光场成像技术中光场的采集和数据的压缩处理是亟待解决的问题。为了实现光场的稀疏采样和恢复, 建立了基于光场低秩结构的压缩采样相机系统, 研究了光场矩阵的结构特征及压缩采样下光场图像的重构问题。根据静态光场各视点图像之间的内容相似性, 将这些图像向量化并按列组合成一个二维矩阵, 该矩阵呈现出低秩或近似低秩的状态。对光场图像矩阵进行低秩分解, 结果表明偏离低秩的部分呈现出很强的稀疏性性质, 低秩和稀疏各自表征不同的数据冗余度。然后, 对基于掩膜的相机采样系统进行随机Noiselets变换测量, 鉴于重构过程是一个低秩稀疏相关性约束下的优化求解问题, 采用贪婪迭代求解分别重构出光场矩阵的低秩部分和稀疏部分。仿真结果表明, 重构图像的PSNR维持在25 dB以上,且保留了光场视点间的视差信息, 能够满足稀疏采样中对光场图像的要求。

为从强噪声图像中重构出原图像并减小误差，提出了一种基于梯度重权非局部平均的强噪声图像去噪算法。根据稀疏和冗余表示，基于K-SVD字典学习去噪算法可自适应从已知带噪图像中训练字典，但是字典固有的结构限制，导致强噪声图像去噪效果差。提出了基于字典学习的梯度重权非局部平均算法，该算法对图像结构赋予更紧约束，可以改善去噪性能。利用全变分法求解图像结构的梯度，给予图像边缘信息更高的权重，结合图像结构信息的相似性和稀疏性先验，求解优化后的逆问题。与传统字典去噪相比，所提出的算法对强噪声图像的去噪效果更好，并保留了细节轮廓信息，具备较好的峰值信噪比和结构相似性。