例。步骤1、输入原始图像，确定观测矩阵大小，具体为：步骤1-1、判断图像行列像素是否是4的倍数，若是4的倍数，保留原图，若不是4的倍数，进行下步处理；步骤1-2、用0填充图像行列，将其补成4的倍数，将得到的图像作为原图；步骤1-3、根据压缩感知流程中字典的块大小，生成观测矩阵大小。步骤2、对步骤1中根据原始图像大小，确定LDPC子矩阵大小及个数；步骤3、利用通信中LDPC校验矩阵的生成方法，得到LDPC子矩阵，具体为：步骤3-1、根据列稀疏度k，在每列随机产生k个1；步骤3-2、根据公式max_ones_per_row＝ceil(n*bits_per_col/m)求行重最大值，其中m为子矩阵的行数，n为子矩阵的列数，bits_per_col为步骤3-1中列稀疏度；步骤3-3、分散每列中1所在位置，使得行重尽量均匀，若找到某行行重大于行重最大值，则随机选择该行上某个1进行处理，将该行上的1分散都其他行上；步骤3-4、随机查找适合该列上适合放置1(行重小于最大值且该位置为0)的行，将待处理行的1放到找到的行上，并对两行的行标志作相应的处理，原标记位置0，新标记位加1；步骤3-5、查找删除短环(长度为4)，得到LDPC子矩阵。步骤4、将多个LDPC子矩阵放置在观测矩阵对角线上，其余位置置0，得到最终观测矩阵。在一些实施例中，步骤3-1中所述列稀疏度k，k≤m/2，m为LDPC子矩阵
的行数。优选的，k取值为m/2，m为LDPC子矩阵的行数，步骤2中LDPC子矩阵个数，通常取4或8。下面结合实施例对本专利技术做进一步详细的描述：实施例结合图1所示，本专利技术基于压缩感知的对角化LDPC观测矩阵生成方法，步骤如下：第一步，确定观测矩阵大小。步骤如下：输入一个原始图像，判断本文档来自技高网...

【技术保护点】
一种基于压缩感知的对角化LDPC观测矩阵的生成方法，其特征在于，包括以下步骤：步骤1、输入原始图像，确定观测矩阵大小；步骤2、基于步骤1中根据原始图像大小，确定LDPC子矩阵大小及个数；步骤3、基于步骤2确定的LDPC子矩阵大小及个数，利用通信中LDPC校验矩阵的生成方法，得到LDPC子矩阵；步骤4、将多个LDPC子矩阵放置在观测矩阵对角线上，其余位置置0，得到最终观测矩阵。

【技术特征摘要】
1.一种基于压缩感知的对角化LDPC观测矩阵的生成方法，其特征在于，包括以下步骤：步骤1、输入原始图像，确定观测矩阵大小；步骤2、基于步骤1中根据原始图像大小，确定LDPC子矩阵大小及个数；步骤3、基于步骤2确定的LDPC子矩阵大小及个数，利用通信中LDPC校验矩阵的生成方法，得到LDPC子矩阵；步骤4、将多个LDPC子矩阵放置在观测矩阵对角线上，其余位置置0，得到最终观测矩阵。2.根据权利要求1所述的基于压缩感知的对角化LDPC观测矩阵的生成方法，其特征在于，步骤1中确定观测矩阵大小的具体实现包括：步骤1-1、判断输入的原始图像行列像素是否是4的倍数，若是4的倍数，保留原图，若不是4的倍数，进行步骤1-2处理；步骤1-2、用0填充图像行列像素，将其补成4的倍数，将得到的图像作为原图；步骤1-3、根据压缩感知流程中字典的块大小，生成观测矩阵大小。3.根据权利要求2所述的基于压缩感知的对角化LDPC观测矩阵的生成方法，其特征在于，在步骤1中，对观测矩阵大小的确定，满足矩阵列与宽的比为4。4.根据权利要求1所述的基于压缩感知的对角化LDPC观测矩阵的生成方法，其特征在于，步骤2中，LDPC子矩阵大小满足：矩阵列与宽的比为4；并且在LDPC矩阵大小确定后，即确定子矩阵数量，其中子矩阵个数为4n，n为正整数。5.根据权利要求1所述的基于压缩感知的对角化LDPC观测矩阵的生成方法，其特征在于，步骤3中对LDPC子矩阵的生成方法，具体为：步骤3-1、根据列稀疏度k...

【专利技术属性】
技术研发人员：孙权森，周春佳，刘亚洲，贺金平，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32