基于扩展小波树的彩色自适应压缩成像 下载: 1044次
1 引言
压缩感知(CS)理论[1]相较于奈奎斯特定律, 只需少量采样次数就可以较好地重构出原始图像,在生物医学、航空航天、遥感测量、通信工程等领域发挥着重要作用[2-4]。由于彩色图像在识别和探测方面优于单色灰度图像,因此彩色压缩成像成为CS领域新的研究方向[5-6]。Welsh等[7]提出了一种基于压缩鬼成像系统的彩色压缩成像方法,该方法利用白光散斑进行投影,通过分束镜后分为红(R)、绿(G)、蓝(B)三色光并分别进入装有滤光片的单像素探测器,然后对三分量分别进行重构得到彩色图像。但是CS的计算开销大,所需重构时间长,其计算量随成像分辨率的增加而呈指数型增长。
Averbuch等[8]提出一种自适应压缩采样(ACS)算法,其直接利用小波稀疏基的二值投影图案取代经典随机散斑投影。在单像素相机基础上加入反馈机制,利用小波树中的父子关系来预测小波树中下一层对应的子系数的重要性。在所有的重要系数都被采样后,进行反小波变换就可以将图像重构出来。该方法与CS相比,显著降低了重构所需的时间。但ACS算法中重要父系数所对应的子系数未必都是重要的,仅通过父子关系来确定重要系数将会造成误判失真,从而导致采样次数增加。为进一步提高重要系数的预测准确性,Dai等[9]提出了扩展小波树的概念,将小波树的兄弟关系和父子关系结合起来,提出了基于扩展小波树的自适应压缩采样(EWT-ACS)方法。EWT-ACS方法避免了CS所带来的计算开销,大大减少重构所需的时间,提高成像速率,有效提高了重要系数的预测准确性。在相同采样率下,EWT-ACS方法所提供的成像效果优于ACS和CS。Huo等[10-11]在此基础上进一步挖掘了小波树中各节点之间的关系,加入了对非重要父节点所对应的重要子节点位置的预测,有效提高了对采样位置预测的准确性,提高了采样率,减少了重构所需时间。
当前对于彩色图像压缩成像,多数只是简单利用彩色图像中三分量的灰度图像来进行压缩采样和重构融合,得到的彩色图像质量并不理想,经常存在偏色比较严重的现象。本文在扩展小波树理论基础上,利用彩色图像三通道间的相关性,提出了一种基于多任务贝叶斯模型的彩色图像自适应压缩成像方法,在降低采样率的同时,有效提高了彩色成像的质量。
2 EWT-ACS方法
小波分解提供了一种多分辨率的分层图像表示结构——小波树[12],其由不同分辨率不同空间频率方向的小波系数组成。
在确定阈值后,利用小波树结构的父子关系,可以通过父系数的重要性估计子系数的重要性,保留重要系数,舍弃非重要系数,大大减少采样次数。但是,由于子系数对应的空间区域是父系数所对应空间区域的子集,重要父系数所对应的4个子系数中,也可能存在非重要系数。如果只依赖父子关系进行重要系数的判定,很可能因为误判失真而造成采样资源的浪费。
在ETW-ACS方法中,每一个小波系数可以通过两次投影矩阵测量而得到,单次测量的二进制投影图像由
3 多任务贝叶斯模型和图像重构算法
3.1 彩色图像RGB分量图像的相关关系
彩色图像可视为由
图 3. 彩色图像baboon及其三分量图像。(a)原始图像;(b)红;(c)绿;(d)蓝
Fig. 3. Color image baboon and its three component images. (a) Original image; (b) red; (c) green; (d) blue
由
图 4. 三通道不同方向上第一层重要小波系数的位置
Fig. 4. Locations of significant wavelet coefficients of different directions in three channels at the first scale
将EWT-ACS方法应用于彩色成像领域,一种简单的思想是将该算法分别用于R、G、B三通道,独立重构,随后使用各通道的重构结果合成彩色图像。然而,在实际应用中,该方法存在一些缺点。如
3.2 多任务贝叶斯模型
由于彩色图像的
对彩色图像的
则基于采样值向量
设
式中
由于超参数
选择合适的参数
3.3 图像重构算法
重构算法分解为两个步骤:
1) 所有三个通道小波系数的采样值向量
得到
2) 根据系数
重构算法在上述两个步骤间来回迭代,过程中通过增加、删除和重新估计基函数对公式进行更新,直到迭代停止。这就意味着,重构每一个通道的小波系数时,都借用了另外两个通道小波系数的采样信息来帮助本身的重构[16]。
4 仿真与实验
4.1 仿真与评价
首先对彩色图像的R、G、B三通道进行两层小波分解,设置阈值。然后利用扩展小波树,确定重要系数的位置并进行采样。以分辨率为64 pixel×64 pixel的彩色barboon图像为例,采用EWT-ACS方法对三通道进行压缩采样,首先确定分解层数为两层,分别采样得到分辨率为32 pixel×32 pixel的低频小波系数,对R、G、B三通道均设置阈值
将利用EWT-ACS算法得到的小波系数矩阵直接进行小波逆变换,得到的彩色图像如
图 5. 小波逆变换结果。(a)原始baboon图像; (b)重构后的baboon图像
Fig. 5. Result after wavelet inverse transform. (a) Original baboon image; (b) reconstructed baboon image
通过计算彩色图像的峰值信噪比(PSNR)来对获得的重构图像进行评价。彩色图像的PSNR[14]值计算公式为
式中
利用多任务贝叶斯模型对R、G、B三通道的小波系数进行处理,选择的是分别将 R、G、B 三通道中第一层小波系数完全保留,将第二层高分辨率小波系数单独作为一个任务并进行贝叶斯CS多任务处理后,再对三个通道的小波系数分别进行反小波变换,最后将重构后的
为了进一步验证成像效果,分别选用了基于CS的彩色压缩成像方法、独立贝叶斯模型和多任务贝叶斯模型进行仿真对比,三种方法得到的重构图像对比图如
由
图 6. 不同采样次数下三种模型的重构结果。(a) 400;(b) 500;(c) 600;(d) 700;(e) 800;(f) 900;(g) 1000
Fig. 6. Reconstructed results of three models at different sampling times. (a) 400; (b) 500; (c) 600; (d) 700; (e) 800; (f) 900; (g) 1000
图 7. 不同采样次数下三种模型重构结果的细节放大图。(a) 600;(b) 700;(c) 800;(d) 900;(e) 1000
Fig. 7. Zoomed reconstructed results of three models at different sampling times. (a) 600; (b) 700; (c) 800; (d) 900; (e) 1000
从
由
表 1. 不同模型的PSNR值
Table 1. PSNR values of different models
|
此外,低分辨率层的小波系数值相对比较大,因此在同一阈值下,由于采集了某一通道的小波系数,而另一通道同一位置处的小波系数未被采集,造成比较小的失真。如果对所有分辨率层的小波系数都进行更新,不仅增加了程序的复杂度、运算量、运行时间,而且得到的重构图像的效果也不尽理想。因此,使用本文方法,在获得高质量重构图像的同时大大降低了重构所需的计算开销。
4.2 实验与分析
通过实验来验证利用扩展小波树进行彩色图像压缩成像的可行性。将爱色丽标准比色卡作为目标图像,如
首先,确定最终成像分辨率为64 pixel×64 pixel,分解层数为2。由PC端的Labview软件生成Haar小波基投影图像,采用数字光处理器(DLP)内置的数字微镜阵列(DMD)对目标彩色图像进行投影。目标图像的反射光强信号由没有空间分辨率的桶探测器接收。使用的DLP具有内置的红绿蓝光源,将其作为不同的结构光,可以分别得到R、G、B三通道下的采样数据,实验装置如
图 9. 彩色自适应压缩成像方法的实验装置图
Fig. 9. Experimental setup of colored adaptive compressed imaging method
采用EWT-ACS方法分别得到
图 10. 不同采样次数下多任务贝叶斯模型对色卡的重构图像。(a)未采样;(b) 400;(c) 600;(d) 800;(e) 1000
Fig. 10. Reconstructed images of color chart at different sampling times using multi-mask Bayesian Model. (a) Un-sampled; (b) 400; (c) 600; (d) 800; (e) 1000
从彩色分析的角度出发,通过计算总色差来对重构图像的色彩偏差进行评价,采用最新的CIE DE2000色差公式[17],即
式中:Δ
对于未采样直接融合的结果
由
表 2. 两种模型的ΔE00平均值
Table 2. Mean values of ΔE00 in two models
|
表 3. 两种模型的ΔE00最大值
Table 3. Maximum values of ΔE00 in two models
|
由
5 结论
针对彩色成像过程中存在的重构时间长、重构图像效果不好的问题,在EWT-ACS 方法的基础上提出了基于多任务贝叶斯模型的彩色图像自适应压缩成像方法。根据扩展小波树结构中父子系数和兄弟系数的关系,对彩色图像三通道的分量图像分别进行EWT-ACS自适应压缩采样,降低采样率,减少采样时间。同时利用彩色图像三通道间的高频小波稀疏的关联性,采用多任务贝叶斯模型进行融合得到彩色重构图像。仿真和实验结果表明,当采样次数达到600次,即采样率为14.6%时,基于多任务贝叶斯模型的彩色重构方法得到的PNSR值均在27 dB以上,色差均值很小。所提出的方法相较于传统的独立模型,在不同采样次数下均可较好地保证重构图像色调的一致性,而且多任务贝叶斯模型重构图像的色差比独立模型更加稳定。
[1] 王民, 李泽洋, 王纯, 等. 基于压缩感知与SURF特征的手语关键帧提取算法[J]. 激光与光电子学进展, 2018, 55(5): 051013.
[2] Li QF, Guo KY, TangB, et al. Scattering center modelling based on compressed sensing principle from under-sampling scattering field data[C]∥IEEE International Geoscience and Remote Sensing Symposium, 2016: 2672- 2675.
[3] 刘焕淋, 王储君, 陈勇. 基于分段自适应采样压缩感知的FBG光谱压缩与重构方法[J]. 中国激光, 2018, 45(3): 0306004.
[4] 陈熠, 樊祥, 程玉宝, 等. 基于邻域相似度的压缩感知鬼成像[J]. 光学学报, 2018, 38(7): 0711001.
[5] 闫奕芸. 彩色自适应压缩鬼成像[D]. 南京: 南京理工大学, 2016: 1- 5.
Yan YY. Color adaptive compressed ghost imaging[D]. Nanjing: Nanjing University of Science and Technology, 2016: 1- 5.
[6] 陈涛, 李正炜, 王建立, 等. 应用压缩传感理论的单像素相机成像系统[J]. 光学精密工程, 2012, 20(11): 2523-2530.
[12] 刘星炯. 彩色自适应压缩采样方法的实验研究[D]. 南京:南京理工大学, 2016: 16- 22.
Liu XJ. Experimental study on color adaptive compressed sampling method[D]. Nanjing: Nanjing University of Science and Technology, 2016: 16- 22.
[14] 练秋生, 夏长城. 基于双树复数小波局部高斯模型的彩色图像压缩感知[J]. 激光与光电子学进展, 2011, 48(10): 101001.
[15] MajumdarA, Ward RK. Non-convex group sparsity: application to color imaging[C]∥IEEE International Conference on Acoustics, Speech and Signal Processing, 2010: 469- 472.
[16] 王鹏. 彩色图像压缩感知方法研究[D]. 长沙:湖南大学, 2014 : 29- 38.
WangP. The research on compressive sensing of color image[D]. Changsha: Hunan University, 2014: 29- 38.
[17] 郑元林, 刘士伟. 最新色差公式:CIEDE2000[J]. 印刷质量与标准化, 2004, 7: 34-37.
Article Outline
骆乐, 陈钱, 刘星炯, 闫奕芸, 顾国华, 何伟基, 王娅. 基于扩展小波树的彩色自适应压缩成像[J]. 激光与光电子学进展, 2019, 56(1): 010301. Le Luo, Qian Chen, Xingjiong Liu, Yiyun Yan, Guohua Gu, Weiji He, Ya Wang. Colored Adaptive Compressed Imaging Based on Extended Wavelet Trees[J]. Laser & Optoelectronics Progress, 2019, 56(1): 010301.