[发明专利]基于多假设加权的差分图像压缩感知重构方法及智能终端

说明书

本发明属于图像编解码技术领域，公开了一种基于多假设加权的差分图像压缩感知重构方法及智能终端，利用基于交叉块的块压缩感知过程对原图像进行采样处理以获取测量值；利用非局部均值全差分迭代重构算法对所获得的测量值进行迭代重构处理，获取初步的图像重构值；对当前重构值进行多假设集合获取处理，对所获得的多假设集合进行优化筛选处理，以去除劣质假设；对优化后的多假设集合采用基于弹性网的权重估计模型进行处理，获取多假设的权重矩阵，通过对多假设进行加权和处理获得边信息，为后续迭代提供更精确的迭代初始值。本发明有效利用图像的空间相关性，利用多假设加权处理有效缓解以往重构算法的过平滑问题；并且大幅提高了图像重构质量。

技术领域

本发明属于图像编解码技术领域，尤其涉及一种基于多假设加权的差分图像压缩感知重构方法及智能终端。

背景技术

作为一种重要的信息载体，图像在人们的信息交流中占据着重要地位。随着移动互联网以及智能手机等的快速发展，人们愈发喜欢通过晒照片的方式以展示自己的生活，微信朋友圈、微博等社交平台更是激发了人们无尽的晒照片欲望，晒美食、晒自拍、晒风景等等几乎完全占据了人们的社交生活。然而图像作为一种大信息量的信息载体，如果不对其进行一定的压缩编码处理，会对有限的信道容量造成极大的传输压力。因此，针对图像的高效编解码技术一直是学术界的研究重点。压缩感知技术作为一种高效的压缩采样技术，能够突破奈奎斯特采样定理的限制，以远低于奈奎斯特采样速率的速率对信号进行采样，实现了信号采样和压缩的同步进行，基于压缩感知的图像重构也成为近年来图像编解码领域的重要研究方向。近些年来，基于正则项的重构算法成为压缩感知图像重构研究的热点问题。而全差分正则项自从被提出起，便在图像去噪、图像恢复等领域占据重要的地位。2009年，Li Chengbo等人在“http://www.caam.rice.edu/～optimization/L1/TVAL3/”提出了一种基于全差分模型的快速压缩感知图像重构算法，作为一种经典的全差分最小化模型被广泛引用。然而基于全差分优化所得到的重构图像往往会出现图像细节以及纹理上的失真，而且块效应也是全差分模型中一个有待解决的问题。此外，图像自身所具备的空间相关性并未在全差分模型中得到利用。为了更好的利用图像的空间相关性，非局部均值模型、多假设平滑投影重构等算法得到广泛关注。2013年，Zhang Jian等人在“IEEEInternational Symposium on Circuits and Systems”(《电路与系统国际研讨会》)中提出将非局部均值模型与全差分模型相结合，一定程度上改善了重构图像的块效应。2011年，Mun以及Fowler在“Data Compression Conference”(《数据压缩会议》)中将多假设以及块压缩感知平滑投影算法应用到图像以及视频的压缩感知重构中，有效利用了图像自身的空间相关性。然而基于非局部均值以及多假设的重构算法虽然在一定程度上改善了图像的重构质量，但是也带来了图像过平滑的问题，细节丢失以及重构质量不够高的问题仍然存在。

综上所述，现有技术存在的问题是：目前基于全差分优化所得到的重构图像往往会出现图像细节以及纹理上的失真，而且重构图像存在过平滑，细节丢失以及重构质量不够高等缺陷。

发明内容

针对现有技术存在的问题，本发明提供了一种基于多假设加权的差分图像压缩感知重构方法及智能终端。

本发明是这样实现的，一种基于多假设加权的差分图像压缩感知重构方法，所述基于多假设加权的差分图像压缩感知重构方法包括：

(1)利用基于交叉块的块压缩感知过程对原图像进行采样处理以获取测量值；交叉块的处理相对于非交叉块可以有效缓解重构图像中的块效应；

(2)利用非局部均值全差分迭代重构算法对所获得的测量值进行迭代重构处理，以获取初步的图像重构值；

(3)对当前重构值进行多假设集合获取处理，并对所获得的多假设集合进行优化筛选处理，去除劣质假设；