基于灰度共生矩阵的多尺度分块压缩感知算法 下载: 787次
1 引言
压缩感知(CS)理论摆脱了传统信号先采样后压缩的处理方式,不需要遵循奈奎斯特定理的采样要求,引发了信号采集与处理领域的一次重大变革。信号的采样率只依赖于信号的结构和内容,不再依赖于信号带宽[1]。CS理论利用信号的稀疏性,能以较少的测量数据重构信号,极大减少了需要采集的数据量;同时可大幅降低信号的处理时间,有效提升了传输效率,因此广泛应用于无线通信、光束成像、模式识别、医疗成像、无线传感器网络等领域[2-4]。
在处理二维图像时,观测矩阵过大会造成数据存储空间的极大浪费,且图像重构时间过长。分块压缩感知(BCS)将原始图像分割成大小相同的子块,通过同一观测矩阵进行压缩,减小了计算成本及存储空间[5]。图像块的大小及采样率对图像重构质量至关重要,王玥等[6]在BCS-平滑投影Landweber(BCS-SPL)算法的基础上,采用灰度熵度量纹理复杂度并进行自适应采样,但对重构图像质量的提高并不明显。杜秀丽等[7]计算了各图像块灰度共生矩阵(GLCM)的熵度量纹理复杂度,并自适应分配采样率,但仅针对原图像的计算熵,且在重构算法上没有考虑块效应。蔡旭等[8]将图像分成大小相同的子块并采用全变差分度量各子块的纹理复杂度,自适应分配采样率。但仅给出采样率较低时的仿真结果。曹玉强等[9]采用标准差度量图像块的纹理复杂度,对复杂度高的图像子块再次进行划分,提高了图像的重构质量。Fowler等[10]提出多尺度BCS-SPL (MS-BCS-SPL)算法,将BCS-SPL算法与多尺度小波变换相结合。该算法是对原图像进行三级小波变换,各层图形块大小不等且根据各层权重分配采样率。李玉等[11]在多尺度BCS算法的基础上,利用图像块的边缘特征和方向性,将采样率自适应分配给各层子带中的子块,但该算法仅针对具有较多平滑块的图像。程德强等[12]在MS-BCS-SPL算法的基础上,针对高频图像块进行非均匀分块,并利用灰度熵计算纹理复杂度,可以更好地重构图像的边缘和细节。李如春等[13]采用四叉树算法非均匀划分图像,根据相邻像素的离散余弦变换 (DCT)系数差划分子块类别并分配采样率,但采样率的分配仅是预采样的成比例分配,无法给出最佳采样率。
本文提出了一种基于GLCM的多尺度BCS算法,通过小波变换将原始图像分为高频部分和低频部分,利用灰度共生矩阵度量高频部分图像块的纹理复杂度,对复杂度高的图像块进行再分块,根据每个图像块的纹理复杂度,自适应分配采样率。采用SPL算法进行重构,消除分块引起的块效应[14],并通过实验验证了本算法的图像重构效果。
2 基本原理
2.1 多尺度自适应分块压缩感知算法
由CS理论可知,若信号在一组正交基下,存在K(K<<N)个不为零的系数,则可通过观测矩阵φM×N(M<N)对其采样、压缩,得到
式中,x为N×1的稀疏信号,y为M×1的输出信号。
在BCS算法中,将原图像分为J个大小为B×B的图像子块。令xi为第i个图像子块(i=1,2,…,J),用相同的观测矩阵φB(大小为Mi×B2,Mi为第i个图像子块的观测数目)对每个子块进行投影观测,得到
整个图像的观测矩阵可表示为
BCS算法只需存储观测矩阵φB,减少了图像观测的存储成本和计算时间。MS-BCS-SPL算法将BCS算法从时域转换到小波域,将观测矩阵分成两部分,可表示为
式中,φ'为多尺度分块观测矩阵,Ω为多尺度变换矩阵(如离散小波变换)。
整个采样压缩过程可表示为
若Ω为L级离散小波变换,则φ'包含了L个不同的观测矩阵,原图像x在多尺度变换下可表示为
将x'的第l级(l=1,2,…,L)子带s(s∈H,V,D)系数分成大小为Bl ×Bl的子块,即
式中,s子带包含了水平分量H、垂直分量V和对角线分量D,x'l,s,j为多尺度变换后第l级s子带下第j个图像块,φl为第l级观测矩阵。可以发现,MS-BCS-SPL算法不再摒弃高频分量,极大提高了压缩质量、节约了时间成本。
2.2 本算法的架构
本算法采用三级小波变换将图像分为低频分量和高频分量,低频分量保留了原图像的大部分细节信息,而高频分量保留了原图像的轮廓边缘。将高频分量预重构后,利用灰度共生矩阵度量图像块的纹理复杂度并自适应分配采样率,将复杂度高的图像块进一步分块。最后将重构后的高频图像与预重构的低频图像叠加,得到高质量重构图像,具体流程如
2.3 基于GLCM的纹理复杂度度量及自适应采样率分配
本算法采用GLCM度量图像块的纹理信息,GLCM是统计某一方向下距离为d的像素点对在图像中出现的次数。本质上是描述图像在相距一定角度和距离时两像素出现的频率,可反映图像在方向、间隔、变化幅度等方面的信息[15], 如
整幅图像中像素m到像素n出现的频率Pd(m,n,θ)。其中,a为像素对之间的水平距离,b为像素对之间垂直距离。
通过熵[16]对GLCM进行二次统计,可表示为
式中,Pd(m,n)为像素m到像素n在0°方向出现的概率,h为像素m到像素n概率的熵。
图像纹理复杂度与熵成正比,图像的纹理复杂度越高,熵越大。GLCM的熵能很好地度量图像的纹理复杂度,为了降低计算成本,将图像的灰度值范围由0~255量化为0~15,且不影响纹理复杂度度量[7]。为提高图像重构质量,根据图像块的纹理信息自适应分配采样率,纹理复杂度越高,图像块分配的采样数越多,具体步骤如下。
1) 将高频预重构图像均匀划分成大小为32 pixel×32 pixel的图像块并计算各图像块的纹理复杂度。若图像块的纹理复杂度大于阈值T1,则将图像块再次进行分块。纹理复杂度小于T1的图像块采样率为
式中,S为设定采样率,b1为纹理复杂度小于T1的图像块个数,hi为第i个图像块的纹理熵,Smin为最低采样率阈值,可表示为
根据采样率r与采样数M的关系(r=M/N),确定图像块观测矩阵的大小。相比传统多尺度分块算法的采样率分配(文献[ 10]),实验使用的采样率公式更注重区分图像的纹理复杂度。多尺度分块算法的图像块采样率随图像块所在尺度下小波系数的变化而变化,对于相同尺度下不同图像块采用相同的采样率,缺乏对纹理复杂度的分析。而实验使用的采样率公式根据图像块纹理熵占全部相对应大小图像块纹理熵之和的比例自适应调整,对包含较多纹理信息的图像块分配较多采样率,对平滑块分配较少采样率,且Smin可防止采样率过低。
2) 将纹理复杂度大于T1的图像块进一步分成4个大小为16 pixel×16 pixel的图像块。计算各图像块的纹理复杂度,若图像块的纹理复杂度大于阈值T2,则将图像块再次进行分块。纹理复杂度小于T2的图像块,其采样率为
式中,b2为纹理复杂度小于T2的图像块个数。
3) 以此类推,直至图像块大小为4 pixel×4 pixel时停止分块。
2.4 观测矩阵及重构算法
观测矩阵选用结构化随机观测矩阵(SRM),SRM的普适性好,块循环结构所需的存储量小,计算复杂度低、硬件更好实现,其数学模型可表示为[16-17]
式中,
首先将正交矩阵即DCT矩阵进行循环和标准化处理,然后根据计算得到的采样数M对矩阵进行随机抽样,最后进行归一化处理。原始图像经稀疏处理后投影到观测矩阵上,得到输出y。
实验采用SPL算法对图像进行重构,具体结构如
2.5 算法仿真
测试图像选用20幅大小为512 pixel×512 pixel不同场景的图像,分别为Mandrill、Goldhill、Barbara、Houses、Boat、Bridge、Home、Lighthouse、Peppers、Airfield、Zelda、Truck、Tank、Kiel、Fruits、Couple、Mountain、Dollar、Woman、Aerial,如
图 4. 图像数据集。(a)Mandrill; (b)Goldhill; (c)Barbara; (d)Houses; (e)Boat; (f)Bridge; (g)Home; (h)Lighthouse; (i)Peppers; (j)Airfield; (k)Zelda; (l)Truck; (m)Tank; (n)Kiel; (o)Fruits; (p)Couple; (q)Mountain; (r)Dollar;(s)Woman; (t)Aerial
Fig. 4. Image date set.(a)Mandrill; (b)Goldhil; (c)Barbara; (d)Houses; (e)Boat; (f)Bridge; (g)Home; (h) Lighthouse; (i) Peppers; (j) Airfield; (k) Zelda; (l) Truck; (m) Tank; (n) Kiel; (o) Fruits; (p)Couple; (q)Mountain; (r)Dollar; (s)Woman; (t)Aerial
利用三级9/7离散双正交小波变换将图像分为高频分量和低频分量。图像的高频分量经预重构、稀疏、基于灰度共生矩阵的熵度量图像的纹理复杂度、DCT观测矩阵压缩,最后经SPL算法进行重构。计算灰度共生矩阵时,图像块的方向设为0°、距离设为1。图像的初始分块大小为32 pixel×32 pixel,然后根据分块阈值对图像进行再分块,直至图像块的大小为4 pixel×4 pixel。分块阈值设为相同大小图像块熵的均值,纹理复杂度越高,图像块的大小越小,同时可根据图像块的纹理复杂度自适应分配采样率。
3 分析与讨论
将本算法与MS-BCS-SPL算法[10]、以灰度熵度量纹理复杂度的非均匀分块Document算法[12]及以标准差度量纹理复杂度的ABCS-SPL算法[9]进行对比。用峰值信噪比(PSNR)评价图像重构质量,单位为dB,结果如
表 1. 不同算法重构图像的PSNR
Table 1. PSNR of images reconstructed by different algorithms unit: dB
|
由
图像在实际传输过程中会受到噪声干扰[19],本算法在观测过程中引入高斯白噪声,针对Boat图像分别在信噪比(SNR)为5 dB,10 dB,15 dB、采样率为0.3时,对比不同算法的重构效果,算法对噪声的鲁棒性结果如
图 5. SNR为5 dB时Boat图像的重构效果。 (a)MS-BCS-SPL算法; (b)Document算法; (c)ABCS-SPL算法; (d)本算法
Fig. 5. Reconstruction effect of Boat image when SNR is 5 dB. (a) MS-BCS-SPL algorithm; (b) Document algorithm; (c) ABCS-SPL algorithm; (d)our algorithm
图 6. SNR为10 dB时Boat图像的重构效果。(a)MS-BCS-SPL算法;(b)Document算法;(c)ABCS-SPL算法;(d)本算法
Fig. 6. Reconstruction effect of Boat image when SNR is 10 dB. (a) MS-BCS-SPL algorithm; (b) Document algorithm; (c) ABCS-SPL algorithm; (d)our algorithm
图 7. SNR为15 dB时Boat图像的重构效果。(a)MS-BCS-SPL算法;(b)Document算法;(c)ABCS-SPL算法;(d)本算法
Fig. 7. Reconstruction effect of Boat image when SNR is 15 dB. (a) MS-BCS-SPL algorithm; (b) Document algorithm; (c) ABCS-SPL algorithm; (d)our algorithm
从
4 结论
在MS-BCS-SPL算法的基础上,提出了一种基于灰度共生矩阵度量纹理复杂度的自适应多尺度分块压缩感知算法。利用三级9/7离散双正交小波变换将图像分为高频分量和低频分量。采用灰度共生矩阵的熵分析高频图像块的纹理复杂度,并与设定的阈值进行对比,确定图像块大小、自适应分配采样率。仿真结果表明,相比其他算法,本算法在低采样率和高采样率时,对轮廓复杂、具有较多细节图像重构的PSNR有明显提升。观测过程引入噪声后,图像的PSNR略有降低,但重构效果优于现有算法,对噪声具有较好的鲁棒性。但在处理纹理相对简单的图像块时,本算法的优势相对较弱,仍需进一步完善,且还需将结果用于实际硬件中。
[1] 焦李成, 杨淑媛, 刘芳, 等. 压缩感知回顾与展望[J]. 电子学报, 2011, 39(7): 1651-1662.
Jiao L C, Yang S Y, Liu F, et al. Development and prospect of compressive sensing[J]. Acta Electronica Sinica, 2011, 39(7): 1651-1662.
[2] Donoho D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.
[3] 王与烨, 任宇琛, 陈霖宇, 等. 基于分块压缩感知理论的太赫兹波宽光束成像技术[J]. 光学学报, 2019, 39(4): 0407001.
[4] 柯钧, 张临夏, 周群. 压缩感知在光学成像领域的应用[J]. 光学学报, 2020, 40(1): 0111006.
[5] GanL. Block compressed sensing of natural images[C]∥2007 15th International Conference on Digital Signal Processing, July 1-4, 2007, Cardiff, UK.New York: IEEE Press, 2007: 403- 406.
[6] 王玥, 周城, 熊承义, 等. 基于纹理自适应全变分滤波的图像分块压缩感知优化算法[J]. 计算机科学, 2016, 43(2): 307-310,315.
[7] 杜秀丽, 张薇, 顾斌斌, 等. 基于灰度共生矩阵的图像自适应分块压缩感知方法[J]. 计算机科学, 2018, 45(8): 277-282.
Du X L, Zhang W, Gu B B, et al. GLCM-based adaptive block compressed sensing method for image[J]. Computer Science, 2018, 45(8): 277-282.
[8] 蔡旭, 谢正光, 黄宏伟, 等. 一种自适应低采样率图像分块压缩感知算法[J]. 小型微型计算机系统, 2016, 37(3): 612-616.
[9] 曹玉强, 柏森, 曹明武. 图像自适应分块的压缩感知采样算法[J]. 中国图象图形学报, 2016, 21(4): 416-424.
[10] Fowler JE, MunS, Tramel EW. Multiscale block compressed sensing with smoothed projected Landweber reconstruction[C]∥2011 19th European Signal Processing Conference, August 29 - September 2, 2011, Barcelona, Spain.New York: IEEE Press, 2011: 564- 568.
[11] 李玉, 赵瑞珍, 张凤珍, 等. 边缘和方向估计的自适应多尺度分块压缩感知算法[J]. 信号处理, 2015, 31(4): 407-413.
Li Y, Zhao R Z, Zhang F Z, et al. Adaptive multi-scale block compressed sensing algorithm based on edge and direction estimation[J]. Journal of Signal Processing, 2015, 31(4): 407-413.
[12] 程德强, 邵丽蓉, 李岩, 等. 多尺度分块的自适应采样率压缩感知算法[J]. 激光与光电子学进展, 2019, 56(3): 031005.
[13] 李如春, 程云霄, 李林, 等. 自适应分块压缩感知的图像压缩算法[J]. 浙江工业大学学报, 2018, 46(4): 392-395,406.
[14] MunS, Fowler JE. Block compressed sensing of images using directional transforms[C]∥2009 16th IEEE International Conference on Image Processing (ICIP), November 7-10, 2009, Cairo, Egypt.New York: IEEE Press, 2009: 3021- 3024.
[15] 杨龙飞. 基于局部二值模式和灰度共生矩阵的纹理特征提取技术研究[D]. 兰州: 兰州大学, 2016: 42- 43.
Yang LF. The study on texture feature extraction method based on LBP and GLCM[D]. Lanzhou: Lanzhou University, 2016: 42- 43.
[16] 刘芳, 武娇, 杨淑媛, 等. 结构化压缩感知研究进展[J]. 自动化学报, 2013, 39(12): 1980-1995.
Liu F, Wu J, Yang S Y, et al. Research advances on structured compressive sensing[J]. Acta Automatica Sinica, 2013, 39(12): 1980-1995.
[17] 李红兵. 图像压缩感知中结构化观测矩阵和高性能重构算法研究[D]. 重庆: 重庆邮电大学, 2017: 28- 33.
Li HB. Research on structured measurement matrix and high performance reconstruction algorithm in image compressive sensing[D]. Chongqing: Chongqing University of Posts and Telecommunications, 2017: 28- 33.
[18] Sendur L, Selesnick I W. Bivariate shrinkage functions for wavelet-based denoising exploiting interscale dependency[J]. IEEE Transactions on Signal Processing, 2002, 50(11): 2744-2756.
[19] 张杰. 基于压缩感知的天文图像压缩及去噪重建算法研究[D]. 哈尔滨: 哈尔滨工业大学, 2018: 28- 32.
ZhangJ. Astronomical image compression and denoising reconstruction algorithms based on compressed sensing[D]. Harbin: Harbin Institute of Technology, 2018: 28- 32.
Article Outline
李金凤, 赵雨童, 黄纬然, 郭巾男. 基于灰度共生矩阵的多尺度分块压缩感知算法[J]. 激光与光电子学进展, 2021, 58(4): 0410002. Jinfeng Li, Yutong Zhao, Weiran Huang, Jinnan Guo. Multi-Scale Block Compressed Sensing Algorithm Based on Gray-Level Co-Occurrence Matrix[J]. Laser & Optoelectronics Progress, 2021, 58(4): 0410002.