[发明专利]基于脊波字典的多目标遗传优化压缩感知图像重构方法

说明书

本发明公开了一种基于脊波字典的多目标遗传优化压缩感知图像重构方法，主要解决现有重构方法，由于稀疏度预估不准确而导致图像重构不准确的问题，其实现过程为：1)判别图像块结构，将图像块标记为光滑，单方向和多方向；2)对不同类型的图像块所对应的观测向量聚类，并为每一类图像块构造初始种群；3)对当前种群执行基于不同基因位置变长编码的交叉，基于先验信息的新个体的插入和多点变异操作；4)计算当前种群的非支配解集，并计算拐点作为最优解；5)以最优解计算图像块的估计值，按顺序拼接成整幅图像。本发明能够找到较适合图像块的稀疏度，并找到该稀疏度下最优的原子组合，重构质量好，鲁棒性高，可用于自然图像和医学图像的重构。

技术领域

本发明属于图像处理技术领域，涉及多目标优化的非凸压缩感知图像重构方法，可用于对医学图像和自然图像的重构。

背景技术

压缩感知理论通过开发信号的稀疏特性，在远小于奈奎斯特Nyquist采样率的条件下，随机采样获取信号的离散样本，然后通过非线性重建算法完美地重建信号。压缩感知理论的关键之处在于实现信号采样和数据压缩的结合，即对信号采样的同时也实现压缩的目的，以远低于Nyquist采样率对信号采样，这样既节省了资源和带宽，又缓解了较高的带宽给信号采集设备带来的压力。在这种新的信号处理模式下，采样的频率不再被信号带宽的大小所决定，而是与观测矩阵和稀疏变换基的不相关程度、信号的稀疏程度等因素有关。

目前提出的基于脊波字典学习的非凸压缩感知图像重构算法，是利用遗传进化算法学习得到字典方向上的较优原子组合，最后使用该最优原子组合来重构图像，但是这一类算法都需要预先知道稀疏度，也就是重构需要的原子组合中原子的个数，但是在实际应用中，稀疏度往往是未知的。

目前基于脊波字典学习的非凸压缩感知图像重构算法中，通常固定稀疏度，也就是固定重构一个信号所需要的原子个数，来求最优的原子组合，这是不合理的，因为一个真实的信号重构所需要的原子个数即稀疏度往往是不确定的，因而存在由于稀疏度预估不准确而导致图像重构不准确的问题。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于脊波字典的多目标遗传优化压缩感知图像重构方法，以提高在稀疏度未知条件下的图像重构准确性。

为实现上述目的，本发明的技术方案如下：

(1)接收发送方发送的正交随机高斯观测矩阵Φ和对图像分块压缩采样得到的每一块的观测y；

(2)根据按方向组织的脊波过完备字典对每个观测向量y所对应的图像块进行结构判别，将图像块标记为光滑块、单方向块和多方向块，并记录单方向块的方向；

(3)对光滑块，单方向块，多方向块对应的测量向量分别用近邻传播聚类AP算法进行聚类；

(4)对每一类观测向量对应的图像块，设置种群大小为N，设当前进化代数为I，设置种群中每个个体由两个目标的编码对组成，其中第一个目标对应要重构块的稀疏度，即重构原子组合中原子的个数，第二个目标对应要重构图像块的字典原子组合，根据要重构图像块被标记的类别和对应的脊波子字典对种群个体进行初始化，并计算种群中每个个体的适应度值，得到初始种群；

(5)对当前种群个体执行基于不同基因位置变长编码的交叉操作，并更新相应种群个体的第一个目标，得到交叉后的种群；

(6)对当前交叉后的种群执行基于先验信息的新个体的插入操作，得到新种群并计算新种群个体的适应度值；

(7)对当前新种群个体的第二个目标执行多点变异操作；

(8)根据新种群每个个体的第一个目标和对应的适应度值，计算非支配解集F；

(9)根据非支配解集F中新种群个体的数目，均匀的选择下一代种群个体；