[发明专利]一种基于自适应广义正交匹配追踪的红外图像重构方法

说明书

技术领域

本发明涉及的是一种红外图像处理方法，具体地说是一种基于自适应广义正交匹配追踪的压缩感知红外图像重构方法。

背景技术

与可见光图像相比，红外成像系统在黑暗、雾霾、极端天气等环境中仍有较强的视觉能力，对于处理光照变化、阴影和夜间可视性等影响计算机视觉的传统问题提供了有力的支持。但由于红外传感器的工艺与技术问题，使得进一步普及更高分辨率的红外成像系统面临双重压力，突破此瓶颈的一种方法便是应用压缩感知理论(CS)，对红外图像进行稀疏表示与重构。

作为一种可以以低于奈奎斯特采样率获得信号的典范，压缩感知理论在近些年获得了极大的关注。该理论的核心思想是压缩和采样过程合二为一，降低了采样率，缓解了信号采样端的压力，从而有效的节省了信息的获取时间和存储空间。在图像处理领域中，该理论使得通过较少传感器获得较高分辨率的图像(超分辨率重建)成为可能。目前，国内外研究者主要围绕如何进行信号的稀疏分解、构造合适的测量矩阵和如何设计快速高效的重构算法等三个核心内容展开研究。其中，信号的稀疏表达是压缩感知理论研究的先验条件；构造适合的观测矩阵对信号进行观测采样是压缩感知测量值获取的关键；快速高效的重构算法是研究的核心。

关于重构算法的研究，基于匹配追踪及贪婪算法的重构算法独树一帜，其中尤以广义正交匹配(GOMP)追踪应用最广，其提出者Jian W等人(IEEE Transactions on Signal Processing第12卷第60期，2012年12月，Generalized Orthogonal Matching Pursuit)认为传统正交匹配算法(OMP)效率太低，改进后的GOMP算法能够更好的进行迭代运算对图像进行重建。但该方法需要对稀疏度有较为精确的估计才能得到较好结果。与此相对，Do T T，Lu G，Nguyen N等人(Asilomar Conference on.IEEE，2009年10月，Sparsity adaptive matching pursuit algorithm for practical compressed sensing)提出了稀疏度自适应匹配追踪算法(SAMP)，该算法能够自行选择图像重建所需要的稀疏度数值，但仍存在某些情况下(不满足迭代的收敛性)信噪比增大导致重构失败的情况，这是该方法很难逾越的困难。

而且，随着采样率逐渐上升，上述两种重构算法所需时间也成指数增长。因此，对于目前的图像处理尤其是红外图像处理领域中，缺少性能良好的、具有自适应特点的优化算法。如果能够将上述两种方法的优点结合起来，将稀疏度自适应同广义正交匹配的计算速度结合，并藉此克服彼此的缺点，会是一种优秀的红外图像重构方法。

发明内容

本发明的目的在于提供一种能够提高红外图像重构时的鲁棒性，改善恢复图像的质量的基于自适应广义正交匹配追踪的红外图像重构方法。

本发明的目的是这样实现的：

(1)输入待回复图像的稀疏表达信号，初始化系数值；

(2)迭代计算直至满足收敛条件，通过最小二乘法逼近信号的稀疏表示，得到稀疏表示系数估计；

(3)通过得到的系数估计恢复出原始图像。

本发明还可以包括：

1、步骤1具体包括：

1.1)输入数据：M×N维的传感矩阵Θ＝ΦΨ，其中Φ为测量矩阵，即压缩感知最初输入采集到的红外图像，该红外图像在数学意义上是M×N维的矩阵，Ψ为稀疏基，是压缩感知中观测采样处理部分已经选好的参数；M×1维的观测所得向量y，该向量为输入图像的稀疏信号表示，是稀疏化了的红外图像；

1.2)初始化系数值：设定残差初始值r₀＝y；设定两支撑集初始状态为空集，即Λ₀＝φ，Θ₀＝φ，其中下角标0表示支撑集两数为第0次迭代数值即初始化数值；设定迭代次数计数t＝1；设定步长L＝1，选择步长更新值size＝s；确定两个阈值ε₁和ε₂，其中阈值ε₂为自适应地判断是否需要调整所选原子数目，而ε₁控制着迭代的终止。

2、步骤2具体包括：当迭代条件未达到时，即满足t次迭代残差值的L₂范数平方值小于一个阈值时，重复该迭代运算步骤；

迭代运算包括以下六个步骤：