【技术实现步骤摘要】
本专利技术属于图像处理
,具体涉及一种图像的多变量压缩感知重构方法,可用于对医学图像和自然图像进行重构。
技术介绍
随着具有高保真度和高分辨率的新型成像系统的发展,使人们在获取海量图像数据时面临着高成本、低效率,以及数据存储和传输的资源浪费等问题,因此需要全新的数据采集和重构的理论框架来解决传统方法带来的上述问题。压缩感知(Compressive Sensing, CS)正是为此产生的新的信号采样理论框架,最早由美国学者 Donoho 和 Cand s 等提出,如Donoho D L. Compressed sensing.1EEE Transactions on Information Theory, 2006, 52(4): 1289-1306 ;Cand s E J,Romberg J, Tao T. Robust uncertainty principles: Exact signal reconstructionfrom highly incomplete frequency information.1EEE Transactions on InformationTheory, 2006,52(2) : 489-509。与传统Nyquist采样相比,CS通过将具有稀疏性或可压缩性的信号向低维空间进行线性投影直接以压缩形式感知信号,而不是先以高速率进行采样,然后再对数据进行压缩。理论证明通过利用非线性优化方法求解逆问题,可从小规模的线性的、非自适应的测量中精确或近似重构信号。设计快速有效的重构算法是将CS理论成功推广并应用于实际数据模型和采 ...
【技术保护点】
一种基于小波HMT模型的多变量压缩感知重构方法,包括如下步骤:一.对图像进行小波变换,保留低频变换系数,对高频变换系数进行多变量压缩采样,得到多变量测量向量Y:Y=AX,其中X是N×Q维高频变换系数矩阵,A是K×N维随机感知矩阵,其中K<
【技术特征摘要】
1.一种基于小波HMT模型的多变量压缩感知重构方法,包括如下步骤: 一.对图像进行小波变换,保留低频变换系数,对高频变换系数进行多变量压缩采样,得到多变量测量向量Y: Y=AX,其中X是iV XQ维高频变换系数矩阵,A是iV维随机感知矩阵,其中KW ; 二.利用现有的MPA算法重构初始图像; 三.计算重构图像的高频变换系数处于大幅值状态的后验状态概率: 对重构图像利用现有的EM和Viterbi算法估计HMT模型的参数O,计算高频变换系数处于大幅值状态的后验状态概率:2.如权利要求1所述的基于小波HMT...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。