高宇軒,孫華燕,張廷華

(1.航天工程大學研究生院,北京 101416;2.航天工程大學電子與光學工程系,北京 101416)

1 引 言

壓縮感知(Compressive Sensing,CS)[1-2]理論的出現(xiàn)使得基于稀疏表示的圖像非線性重建得到廣泛關注,該理論表明如果信號在某個變換域上是稀疏的或可稀疏表示,就可通過一個與該稀疏變換矩陣Ψ不相關的測量矩陣Φ將高維信號投影到低維空間。這些投影包含了重構圖像所需要的大部分信息,因此可以通過求解稀疏最優(yōu)化問題從低維觀測向量精確地重構出原始目標圖像。

目標圖像的稀疏重構是從低維觀測信號中恢復出高維信號的過程,是一個典型的病態(tài)或不對稱反問題。目前,重構算法主要包括貪婪算法和凸優(yōu)化算法兩大類。貪婪算法是解決基于l0范數(shù)最小化模型提出的經(jīng)典重構算法,典型算法有MP[3]算法和OMP[4]算法、分段正交匹配追蹤(StOMP)[5]算法和壓縮采樣匹配追蹤(CoSaMP)[6]算法等。凸優(yōu)化算法是將信號恢復問題從求解l0范數(shù)問題轉(zhuǎn)化成為求解最小l1范數(shù)的凸優(yōu)化問題,比較具有代表性的凸優(yōu)化算法有基追蹤(BasisPursuit,BP)[7]算法、內(nèi)點法、稀疏梯度投影算法[8]和全變分(Total Variation,TV)算法[9]等,其中TV算法在圖像重構中的應用較為廣泛。但是,目前的TV算法[10-11]仍然存在圖像高頻邊緣信息保持較差或目標函數(shù)求解效率較低等問題。

本文在TV算法的基礎上,提出了增廣拉格朗日雙邊全變分重構算法(BTV minimization scheme based on augmented Lagrangian and alternating direction algorithms,BTVAL3),首先引入雙邊濾波保持圖像邊緣特性,然后將目標函數(shù)轉(zhuǎn)化為增廣拉格朗日函數(shù),利用交替方向法求解函數(shù)模型的最優(yōu)解,并在迭代過程中選用最速下降法優(yōu)化了目標函數(shù)求解效率。

2 TV算法

TV算法是Candes等人從稀疏性在絕大多數(shù)自然圖像的離散梯度向量中都能得到滿足的角度出發(fā),通過對梯度的稀疏性進行描述并求解,提出的一種適合二維圖像壓縮重構的算法。它通過計算圖像梯度之和作為一個平滑處理的參考量。TV正則項可以表示為:

(1)

其中,x是原始圖像;Dix代表對圖像每個像素橫向和縱向進行離散梯度計算。Φ是測量矩陣;y是x通過Φ得到的測量值?！ぁ阕涌梢允莑1范數(shù)或者是l2范數(shù),分別對應各項異性的TV和各項同性的TV。l2范式會減少恢復出來的圖像的鋸齒邊界,默認選擇l2范式,這是一個典型的有約束的最優(yōu)化問題。

基于TV算法對圖像進行重構時,一般情況下利用TVl1l2作為衡量圖像離散梯度值的標準[12],定義為:

(2)

其中,Dh和Dv依次代表梯度操作子在水平與垂直方向的取值;x代表輸入圖像。如果用(i,j)代表x(維數(shù)為M×N)中某一像素點的位置信息(1≤i≤M,1≤j≤N),則水平和垂直方向的梯度可依次描述為:

(3)

(4)

上述算法中,對離散梯度的標準定義格式如圖1所示,圖1(a)描述了圖像中任一像素點的梯度標準格式,圖1(b)和圖1(c)分別代表所有像素的梯度分別在水平和垂直方向上的定義。

圖1 梯度定義Fig.1 The definition of gradient

TV算法在重構過程中對圖像全域搜索,需要對每個像素進行橫向與縱向的梯度求解,這在一定程度上會造成圖像邊緣信息與平滑區(qū)域內(nèi)的噪聲混淆,因而出現(xiàn)邊緣信息退化、對比度降低等現(xiàn)象。

3 BTVAL3算法

3.1 雙邊全變分正則化

雙邊濾波同時考慮像素點的空域信息和值域信息,對圖像邊緣等高頻信息保存結果較好,能夠解決TV算法中存在的邊緣信息退化、對比度降低等問題。將雙邊濾波應用于全變分,既有對圖像像素之間的空間關系的約束,也有對像素間的灰度關系的約束[11],與TV正則化算法相比,能夠在抑制噪聲的同時進一步去除圖像中的虛假邊界,更好地保持圖像的邊緣特性[10]。雙邊全變分正則化函數(shù)項可以表示為:

(5)

雙邊全變分正則化算子本質(zhì)上就是將點(i,j)的像素值與其p×p范圍鄰域內(nèi)的其他像素點的像素值之差以一定比例反饋到該點。雙邊濾波具有較好的邊緣保持功能[14]。雙邊全變分差分定義如圖2所示。

圖2 BTV差分定義Fig.2 The gradient definition of BTV

雙邊全變分正則化方法是對其他常用正則化方法的推廣[12],如果限制m和l在m=1,l=0或者m=0,l=1并且α=1這兩種情況時,可以定義算子Qh和Qv作為一階導數(shù)(Qh=x-Sh,Qv=x-Sv),那么上式就可以表示為:

ΥBTV(x)=‖Qhx‖1+‖Qvx‖1

(6)

從上式中可以看出,與TV算法的表達式相一致,也就是說TV算法是雙邊全變分算法的一種特殊形式。

雙邊全變分預先設定窗口尺寸,每個像素的梯度求解過程僅在已設定的窗口范圍內(nèi)在水平和豎直方向同時梯度求解,這在很大程度較好地保持了圖像的邊緣特征以及細節(jié)信息。其中,參數(shù)的選擇受主觀影響較大[15],對算法的重構性能以及算法的運行速度有一定的影響。

根據(jù)以上分析可知,BTVAL3算法壓縮成像重構模型則可以表示為:

(7)

3.2 基于增廣拉格朗日函數(shù)的目標函數(shù)求解

目標函數(shù)式(7)不可微并且非線性,無法進行直接求解。Rockafellar[17]提出的全局收斂性定理指出在每一步迭代過程中,即使不對子問題進行精確求解也能達到全局收斂。因此,本文將目標函數(shù)等價轉(zhuǎn)化成一系列無約束子問題,將拉格朗日算子應用于目標函數(shù)的求解過程,目標函數(shù)的求解問題即可轉(zhuǎn)化為最小化增廣拉格朗日函數(shù)的問題。由式(1)和式(5)可得,BTVAL3算法中的目標函數(shù)可以表示為:

(8)

(9)

在求解增廣拉格朗日函數(shù)的過程中需要高效地解決每一步迭代過程中的子問題,本文采用交替方向最小化方法克服子問題的非可微性及非線性。假設xk和gi,k是第k次迭代子問題的最優(yōu)解,進而可以求得gi,k+1。由于求解過程非常復雜,因此選用梯度下降法來迭代求解式,在每次迭代過程中,梯度下降法都要更新梯度方向,數(shù)據(jù)較大的情況下,運算代價非常大。因此,選用近似解xk作為起點,只進行一次梯度下降算法,求得xk+1。最后判斷是否滿足初始閾值,停止迭代,輸出結果。利用增廣拉格朗日函數(shù)算子求解目標函數(shù)流程圖如圖3所示。

圖3 求解目標函數(shù)流程圖Fig.3 The flow chart of solving objective function

4 仿真實驗分析

為了驗證BTVAL3算法相對于改進前的全變分算法的重構性能,進行仿真實驗分析。實驗以MATLAB_2014a為平臺,選用Building標準圖像作為測試圖像,以高斯隨機測量矩陣為編碼方式。實驗結果以峰值信噪比PSNR值、重構錯誤率ERROR和結構相似度SSIM為評價標準。其中,PSNR值越大越好、ERROR值越小越好、SSIM值介于[0,1]之間,越接近1越好。由于測量率和噪聲水平對重構算法性能都有較大的影響,因此實驗比較分析了算法在不同測量率、不同噪聲水平下的重構性能。為了避免實驗結果的偶然性,取10次仿真結果的平均值作為最終實驗結果。

4.1 各算法在不同測量率下的重構結果

為了分析本文提出的BTVAL3算法的重構性能,本文將典型的OMP算法、SP算法、CoSaMP算法、IRLS算法、TVAL3算法進行比較。以PSNR、ERROR、SSIM為評價標準,各種算法在不同測量率下對 Building 圖像的重構結果分別如圖4～6所示。

圖4 各算法重構圖像PSNR值Fig.4 The PSNR values of the reconstructed images of each algorithm

圖5 各算法重構圖像ERROR值Fig.5 The ERROR values of the reconstructed images of each algorithm

圖6 各算法重構圖像SSIM值Fig.6 The SSIM values of the reconstructed images of each algorithm

從圖4～6中各算法在不同測量率下的重構圖像PSNR值曲線、重構錯誤率ERROR曲線以及結構相似度SSIM曲線可以分析得出:TVAL3算法和BTVAL3算法的重構性能在各測量率下優(yōu)于其他典型重構算法。其中IRLS算法比較特殊,在未壓縮情況下重構結果優(yōu)于其他算法。改進的BTVAL3算法重構性能相對于TVAL3算法而言,各測量率下重構圖像的PSNR值提高約2 dB；重構錯誤率在測量率小于0.7時下降低10%左右,而測量率在大于0.7時錯誤率降低2%左右；結構相似度在測量率小于0.2時低于TVAL3算法,測量率介于0.2和0.7之間時,BTVAL3算法的結構相似度較TV算法相比提高0.1左右,測量率大于0.7時則相似度相差不大。

為了更直觀地表示重構效果,在測量率為0.2和0.5時TVAL3算法與BTVAL3算法的重構結果如圖7和圖8所示。

圖7 測量率為0.2時重構結果Fig.7 The reconstruction results when the measurement rate is 0.2

從圖7和圖8中可以看出,相同測量率下BTVAL3算法的重構圖像輪廓信息更加清晰。

圖8 測量率為0.5時的重構結果Fig.8 The reconstruction results when the measurement rate is 0.5

4.2 不同噪聲水平下的重構結果

由于噪聲水平會對算法的重構性能產(chǎn)生一定的影響,本節(jié)對BTVAL3算法對噪聲的魯棒性進行了分析。根據(jù)4.1節(jié)可知,TVAL3算法與BTVAL3算法的性能優(yōu)越,遠高于其他典型算法。因此,本節(jié)只對這兩種算法在不同噪聲水平下的重構結果進行了分析比較。其中,在各測量率下的重構結果相似,選擇測量率為0.5時Building圖像在高斯隨機測量矩陣下不同噪聲水平的重構結果如圖9～11所示。

圖9 不同噪聲水平下重構圖像PSNR值Fig.9 The PSNR values of reconstructed image at different noise levels

圖10 不同噪聲水平下重構圖像ERROR值Fig.10 The ERROR values of reconstructed image at different noise levels

圖11 不同噪聲水平下重構圖像SSIM值Fig.11 The SSIM values of reconstructed image at different noise levels

從圖9～11中TVAL3算法與BTVAL3算法在不同噪聲水平下的重構圖像PSNR值曲線、重構錯誤率ERROR曲線以及結構相似度SSIM曲線可以分析得出:BTVAL3算法相對于TVAL3算法而言在相同測量率下隨著噪聲水平的提高,重構圖像的PSNR值降低的很小,基本保持不變；重構錯誤率增加的很緩慢,而且重構錯誤率很低,低于TVAL3算法10%左右；結構相似度隨著噪聲水平的提高,略高于TVAL3算法,但是相差不明顯?？梢钥闯?BTVAL3算法不同噪聲具有更好的魯棒性。

5 結 論

本文在TV算法的基礎上引入雙邊濾波思想,通過同時對圖像像素之間的空間關系和灰度關系進行約束,彌補了全變分正則項求解過程中對全域進行差分導致的圖像邊緣信息模糊的不足。求解過程中通過在目標函數(shù)中加入拉格朗日算子,將目標函數(shù)轉(zhuǎn)化為加入增廣拉格朗日函數(shù),利用交替方向法求解該函數(shù)最小值,迭代過程中選擇梯度下降法進行求解,可使算法得到優(yōu)化,運算速率得到提升。最后利用MATLAB程序進行仿真實驗,證明改進的BTVAL3算法相對于TVAL3算法能夠更好地保持圖像的邊緣信息,在不同測量率下重構圖像的結構相似度提高了0.1、PSNR提高了2 dB,重構圖像錯誤率降低了10%左右,并且BTVAL3算法對噪聲也具有較好的魯棒性,圖像重構質(zhì)量得到進一步提高。