基于进化多目标优化的非凸压缩感知图像重构方法技术

本发明专利技术涉及基于进化多目标优化的非凸压缩感知图像重构方法，用于对医学图像和自然图像进行重构。本发明专利技术提出了分块打散压缩采样方法，克服了现有分块压缩感知重构技术中，有些图像块不稀疏或者弱稀疏的缺点，提高了重构图像的质量。本发明专利技术将压缩感知重构中有约束的单目标优化问题转化为将稀疏度也作为优化目标的多目标优化问题，并针对图像利用进化多目标优化思想实现了基于小波域下的压缩感知优化重构方法，克服了现有压缩感知重构技术中，难以确定稀疏度的不足，提高了重构图像的质量。本发明专利技术将图像的边缘位置信息作为指导IHT方法求解稀疏系数的位置先验，克服了现有压缩感知重构技术中，较少考虑稀疏系数位置的不足，从而提高了重构图像的质量。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及，用于对医学图像和自然图像进行重构。本专利技术提出了分块打散压缩采样方法，克服了现有分块压缩感知重构技术中，有些图像块不稀疏或者弱稀疏的缺点，提高了重构图像的质量。本专利技术将压缩感知重构中有约束的单目标优化问题转化为将稀疏度也作为优化目标的多目标优化问题，并针对图像利用进化多目标优化思想实现了基于小波域下的压缩感知优化重构方法，克服了现有压缩感知重构技术中，难以确定稀疏度的不足，提高了重构图像的质量。本专利技术将图像的边缘位置信息作为指导IHT方法求解稀疏系数的位置先验，克服了现有压缩感知重构技术中，较少考虑稀疏系数位置的不足，从而提高了重构图像的质量。【专利说明】
本专利技术属于图像处理
，确切讲是涉及，用于对医学图像和自然图像进行重构。
技术介绍
近几年，在信号处理领域出现了一种新的数据采集理论“压缩感知” CS，该理论在数据采集的同时实现压缩，突破了传统奈奎斯特采样定理的限制，为数据采集技术带来了革命性的变化，使得该理论在压缩成像系统、军事密码学、无线传感等领域有着广阔的应用前景。压缩感知理论主要包括信号的稀疏表示、信号的观测和信号的重构等三个方面。在信号重构方面，通过求解Itl或I1范数的优化问题来重构图像。Tropp 等人在文献 “Joel A.Tropp, Anna C.Gilbert, Signal Recovery FromRandom Measurements Via Orthogonal Matching Pursuit”中提出基于正交匹配追踪的随机观测的信号恢复方法。该方法对稀疏信号进行低采样的随机观测，从正交的原子库中选择最能匹配信号结构的原子，从而重构出图像。该方法存在的不足是，在重构过程中使用贪婪思想寻找最优解，并不能保证收敛到全局最优解，从而导致重构出的图像不够准确，并且它需要人为指定稀疏度的大小，并不是自适应地寻找适合特定问题的稀疏度，从而导致重构图像质量不好，另外它对压缩感知框架强加了有限等距性RIP约束，从某种意义上讲，限制了压缩感知的应用范围。Hui Li 等人在文献 “M0EA/D with Iterative Thresholding Algorithm forSparse Optimization Problems”中提出基于分解的多目标进化算法M0EA/D用于稀疏信号恢复的方法。该方法针对一维随机稀疏信号，将压缩感知重构中有约束的单目标优化问题转化为将稀疏度也作为优化目标的多目标优化问题，且通过结合M0EA/D和迭代硬阈值IHT进行压缩感知优化重构。该方法的不足是，它重构的是一维随机稀疏信号，并没有针对图像来实现该方法，自然就没有引入图像的先验信息来指导，并且IHT也没有使用位置信息来指导求解，其稀疏度范围也是人为定的，从而导致重构的图像质量不好。另外，对于小波域下的分块压缩感知图像重构方法，其优点是:运算量小，耗时小；其不足之处是:在小波域下，将高频小波系数进行分块后，可能会出现某些块不稀疏或者弱稀疏，从而违背了压缩感知的理论基础，导致重构的图像质量不好。
技术实现思路
本专利技术的目的是针对小波域下的分块压缩感知图像重构方法中，可能会出现图像块不稀疏或者弱稀疏的缺点，提供一种，以便优化图像重构算法，提高图像准确重构质量。实现本专利技术的技术方案是:，其特征是:至少包括如下步骤:步骤101:输入测试图像，对测试图像进行小波变换，保留低频小波系数C1，利用正交随机高斯观测矩阵Φ对高频小波系数每隔8个像素进行分块打散压缩采样，得到每一块的观测向量y ;步骤102:利用保留的低频小波系数C1，通过小波逆变换、边缘检测和分块打散操作得到对应于高频小波系数的位置矩阵E，位置矩阵E的每一列e对应于每一块的观测向量I ;步骤103:利用位置矩阵E通过统计方法获取每一块的块稀疏度范围，其中η是位置矩阵E中对应于观测向量y的那一列的非零元素个数；步骤104:对位置矩阵E执行打散块合并操作，得到分块打散前的位置矩阵E'；步骤105:对分块打散前的位置矩阵E'进行提取疫苗和注射疫苗操作，得到分块打散前的过渡位置矩阵E"；步骤106:对分块打散前的过渡位置矩阵E"执行分块打散操作，得到新的位置矩阵￡，新的位置矩阵左的每一列I对应于每一块的观测向量I ;步骤107:设置种群大小为10，当前进化代数为p，种群中每个个体由编码对(目标1、目标2)组成，目标I对应于要重构的块的小波系数，目标2表示对应的块稀疏度，利用正交随机高斯观测矩阵Φ和每一块的观测向量y通过广义逆，并结合新的位置矩阵色中的每一列?对种群中每个个体的目标I进行基于块位置信息的初始化操作和根据对应于每一块的观测向量y的块稀疏度范围对种群中每个个体的目标2进行初始化，得到每一块的种群P = {(w/，S1)，...，(w10,，s10)}，其中w/是种群P中的第j个个体的目标1，即对应的块的小波系数，Sj是种群P中的第j个个体的目标2，即对应的块稀疏度，j =1，…，10 ；步骤108:对每一块的种群P中每个个体的目标I根据新的位置矩阵左及其目标2进行一致变异操作，得到每一块的子代种群，其中w是子代种群P中第j个个体的目标1，Sj是子代种群户中的第j个个体的目标2，j = I,…，10 ；步骤109:对每一块的子代种群P中每个个体的目标I根据对应于每一块的新的位置矩阵E中的一列?及其目标2进行迭代硬阈值局部搜索，得到每一块的新子代种群^ = ，其中^是新子代种群P’中第j个个体的目标1，Sj是新子代种群P'中的第j个个体的目标a j = I,…，10，并计算每一块的新子代种群P'中每个个体的适应度；步骤110:从由每一块的新子代种群户I中每个个体的目标I组成的集合中进行非支配解选择，并将非支配解对应地保存在每一块的非支配解集合Q中，但不保存弱支配解；步骤111:根据每一块的非支配解集合Q中的元素个数更新新子代种群尹中相应个体的目标2，即稀疏度，若新子代种群P中相应个体的目标2有更新，则更新每一块的新子代种群户中更新了目标2的个体的目标I ;若新子代种群户中相应个体的目标2没有更新，则保留新子代种群中的个体，在这里为了方便，不管新子代种群户中相应个体的目标2有没有更新，都将此操作后的个体记为，于是得到每一块的更新子代种群卢=H0....(O。')}，其中 < 是更新子代种群户中第j个个体的目标I，s/是更新子代种群P"中第j个个体的目标2，j = I,…，10，并计算每一块的更新子代种群r中每个个体的迫;步骤112:如果当前进化代数P大于设置的最大进化代数mp，或者适应度达到要求，则执行步骤113，并保留最终得到的每一块的更新子代种群#〃中适应度最大的个体作为每一块的最优小波系数解；否则P=P+1，并将每一块的更新子代种群卢覆盖每一块的种群P，返回步骤108 ；步骤113:对所有块的最优小波系数解执行打散块合并操作，即恢复成分块打散压缩采样前的形式，结合保留的低频小波系数C1进行小波逆变换得到测试图像的重构图像。所述步骤101中的利用正交随机高斯观测矩阵Φ对高频小波系数每隔8个像素进行分块打散压缩采样，包括如下步骤:步骤201:将高频小波系数分成8X8的块；步骤202:按从左到右，从上本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：刘芳，宁文学，李玲玲，焦李成，戚玉涛，郝红侠，李婉，马文萍，马晶晶，尚荣华，于昕，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：