丁偉 王國宇 王寶鋒
摘要:水下環(huán)境復雜,水下攝像得到的圖像較為模糊。采集數據時會采集到大量不包含任何有用信息的數據,噪聲影響更嚴重。壓縮感知理論提出,能用較低采樣率高概率重構信號。為研究壓縮感知對水下圖像噪聲的抑制作用,采用OMP,SP,COSAMP不同貪婪重構算法對水下圖像進行不同采樣率重構分析。實驗結果表明,選取合適采樣率既可以以少量數據重構圖像,又可以抑制水下噪聲,且OMP算法效果最好。
關鍵詞:壓縮感知; 水下圖像; 圖像重構; 圖像去噪
中圖分類號:TN919?34 文獻標識碼:A 文章編號:1004?373X(2013)02?0019?03
0 引 言
隨著地球上人口的激增,陸上資源的不斷消耗,海洋逐漸成為人類賴以生存的發(fā)展新空間。人類在對海洋進行探索發(fā)現時,往往采取水下攝像的方式獲取有價值的信息。相機在處理過程中需要采集大量數據,但經過變換后只需存儲一小部分,大量不包含任何有用信息的冗余數據也被采集,這就對設備要求高,并且采集到的水下圖像噪聲的影響也會增大。
壓縮感知的方法可以直接獲取少量包含絕大部分目標信息的數據,經過重構得到需要的水下圖像。基于壓縮感知的圖像去噪方法,將圖像中的有用信息部分作為圖像中的稀疏成分,而將圖像中的噪聲作為圖像去除其中稀疏成分后得到的殘差,并以此作為圖像去噪處理的基礎。本文主要研究貪婪重構算法系列對水下圖像有色噪聲的抑制作用[1]。
1 壓縮感知理論介紹
1.1 壓縮感知理論的提出
在日常生活中,人們接觸的信號大多數是模擬的,但是目前在信息處理過程中能處理的信號卻只能是數字化的,所以人們要得到信號,首先就要進行A/D轉換,即模擬/數字信號轉換。轉換過程主要包括采樣、壓縮、傳輸和解壓縮4個部分。
其中采樣過程必須滿足奈奎斯特采樣定理, 即采樣頻率大于等于模擬信號頻譜中最高頻率的2倍。然而隨著時代發(fā)展,人們對信息需求量逐漸增加,攜帶信息的信號帶寬越來越寬,所要求的處理速度和采樣速率越來越高,這就使得相應的硬件條件難以實現,給信號的轉換過程帶來巨大的壓力。是否能夠采用一種新的方法,在保證信息不損失的情況下,用遠低于采樣定理要求的速率采樣信號,又能恢復信號,成為研究的熱點。
2006年由Donoho(美國科學院院士)、E Candes(Ridgelet,Curvelet創(chuàng)始人)及華裔科學家T Tao(陶哲軒,2006年菲爾茨獎獲得者)在 IEEE Transactions on Information Theory上發(fā)為線性規(guī)劃的問題。
目前,由稀疏表示形成的重構算法可粗略地歸納為以下3類: 主要包括最小l1范數法,貪婪算法,迭代閾值法及最小全變分法。由于迭代貪婪算具有低復雜度和簡單幾何解釋的特點,受到了重要的關注,其主要思想是通過迭代計算x的支撐獲得重構。主要常用的有匹配追蹤MP算法(Matching Pursuit,MP)[5],正交匹配追蹤OMP算法((Orthogonal Matching Pursuit,OMP)[6],壓縮采樣匹配追蹤COSAMP(Compressive Sampling Matching Pursuit)算法[7],子空間追蹤SP(Subspace Pursuit)算法[8]以及它們的改進方法。
2 水下圖像特點
人類在對海洋進行探索發(fā)現時,往往采取水下攝像的方式獲取有價值的信息。水對光有強烈的衰減作用,衰減方式主要有水對光的選擇吸收和對光的散射2種[9]。其中水對光的散射,對水下成像影響極大。通常表現為使整個影像呈現霧化效果,且散射光影響影像襯度,使圖像對比度大幅度降低。此外,水體的流動,水中存在的微粒、浮游生物等,都使水下圖像的噪聲增強,引起圖像質量惡化,這為圖像處理工作帶來更多困難。
典型的水下圖像(非水槽內圖像)有以下特點[10]:
(1)照明光由探照燈發(fā)出,為會聚光照明。成像光線的強弱分布呈現較大差異,以照明光最強點為中心,徑向逐漸減弱,反映到圖像上就是背景灰度不均;
(2)由于水體對光的吸收效應、散射效應和卷積效應使得水下圖像產生較嚴重的非均勻亮度和細節(jié)模糊,而且圖像信噪比很低,圖像對比度顯著變差;
(3)不良的照明條件使水下圖像出現假細節(jié),如自陰影,假輪廓等。
參考文獻
[1] 尹忠科,解梅,王建英.基于稀疏分解的圖像去噪[J].電子科技大學學報,2006,35(6):876?878.
[2] CANDES E, ROMBERG J, Tao T. Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information [J]. IEEE Transactions on Information Theory, 2006, 52(2): 489?509.
[3] BARANIUK R G.Compressive sensing [J]. IEEE Signal processing Magazine, 2007 (4): 118?120.
[4] CANDES E J,TAO T. Decoding by linear programming [J]. IEEE Trans. on Information Theory, 2005, 51(12): 4203? 4215.
[5] MALLAT S,ZHANG Z.Matching pursuit in a time: frequency dictionary [J]. IEEE Trans. on Signal Processing, 1993, 41(12): 3397?3415.
[6] TROPP J, GILBERT A.Signal recovery from random measurements via orthogonal matching pursuit [J]. IEEE Transactions on Information Theory, 2007, 53(12): 4655?4666.
[7] NEEDELL D, TROPP J A.CoSaMP:iterative signal recovery from incomplete and inaccurate samples [J]. Appl. and Comp Harm. Analysis, 2009, 26(3): 301?321.
[8] DAI W, MILENKOVIC O.Subspace pursuit for compressive Sensing signal reconstruction [J]. IEEE Trans. on Information Theory, 2009, 55(5): 2230?2249.
[9] 孫傳東,陳良益,高立民,等.水的光學特性及其對水下成像的影響[J].應用光學,2000,21(4):39?46.
[10] 何煒.基于 Daubechies 小波的水下圖像去噪方法研究[D].哈爾濱:哈爾濱工程大學,2006.