基于学习字典图像感知压缩研究

《基于学习字典图像感知压缩研究》由会员分享，可在线阅读，更多相关《基于学习字典图像感知压缩研究（30页珍藏版）》请在金锄头文库上搜索。

1、基于学习字典的图像感知压缩研究,答 辩 人： 指导老师：,目录,选题背景及意义,研究现状,研究的主要内容,研究方案,时间安排,选题背景及意义,选题背景及意义,选题背景 随着信息技术的不断发展与完善，人类对信息的需求和对信息精度的要求也与日俱增。在人类获取的信息中，基于视觉的信息占了绝大部分，图像作为视觉信息的客观载体以其生动直观、信息量丰富的特点越来越受到关注。,选题背景及意义,选题背景 为满足人类对信息量和精度的需求，图像采集设备不断优化，使得采集到图像的分辨率不断提高、精度不断提升，从而使得图像的的数据量急剧增加。这种图像数据量的大幅度增加给目前硬件设施下的图像传输与存储带来了严重的挑战。

2、,4272,2848,选题背景及意义,选题背景 近年来，压缩感知理论（Compressed Sensing，CS）作为一种新颖的理论走进人类的视野。 由于可以利用少量的样本信号通过非线性重构算法高精度恢复原始信号的特点，压缩感知理论在信号处理领域和图像处理领域得到了快速发展。 因此正是基于压缩感知理论的这种优势我们将其引入到图像的压缩中，尤其是高分辨率的感知压缩过程中。,=,*,20*1,6*20,6*1,选题背景及意义,目前存在的问题 高分辨率和高光谱影像的发展使得数据量大幅增加，给传输和保存带来严重挑战； 传统系统无法实现对高分辨率和高光谱影像等大数据量图像的实时、高效压缩和高精度的重建；

3、 选题意义 1：旨在探索大数据量影像的有效压缩方法； 2：旨在探索压缩感知在图像压缩中的应用模式及利用压缩感知理论压缩图像的系统流程及模型； 3：旨在应用压缩感知理论实现图像的高效压缩、高精度重建、降低硬件资源的消耗，克服编码端和解码端资源不均衡的问题；,目录,选题背景及意义,研究现状,研究的主要内容,研究方案,时间安排,研究现状,研究现状,国内外研究现状 图像压缩大致可以分为两类静态压缩和动态压缩。 静态压缩是指单独图像的压缩处理； 动态压缩则偏向于视频流的压缩处理； 目前应用于静态图像压缩的方法主要是联合国图像专家组JPEG（Joint Photographic Experts Group

4、）于2000年制定的JPEG2000标准。,研究现状,国内外研究现状,编码端,解码端,研究现状,国内外研究现状 随着压缩感知理论的不断完善和发展，基于压缩感知理论的图像压缩研究逐渐受到研究者的关注。其大致流程均可用下述流程图加以详解 目前存在的基于压缩感知理论的压缩编码方式大致可分为两种：基于图像全局信息的感知压缩模型和基于分块图像信息的感知压缩模型。,研究现状,国内外研究现状,基于图像全局信息的感知压缩模型,基于全局信息的感知压缩模型是将图像数据转换为列向量然后再进行感知压缩。,512*512,(512*512)*1,研究现状,国内外研究现状 基于分块图像信息的感知压缩模型 基于分块图像信息

5、的感知压缩模型则是将图像按照相应的分块尺寸分为多个图像局部块，然后再对块状数据进行感知压缩,512*512,16*16,256*1,研究现状,国内外研究现状 由于压缩感知理论认为信号本身或者信号在对应的变换域是稀疏的，因此针对待压缩的信号通常要对其在相应的基或字典下进行变换使得变换后的信号满足稀疏性的条件。,因此当获得具体待处理信号时，我们通常需要对其在相应的变换域或者字典下进行变换，从而获得相应的稀疏表示系数矩阵。,由压缩的公式 可知，X为我们当前待压缩的信号，因此为保证其稀疏性需要对其在相应的变换域或者字典D下通过 实现变换，获得的稀疏系数矩阵s.,研究现状,国内外研究现状 目前应用于信号

6、稀疏表示的字典的构造方法一般分为两种：解析方法和学习方法。 基于解析方法构造的字典通常是根据预先定义好的某种数学变换或者分析方法构造的，字典中每个原子都是通过数学函数或少量参数刻画的。 如离散余弦变换、小波变换、双树复数小波变换、轮廓波变换、Shearlet和Grouplet等 虽然该方法结构简单、计算复杂度低，但是原子的基本形状固定，原子的形态不够丰富。,研究现状,国内外研究现状 基于学习方法构造的字典是由先验数据作为样本经过训练学习算法获得的，其最终形态取决于当前学习字典时所用的样本数据。 字典学习的算法中，最优方向法、广义PCA方法、K-SVD方法逐渐被应用到字典学子中。 其原子数量更多

7、、形态更丰富，能更好地与信号或图像本身的结构匹配，使得信号在字典下具有更稀疏的表示。,目录,选题背景及意义,研究现状,研究的主要内容,研究方案,时间安排,研究的主要内容,研究主要内容,研究目标 本文将针对当前大数据量图像传输和保存中存在的难点，通过研究字典学习算法的最优化方法获得相应的最优化学习字典使得待压缩数据在字典下的能够达到最优稀疏表示从而提高利用学习字典实现图像感知压缩、重构的质量，进而实现图像在压缩感知理论下的高效压缩、低能源消耗和高精度重建的系统模型的构建。,研究主要内容,研究主要内容 基于目前传统图像压缩系统编码解码资源消耗不均衡、压缩耗时长、压缩效率不高的问题以及目前图像感知压

8、缩的现状，结合本文的研究目标，本文的研究内容分为两部分： 字典学习优化算法研究 感知压缩系统模型的研究,研究主要内容,最优化字典学习算法研究 信号的稀疏性决定了压缩感知系统的性能，而信号的稀疏性取决于所使用的变换基或字典的适应性，字典的适应性越好则信号在当前字典下可以达到最优的稀疏表示，从而提高系统的性能。因此最优化字典学习算法作为本文的研究内容之一,最优化字典学习算法,代价函数的优化选择,字典鲁棒性研究,研究主要内容,代价函数的优化选择 由稀疏表示的定义式 可知，欲求的稀疏表示系数矩阵 并保证稀疏系数能够满足给定稀疏条件则可通过求解 ，求得稀疏系数s，也称为稀疏度为k的稀疏系数。,研究主要内

9、容,字典鲁棒性研究 由于采集和传输通道的影响最终获得的数据会引入噪声，这时字典的适用性将受到严重的考验。 为了保证学习字典的适用性，因此怎样提高字典的鲁棒性、增强字典的适用性作为本文的研究之一。,研究主要内容,感知压缩模型的分析 由于目前图像感知压缩尚未有确定性的系统模型，因此在获得具有良好适应性字典的基础上，如何将字典引入到感知压缩系统模型中将是本文的另一个研究内容。通过对系统模型的研究着重探索编码和解码端信号在字典下稀疏性系数应用的研究，同时将系统的自适应性作为系统研究的重要研究内容之一。,研究主要内容,拟解决的关键问题 字典学习中稀疏性约束目标函数的设计 学习字典的适应性程度是影响信号在

10、学习字典下稀疏程度、影响着重构精度的的重要因素也是决定压缩方法是否可行的关键。 合理的稀疏性约束目标函数设计是学习字典过程中的重中之重，一个合理的目标函数既决定了字典的适应性程度，也影响着字典学习的效率。 如何利用现有的训练数据，通过数据分析设计合理的目标函数是字典学习过程中的难题，也是本文的关键问题之一。,研究主要内容,拟解决的关键问题 压缩模型的自适应性研究 由于图像本身或图像在当前字典或者变换基下稀疏表示后的系数并不是一致稀疏的，即图像由于局部特征的差异在不同的局部信号内会呈现不一致的稀疏特性。 局部图像信息量丰富时则信号呈现较低的稀疏度，局部图像信息量较少时则信号呈现较高的稀疏度，因此

11、对于不同局部图像选择合适的压缩率即可以提高压缩效率同时也提高重构的精度。 因此本文把如何利用图像的稀疏度或者其他信息实现不同局部图像采用不同压缩率进行压缩作为系统模型研究中的关键问题。,目录,选题背景及意义,研究现状,研究的主要内容,研究方案,时间安排,研究方案,研究方案,为验证论文所提算法的性能，论文的实验包括算法实验和应用实验两部分 算法实验： 学习字典感知压缩方法对图像压缩率以及计算资源、存储资源消耗的影响； 字典学习代价函数优化算法对学习字典适用性和稀疏精度的影响。 应用试验： 图像处理标准图像库图像，在标准测试库图像的基础上实现算法的原理验证和初步性能评估； 遥感图像资源，利用算法对

12、遥感图像的处理进一步验证算法的广域适应性。,研究方案,实验方法： 实验主要以仿真实验对比结果为主。 本文中主要是对比文章所设计的算法方案在处理同一副图像时与现有算法的区别，从压缩时间、要缩率、重建精度三个方面分析当前算法的性能。,目录,选题背景及意义,研究现状,研究的主要内容,研究方案,时间安排,时间安排,时间安排,2015年 7 月至2015年 8 月，查询资料熟悉压缩感知及字典学习的相关 理论； 2015年 9 月至2015年10月，进行学习字典算法优化与实验验证； 2015年11月至2015年12月，研究基于学习字典的图像压缩感知具体模 型； 2016年 1 月至2016年 3 月，编写代码，实现基于学习字典的图像感知 压缩模型的设计； 2016年 3 月至2016年 4 月，撰写毕业论文； 2016年 5 月 申请毕业论文答辩。,敬请各位老师点评指正 谢 谢,