[发明专利]基于分层高斯混合模型的统计压缩感知图像重构方法

摘要

本发明公开了一种基于分层高斯混合模型的统计压缩感知图像重构方法，具体涉及一种基于图像块数据的统计模型学习和信号重构算法，主要解决现有统计压缩感知图像重构方法中使用的单高斯先验模型不能灵活准确地刻画子图像块的非高斯统计性质，从而导致重构图像质量不高的缺点。本发明在模型第一层学习全局高斯混合模型对子图像块进行硬聚类，从全局上充分利用图像块之间的相似性结构，在模型第二层分类学习子图像块的局部高斯混合模型，从局部上对子图像块之间的差异性进行区分和建模。与现有传统压缩感知和统计压缩感知重构技术相比，能够以更少的测量获得更高的重构精度，适合对自然图像的重构。

主权项

1.基于分层高斯混合模型的统计压缩感知图像重构方法，包括如下步骤：(1)将图像分成8×8的无重叠的子图像块，对每个子图像块以Q/D的采样率进行压缩采样，得到测量{y1，...，yN}：yn＝Φxn，其中xn是第n个子图像块像素值，Φ是Q×D维高斯随机矩阵，D＝64；(2)由黑白边缘图像生成K‑1个初始的方向高斯分布利用DCT变换生成第K个方向高斯分布μ_k的初始值设定为0，K设定为19；(3)在混合模型第一层，由测量yn计算子图像块xn在K个高斯模型下的MAP估计和对数后验概率：比较将子图像块聚成K类：第n个子图像块被分到第类，(4)在混合模型第二层，对每个聚类中的子图像块，选择具有最大对数后验概率的J个高斯分布的混合模型作为先验分布，利用EM算法从压缩测量迭代地学习高斯混合模型，并重构属于每个聚类的子图像块得到相应的重构子图像块其中是第k个聚类中子图像块的标识集，k＝1，...，K；(5)使用重构子图像块更新K个方向高斯分布的均值向量和协方差矩阵：其中∈0＝10‑5是正则化参数；(6)如果未达到指定的迭代重构次数I＝10，返回步骤(3)；否则，将重构的子图像块拼在一起，得到原始图像的重构图像。