于海寧，江景濤，尚書旗

(青島農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院，山東 青島　266109)

?

基于壓縮感知的圖像降噪處理研究

于海寧，江景濤，尚書旗

(青島農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院，山東 青島266109)

摘要：在農(nóng)產(chǎn)品圖像的動(dòng)態(tài)采集中，可能會(huì)出現(xiàn)粘結(jié)、疊加及背景干擾等一系列缺陷，同時(shí)稀疏采樣的圖像也可能是不完整的。對于這個(gè)棘手的問題，由壓縮感知理論可以找到答案。壓縮感知理論首先對采集的圖像進(jìn)行稀疏表達(dá)，然后選取適合圖像的最優(yōu)小波基，采用凸優(yōu)化理論及其算法，可以得到花生圖像的特征點(diǎn)(降噪點(diǎn))并進(jìn)行處理，從而完成噪聲的去除。為此，在壓縮感知理論的基礎(chǔ)上，提出了運(yùn)用快速迭代閾值收縮(FISTA)算法進(jìn)行去噪處理，與其他的圖像降噪方法相比，體現(xiàn)了速度快、效率高、去噪效果好等優(yōu)勢。

關(guān)鍵詞：花生；壓縮感知；降噪；重構(gòu)算法

0引言

圖像處理技術(shù)逐步成為農(nóng)產(chǎn)品檢測的重要工具，并取得了可喜的成果。圖像去噪問題是圖像處理的重中之重，以前的圖像去噪技術(shù)只是在空間域或頻域的對圖像進(jìn)行特定分析,在去除圖像噪聲時(shí)給圖像的邊緣可能帶來損傷，使處理后的圖像邊緣變得模糊不清。小波變換具有良好的局部分析能力，在去噪的時(shí)候可以能保持圖像邊緣部分，但圖像的某些具體的紋理部分去噪效果不好。所以，研究出一種速率快、質(zhì)量高、效果好的去噪方法已迫在眉睫。

近年來,壓縮感知[1]CS(Compressed Sensing)理論的研究深受科研者的追捧，并取得了一定的成就。壓縮感知超越了經(jīng)典的奈奎斯特定理，提出了對采樣獲得的稀疏信號(hào)同時(shí)進(jìn)行采樣與壓縮的計(jì)算理論，大大縮短了計(jì)算時(shí)間。其定義指出：假設(shè)信號(hào)在某個(gè)變換域是可壓縮(稀疏)的，便可以通過某個(gè)觀測矩陣，將信號(hào)在變換域從高維映射到低維空間上；然后提取極少量的投影信息來進(jìn)行重構(gòu)，最終得到一個(gè)近似度很高的原始重構(gòu)信號(hào)[2]。

在實(shí)際的農(nóng)產(chǎn)品動(dòng)態(tài)圖像采集中，采集到的圖像一般都受到疊加、粘結(jié)等不同程度噪聲污染，使得這種信號(hào)不是理論上規(guī)定的稀疏信號(hào)，但在某種程度上仍為可壓縮信號(hào)。在已研究出的壓縮感知理論中，要求重構(gòu)的信號(hào)在特定變換域中具有稀疏性，但噪聲的加入在一定程度上干擾了信號(hào)的稀疏度。因此，在運(yùn)用最優(yōu)化方法進(jìn)行重構(gòu)計(jì)算時(shí)，若對含噪信號(hào)進(jìn)行簡單的稀疏性約束，會(huì)使重構(gòu)精度存在一定的誤差[3]。此時(shí)，可采用壓縮感知中的凸優(yōu)化理論的恢復(fù)信號(hào)算法進(jìn)行去噪。這一方法的關(guān)鍵在于選取適合花生圖像的最優(yōu)小波基，得到花生圖像的特征點(diǎn)，然后進(jìn)行噪聲的去除，得到完好的圖像。

1壓縮感知原理

1.1理論基礎(chǔ)

2004年，Candes[4]和Donoho等人利用泛函分析和逼近論原理，在稀疏理論基礎(chǔ)上，提出了一種新型的信號(hào)恢復(fù)計(jì)算理論—壓縮感知理論。其含義是：當(dāng)信號(hào)具有一定的稀疏度(可壓縮)時(shí)，選取某個(gè)線性測量矩陣將高維稀疏信號(hào)投影于低維區(qū)域，利用極少數(shù)的投影的測量值，進(jìn)行最優(yōu)化問題的計(jì)算，最后完成對原始信號(hào)的恢復(fù)。壓縮感知理論研究主要包括稀疏信號(hào)的變換與分解、測量矩陣的選擇和重構(gòu)信號(hào)的算法等3個(gè)方面。稀疏分解是應(yīng)用壓縮感知的前提條件，測量矩陣是壓縮感知的關(guān)鍵步驟，重構(gòu)算法是獲取最終重構(gòu)結(jié)果的有力手段。

1.2稀疏分解

壓縮感知的依據(jù)是壓縮信號(hào)。設(shè)定x為一個(gè)特定長度的稀疏信號(hào)，x被認(rèn)為在Rn上的N×1列向量，元素x[n]，n= 1，2，…，N。存在正交基變換函數(shù)Ψ，使得信號(hào)x進(jìn)行變換時(shí)可表示為

(1)

式中s—x在正交基Ψ上的投影向量。

若信號(hào)x的非零向量的數(shù)量少得可以忽略，換言之，非零向量的數(shù)目K<

y=Φx=ΦΨs=Θs

(2)

式中Θ—CS算子或者叫感應(yīng)矩陣。

本文以花生仁圖像為例，采用離散小波化進(jìn)行計(jì)算，就是說運(yùn)用二維離散小波化理論對花生仁圖像進(jìn)行小波變換，在其水平和垂直方向分別分解為高頻子帶和低頻子帶，使其滿足圖像處理的需要。小波變換[4]的定義為

(3)

其中，a為收縮因子；b為移動(dòng)因子；ψ(x)為小波基函數(shù)，如圖1所示。

圖1　小波基函數(shù)

在實(shí)際理論計(jì)算過程中，離散小波化是很重要的。離散化其連續(xù)變換的伸縮因子a和移動(dòng)因子b進(jìn)而得到離散化小波變換(見圖2)的定義為

(4)

在對稱性、正交性的小波基選擇的前提下，采用規(guī)則性系數(shù)相近理論[5]，通過恰當(dāng)?shù)臑V波器函數(shù)進(jìn)行計(jì)算，可以獲得最佳的小波基函數(shù)。

1.3測量矩陣

壓縮感知的測量就是給原稀疏信號(hào)的采樣和壓縮在同一時(shí)間進(jìn)行處理的過程。 采樣是將信號(hào)x映射到測量矩陣Φ上,其具有與變換域不相關(guān)性；壓縮是信號(hào)由高維到低維完成映射的過程[6]。其中，測量矩陣Φ需必須符合限制等距的準(zhǔn)則(RIP),即

(5)

其中，常數(shù)ε∈(0,1)。

本文針對于花生圖像，采用高斯測量矩陣。這是因?yàn)樗c任何稀疏信號(hào)都不相關(guān)，且完全符合RIP，并能大大提高處理的速度與精度。但是，假使混有噪聲因素，那么得到觀測向量為

y=Θs+e

(6)

圖2　小波變換

其中，e為噪聲信號(hào)。

1.4重構(gòu)算法

重建信號(hào)是由極少數(shù)的非自適應(yīng)的稀疏信號(hào)完成的，它是嚴(yán)格的根據(jù)最優(yōu)化問題，則

min‖s‖0s.t·Y=φΨs=Θs

(7)

式中‖·‖0—l0范數(shù)；

S—重構(gòu)的信號(hào)的稀疏度；

Y—測量信號(hào)。

若信號(hào)混有了大量的噪聲，當(dāng)噪聲方差確定為固定值時(shí)，求解以下方程的最優(yōu)化問題，即

(8)

其中，ε為噪聲信號(hào)的方差的數(shù)值。

信號(hào)的重建(見圖3)是從投影得的測量信號(hào)y恢復(fù)原稀疏信號(hào)x,但式(2)和式(6)有無數(shù)個(gè)解，是一個(gè)NP欠定問題，不能直接重構(gòu)信號(hào)。若式(2)和式(6)中的Θ是稀疏的，那么可以通過求解式(7)和式(8)得到稀疏系數(shù)，代入式(1)進(jìn)行重構(gòu)計(jì)算獲得原始信號(hào)x[7]。這一重要的轉(zhuǎn)變使其演變成了凸優(yōu)化理論問題，可以在線性規(guī)劃中找到答案。

2凸優(yōu)化理論

(9)

一般的凸優(yōu)化理論計(jì)算步驟如下：

2)不等式限制。gj(x)≤0。其中，gj(x)是一個(gè)凸函數(shù)。

3)等式限制。hk(x)=0。其中，hk是一對仿射。

凸優(yōu)化理論的數(shù)學(xué)建?？梢员硎緸閙inf(x)。

s.t.gj(x≤0)(i=1,2,...,Nje)

hk(x)=0(k=1,2,...,Ne)

與其他數(shù)學(xué)優(yōu)化算法理論相比，凸優(yōu)化理論存在一個(gè)局部最小點(diǎn)，所有的最小值是凸的，且若有函數(shù)有一個(gè)最小值，則最小值必唯一等優(yōu)點(diǎn)，也具有了一些比較成熟的算法。

圖3　壓縮感知重構(gòu)信號(hào)圖

3快速迭代閾值收縮算法(FISTA)

對于稀疏采樣得到少量信號(hào)，將會(huì)在變換域中提取少量的投影進(jìn)行信號(hào)的重構(gòu)，那么最優(yōu)化線性問題可以轉(zhuǎn)化為

Ax=b+w

(10)

其中，A∈Rm×n和b∈Rm都是給定已知的；w是一個(gè)不確定的噪聲向量。

上述的問題經(jīng)典算法是在最小二乘算法(LS)基礎(chǔ)上，進(jìn)行獲取最優(yōu)解的計(jì)算。但在一般情況下，LS的解決方案會(huì)有巨大的范數(shù)，因此作用甚微。為了解決這個(gè)困難，l1正則化[9]方法的穩(wěn)定性可以解決，并得到了科研者的追捧，其目的是求解，則

(11)

其中，‖x‖1代表x分量的絕對值的和，l1導(dǎo)出最優(yōu)解的稀疏性。在圖像去噪中，A=RW。其中，R為模糊矩陣，W為小波基。

在許多實(shí)踐應(yīng)用中，大量的決定性變量及稠密的矩陣數(shù)據(jù)，妨礙了適用內(nèi)點(diǎn)法的種種優(yōu)勢，對于這種問題，解決式(11)的流行方法之一是迭代閾值收縮(ISTA)算法[10]。

xk+1=Γλtk[xk-2tkAT(Axk-b)]

(12)

其中，tk是一個(gè)合適的步長；Γα:R→Rn為收縮子。其定義為

(13)

對于一般的ISTA模型，延伸到普通問題式(11)上，則有

(14)

其中，g:Rn→R是一個(gè)粗糙的、連續(xù)的凸函數(shù)，f:Rn→R是一個(gè)凸函數(shù)的梯度。此時(shí)，若存在一個(gè)常數(shù)L，其滿足

‖Δf(x)-f(g)‖≤L(x)‖x-y‖x,y∈Rn

(15)

xk+1=proxtk(g)[xk-tkf(xk)]

(16)

(17)

因此，ISTA的簡單性取決于計(jì)算感應(yīng)的能力。當(dāng)g(x):=λ‖x‖1，那么此操作和軟閾值相同，便于計(jì)算；當(dāng)g為全變差函數(shù)時(shí)，則prox計(jì)算基于全變分問題[11]；當(dāng)g(·)是可以分離時(shí)，prox計(jì)算可簡化為一個(gè)一維的最小化問題。在以上種種情況下，ISTA的收斂速率都不會(huì)超過O(1/k)。ISTA的每一步迭代是一個(gè)梯度的平滑收縮的操作，其優(yōu)點(diǎn)就是簡單性，然而在全局收斂速度還是比較緩慢的?；诤瘮?shù)測量值的全局性和測量方法的有效性，提出了快速迭代閾值收縮算法(FISTA)[12]。其求解的一般問題是

(18)

這里f和g都是凸函數(shù)。該算法收斂到目標(biāo)函數(shù)值時(shí)是非?？焖俚模俾蕿镺(1/k2),其與ISTA一樣滿足計(jì)算的簡單性和需求性要求，但是速率卻提高了不少。

快速迭代閾值收縮(FISTA)算法之所以提高收斂速率，使其速率可以達(dá)到O(1/k2)，是因?yàn)樵谇蠼馐?16)問題時(shí)不是在每次迭代中都需要多個(gè)梯度評(píng)估，只是在前兩步迭代中計(jì)算一個(gè)選擇性的線性組合進(jìn)行求解，那么此時(shí)需要確定FISTA 的步長。

FISTA特定步長確定如下：

輸入L=L(f)-A

步驟1y1=x0∈Rn,t1=1

步驟k(k≥1) 。

計(jì)算得

FISTA的不同之處在于：迭代收縮步驟yk+1的求解未使用先前的一點(diǎn)xk-1，而是用具體的前兩個(gè)點(diǎn)(xk-1,xk)線性組合的特定點(diǎn)yk，ISTA和FISTA的主計(jì)算量仍然是相同的，但速度提高了很多。

4實(shí)驗(yàn)結(jié)果及分析

本實(shí)驗(yàn)以魯花11號(hào)花生為代表，對花生圖像添加噪聲均值為0、方差為0.02的白噪聲，采用7.1aMATLAB,lenovoWin7PC,i3處理器，2.1GHZ,2GB內(nèi)存計(jì)算機(jī)及其設(shè)備進(jìn)行處理，運(yùn)用當(dāng)前比較流行的基于小波理論(WT)[13]、偏微分方程(PDE)理論[14]、多尺度總變分(MTV)理論[15]、基于壓縮感知的正交匹配追蹤(OMP)理論[16]、平行坐標(biāo)下降算法(PCD)理論[17]及快速迭代閾值收縮(FISTA)去噪理論，分別對花生仁圖像進(jìn)行去噪處理，得到的不同實(shí)驗(yàn)對比結(jié)果如圖4～圖11所示。

圖4　原始圖像

圖5　噪聲圖像

圖6　WT算法

圖7　PDE算法

圖8　MTV算法

圖9　OMP算法

圖10　PCD算法

圖11　FISTA算法

從上面的圖像結(jié)果可以看出：這些去噪算法都在一定程度上消除了圖像的噪聲，但部分圖像的連續(xù)性和邊緣性的效果不佳。這些去噪算法所用的時(shí)間及其降噪后圖像的峰值信噪比如表1所示。

表1　不同去噪方法的處理結(jié)果

通過不同去噪算法的峰值信噪比、處理時(shí)間的對照，可以看出：FISTA的去噪效果是最好的，不但信噪比的數(shù)值較高，而且運(yùn)行時(shí)間很短，大大加快了圖像處理的速度，提高了整體運(yùn)算效率。

5結(jié)論

1)在花生圖像的壓縮感知的稀疏表達(dá)分解中，合適的小波基的選擇是至關(guān)重要的，因其具有良好的局部性，對花生圖像處理的邊緣及特征提取影響很大，并直接影響圖像的質(zhì)量。

2)在壓縮感知的測量矩陣中，采用高斯測量矩陣，確保了其完全符合RIP準(zhǔn)則，與任何變換域的信號(hào)都不會(huì)具有相關(guān)性，并奠定了信號(hào)重構(gòu)的基礎(chǔ)。

3)在圖像重構(gòu)算法上，其原則是利用極少數(shù)測量投影信號(hào)快速、精確地重建原始信號(hào)。對于花生圖像，使用快速迭代閾值收縮(FISTA)算法，可以在3s內(nèi)迭代40次，并迅速得到清晰的重構(gòu)圖像，效果顯著，紋理圖像清晰明朗，去噪效果理想。

參考文獻(xiàn)：

[1]Donoho D L. Compressed sensing[J].IEEE Transactions on Information Theory,2006,52(4):1289-1306.

[2]石光明,劉丹華,高大化,等.壓縮感知理論及其研究進(jìn)展[J]. 電子學(xué)報(bào),2009(5):1070-1071.

[3]樊立.壓縮感知在圖像去噪中的應(yīng)用研究[D].北京:北方工業(yè)大學(xué),2013:30-31.

[4]E Candès,J Romberg,Terence Tao.Robust uncertainty principles:Exact signal reconstru-ction from highly incomplete frequency information[J].IEEE Trans. Information Theory,2006,52(2):489-509.

[5]張蕓蕓，王新.故障信號(hào)檢測時(shí)最佳小波基的選擇[J].微計(jì)算機(jī)信息,2015(1)51-54.

[6]馬慶濤,唐加山.基于壓縮感知的測量矩陣研究[J].微型機(jī)與應(yīng)用,2013(8):64-65.

[7]楊真真,楊震,孫林慧.信號(hào)壓縮重構(gòu)的正交匹配追蹤類算法綜述[J].信號(hào)處理,2013(4):487-488.

[8]劉翼鵬.基于凸優(yōu)化的參數(shù)化稀疏估計(jì)理論及其應(yīng)用[D].成都:電子科技大學(xué)，2011：11-12.

[9]D. L. Donoho and I. M. Johnstone, Adapting to unknown smoothness via wavelet shrinkage[J].Amer.Statist. Assoc，1995，90：1200-1224.

[10]Bioucas-Dias,M. Figueiredo. A new TwIST: two-step iterative shrinkage/thresholding algorithms for image restoration[J].IEEE Trans. on Image Processing, 2007,16:2992-3004.

[11]Y. E. Nesterov.A method for solving the convex programming problem with convergence rate O(1/k2)[J].Dokl. Akad. Nauk, SSSR,1983,269(3):543-547.

[12]Amir Beck,Marc Teboulle. A Fast Iterative Shrinkage-Thresholding Algorithm for Linear Inverse Problems[J].SIAM J. Imaging Sciences,2009(1):183-202.

[13]張帆.基于偏微分方程與邊緣檢測的圖像降噪算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì),2014(2):562-564.

[14]李慶華.基于小波閾值算法的信號(hào)去噪研究[D].烏魯木齊：新疆大學(xué)，2013.

[15]Rudin L I，Osher S，F(xiàn)atemi E．Nonlinear Total Variation based Noise Removal Algorithms[J]．Physica D，1992，60:259-268．

[16]Tropp J’ Gilbert A. Signal recovery from random measurements via orthogonal matching pursuit [J]. Transactions on Information Theory, 2007, 53 (12): 4655-4666.

[17]M. Elad, B. Matalon, M. Zibulevsky. Coordinate and subspace optimization methods for linear least squares with non-quadratic regularization[J].Appl. Comput. Harmon. Anal.,2007,23:346-367.

Abstract ID:1003-188X(2016)02-0012-EA

Image Denoising Method Based on Compressed Sensing Theory

Yu Haining， Jiang Jingtao， Shang Shuqi

(Mechanical and Electrical Engineering, Qingdao Agricultural University, Qingdao 266109, China)

Abstract：In the Agricultural images obtained by the dynamic acquisition, there exist many defects such as bonding, superposition and the background interference. In addition, the image obtained from the sparse sampling of the peanut is not complete. All above problems can be solved by the compressed sensing theory. First, compressed sensing theory have a sparse expression for the capture picture, and then select the best wavelet basis for peanuts image, the use of convex optimization theory and algorithms can get the feature points (noise points) of peanut image. Finally, the image noise can be removed completely. Experiments show that the compressed sensing theory in the process of peanut image denoising possesses many excellent properties such as high efficiency, better denoising result and other advantages compared with the traditional methods of image denoising.

Key words：peanut; compressed sensing; noise reduction; reconstruction algorithm

文章編號(hào)：1003-188X(2016)02-0012-05

中圖分類號(hào)：S126；TP391.41

文獻(xiàn)標(biāo)識(shí)碼：A

作者簡介：于海寧(1988-)，男，山東威海人，碩士研究生，(E-mail)yuhaining007@163.com。通訊作者：江景濤(1963-)，女，山東青島人，教授，碩士生導(dǎo)師，(E-mail)jjtao_2518@163.com。

基金項(xiàng)目：國家公益性行業(yè)(農(nóng)業(yè))科研專項(xiàng)(201203028.1)

收稿日期：2015-01-26