噪声环境下图像压缩感知(compressive sensing,CS)重构方法的性能会大幅度下降。在近似消息传递(approximate message passing,AMP)算法的基础上,同时利用结构先验信息和边信息来增强AMP算法对噪声的鲁棒性。利用图像中相似块的低秩特性,在反投影的含噪图像中捕获低秩子空间的结构特征;再将含有确定成分的前期重构图像作为边信息,以实现细节的增强。实验表明,本文算法比原始AMP算法在峰值信噪比(peak signal to noise ratio,PSNR)上平均提高了3.89dB,且获得更加清晰的重构图像;与仅利用低秩特性的AMP算法相比,引入边信息后本文算法在PSNR上获得了0.27dB的增益,同时增强了重构图像的细节。
压缩感知(CS)重构中的近似消息传递(AMP)算法通过迭代执行小波阈值操作和残差更新来快速准确地实现稀疏信号重构,但它所采用的小波系数稀疏约束并不适用于非稀疏的自然图像,尤其CS观测过程存在噪声干扰时.为此,文中提出了一种基于复合稀疏约束和AMP框架的CS图像重构算法,使用相似图像块低秩约束和双边滤波约束作为自然图像的联合先验信息,以改善图像规则纹理和边缘的恢复效果,从而提升算法的重构性能.无噪CS观测的重构实验表明,文中算法的峰值信噪比(PSNR)比仅用低秩约束的AMP算法提高了0.45 d B,比原始AMP算法高6.19 d B;而在含噪CS观测的重构实验中,对应的PSNR增益则分别是0.25和4.60 d B;无论是无噪观测还是含噪观测,文中算法都获得了更佳的主观视觉效果.
全连接的玻尔兹曼机模型可全面描述稀疏系数间统计依赖关系,但时间复杂度较高.为了提高基于玻尔兹曼机的贝叶斯匹配追踪算法(BM-BMP)的重构速度和质量,本文提出一种改进算法.第一,将BM-BMP算法的最大后验概率(MAP)估计评估值分解为上一次迭代的评估值与增量,使得每次迭代仅需计算增量,极大缩短了计算耗时.第二,利用显著最大后验概率估计值平均的方式,有效近似最小均方误差(MMSE)估计,获得了更小的重构误差.实验结果表明,本文算法比BM-BMP算法的运行时间平均缩短了73.66%,峰值信噪比(PSNR)值平均提高了0.57 d B.
