基于先验模型的压缩感知免疫优化重构

论文摘要

近几年,在信号处理领域出现了一种新的数据采集理论“压缩感知”(Compressed Sensing, CS),该理论在数据采集的同时实现压缩,突破了传统奈奎斯特采样定理的限制,为数据采集技术带来了革命性的变化,使得该理论在压缩成像系统、模拟/信息生物、生物传感等领域有着广阔的应用前景。CS理论仍有许多问题值得研究,其中重构算法是压缩感知理论框架的重要环节。目前压缩感知重构算法主要有最小l1范数法,匹配追踪系列法以及贝叶斯压缩感知等,这些重构算法均没有考虑图像本身具有的结构信息；而本文方法在重构过程中考虑到图像的结构信息,通过小波变换得到图像小波系数的测量值,并结合小波系数尺度内相关性,提出了一个基于先验模型的免疫优化压缩感知重构框架。论文创新工作如下：1、从l0范数角度出发,建立基于先验模型的免疫优化压缩感知重构框架,该框架分成两个部分,第一部分利用先验模型来确定非零项即稀疏系数的位置；第二部分求解该位置上的稀疏系数值。2、运用免疫遗传算法定位稀疏系数位置。首先,保留的小波低频系数经逆变换得到边缘模糊的图像,用边缘检测提取其边缘位置,再用小波系数尺度内具有相关性这种先验知识来提取疫苗,从而得到先验模型,然后搜索小波高频子带稀疏系数所在的位置。3、通过使用改进的克隆选择算法求解相应的稀疏系数位置上的高频子带小波系数值,从而重构出视觉效果较好的图像。试验结果表明,本文方法的重构结果在视觉效果和重构误差上,都要优于某些重构方法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 压缩感知产生背景
• 1.2 压缩感知理论研究现状
• 1.3 本文研究目的
• 1.4 本文的内容概要
• 第二章 压缩感知重构算法及免疫优化算法
• 2.1 压缩感知重构算法
• 2.1.1 基追踪
• 2.1.2 匹配追踪
• 2.1.3 贝叶斯压缩感知
• 2.2 免疫优化
• 2.2.1 免疫遗传算法
• 2.2.2 克隆选择算法
• 2.3 边缘检测与Canny算子
• 第三章 重构框架和先验模型设计
• 3.1 重构框架
• 3.2 先验模型设计
• 3.2.1 获取稀疏系数的位置
• 3.2.2 调整稀疏系数的位置
• 3.3 重构流程图
• 第四章 基于先验模型的压缩感知免疫优化重构
• 4.1 求解稀疏系数位置的免疫遗传算法
• 4.1.1 编码
• 4.1.2 种群初始化
• 4.1.3 适应度函数和亲和度函数
• 4.1.4 主要算子设计
• 4.1.5 免疫遗传算法描述
• 4.2 求解稀疏系数值的克隆选择算法
• 4.2.1 主要算子设计
• 4.2.2 求解稀疏系数值的克隆选择算法描述
• 4.3 仿真实验
• 4.3.1 自然图像仿真试验及结果分析
• 4.3.2 医学图像仿真试验及结果分析
• 4.3.3 SAR图像仿真试验及结果分析
• 4.4 算法计算复杂性分析
• 4.5 参数分析
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献