论文部分内容阅读
随着多媒体技术的发展和移动数码设备的普及,图像渐渐地成为了人们获取信息和传播信息的主要载体。目前大部分数字图像的采集方式都是基于以香农-那奎斯特采样定理为基础的信息获取框架,而2006年提出的压缩感知理论,能够以远低于香农-那奎斯特采样定理要求的采样率来对稀疏信号进行采样。作为一套新的数字信号采集理论,压缩感知极大地丰富了信号采集和处理理论,为相关领域的研究和应用提供了新思路、新方法,具有广阔的研究和应用前景。 本文针对高分辨率压缩感知图像采集与重构中存在的内存需求大,重建速度慢,重建质量低等关键问题开展研究,取得如下研究成果: 1.提出了一种逐点式的哈达玛矩阵生成方法。深入地分析哈达玛矩阵的递推式结构,并根据该结构提出了一种可以计算出矩阵任意位置元素值的方法,通过该方法可以大大降低了测量矩阵生成的空间复杂度。 2.实现了TVAL3算法的GPU并行化。TVAL3是经典的图像重构算法,我们根据算法特性将算法中的计算任务分解为一系列的并行子任务,并通过CUDA实现并行子任务的计算。实验表明,与传统的CPU串行计算相比,GPU并行化的重构速度提高了100多倍。 3.提出了基于TV/3D稀疏和秩极小化的压缩感知图像重构算法。在图像的非局部低秩性基础上,分别引入全变分(TV)稀疏模型和3D稀疏模型,构建了基于TV和秩极小化的重构算法(TVAL3-NLR-CS)和基于3D稀疏和秩极小化的重构算法(BM3D-NLR-CS)。实验表明,在低采样率下,TVAL3-NLR-CS、BM3D-NLR-CS算法的重构图像PSNR值比TVAL3、BM3D-CS或Basic-NLR-CS等算法提高2-10dB。 4.基于上述工作,实现了基于压缩感知的高分辨率图像采集与重构系统。该系统可以实现高分辨率图像的采集重构。