基于結(jié)構(gòu)化稀疏的壓縮張量采集與重構(gòu)系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種張量信號(hào)獲取方案，具體是一種基于結(jié)構(gòu)化稀疏的壓縮張量采集 與重構(gòu)系統(tǒng)。
【背景技術(shù)】
[0002] 傳統(tǒng)的信號(hào)處理系統(tǒng)采用先采樣再壓縮的模式:為了完整地保存信號(hào)所有信息， 應(yīng)以不小于信號(hào)帶寬的兩倍采樣頻率對(duì)視頻進(jìn)行采樣;采集到的原始信號(hào)通過(guò)一系列編碼 技術(shù)后達(dá)到去除冗余的目的，相關(guān)技術(shù)的瓶頸在于花費(fèi)了大量的傳感器以及計(jì)算資源就為 了獲得處理后的少量信號(hào)壓縮數(shù)據(jù)，對(duì)采樣端的資源需求過(guò)高。為了進(jìn)一步提高信號(hào)的采 集效率，在采樣的同時(shí)加入了一些信號(hào)處理技術(shù)，其中一種方案則是將采樣與壓縮同時(shí)進(jìn) 行，然后通過(guò)后端的一些算法對(duì)壓縮后的數(shù)據(jù)進(jìn)行重構(gòu)。然而，在自然界中的大量多維信號(hào) (如圖像、視頻)可以看作是張量(圖像是二階的張量，視頻是三階的張量），已有的大部分方 法在處理這些多維信號(hào)之前都會(huì)進(jìn)行向量化，因此忽略并破壞了多維信號(hào)原始的內(nèi)在結(jié) 構(gòu)。
[0003] 經(jīng)過(guò)對(duì)現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，Q.Li，D.Schonfeld和S.Friedland在2013年的 ((IEEE International Conference on Multimedia and Expo))(IEEE ICME)會(huì)議上發(fā)表的 "Generalized tensor compressive sensing" 一文中提出 了基于離散余弦變換(DCT)張量 基的重構(gòu)將壓縮傳感應(yīng)用到視頻采樣上來(lái)，該方法在采樣編碼端直接對(duì)視頻張量采用傳感 矩陣對(duì)各個(gè)維度分別進(jìn)行壓縮采樣，在解碼端使用DCT基作為稀疏基對(duì)信號(hào)進(jìn)行重構(gòu)，這種 方法可以有效地提高視頻采樣的效率，并且保證重構(gòu)獲得的視頻的主觀質(zhì)量，但這種方法 所使用的DCT基是一種固定基，對(duì)于具有復(fù)雜紋理或者劇烈運(yùn)動(dòng)的視頻場(chǎng)景，該方法所使用 的DCT基不夠靈活以至不能準(zhǔn)確有效的對(duì)視頻幀張量塊進(jìn)行稀疏表示，不能提供更加有效 的稀疏性和適應(yīng)性，進(jìn)而導(dǎo)致效果降低。Y. Li和H. Xiong在20 14年的《IEEE Data Compression Conference))(IEEE DCC)會(huì)議上發(fā)表的 "Union of Data-driven Subspaces via Subspace Clustering for Compressive Video Sampling" 一文中提出 了基于數(shù)據(jù)驅(qū) 動(dòng)子空間集模型將壓縮傳感應(yīng)用到視頻采樣上來(lái)，該方法在采樣編碼端直接對(duì)視頻信號(hào)進(jìn) 行壓縮采樣，在解碼端使用UoDS基作為稀疏基對(duì)信號(hào)進(jìn)行重構(gòu)，這種方法可以靈活有效地 對(duì)信號(hào)進(jìn)行稀疏表示以保證重構(gòu)獲得的視頻的主觀質(zhì)量，但這種方法不是基于張量的方 法，它在對(duì)信號(hào)進(jìn)行采樣和重構(gòu)之前，就已經(jīng)把多維信號(hào)（比如視頻內(nèi)的幀塊)進(jìn)行了向量 化，忽視并破壞了多維信號(hào)的內(nèi)在結(jié)構(gòu)。
[0004] 上述現(xiàn)有技術(shù)的不足促使我們?cè)谄浠A(chǔ)上去尋找一種更加有效的采樣模式以及 更加靈活有效的稀疏基去進(jìn)行重構(gòu)，充分利用張量信號(hào)的結(jié)構(gòu)來(lái)提高重構(gòu)結(jié)果的主客觀質(zhì) 量。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，提供了一種基于結(jié)構(gòu)化稀疏的壓縮張量采集與重構(gòu) 系統(tǒng)，可以有效提高圖像視頻等多維信號(hào)的采集效率以及重構(gòu)系統(tǒng)的主客觀質(zhì)量，并可作 為一種通用的采集工具。
[0006] 本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：
[0007] 本發(fā)明提供一種基于結(jié)構(gòu)化稀疏的壓縮張量采集與重構(gòu)系統(tǒng)，包括:結(jié)構(gòu)化稀疏 基構(gòu)造模塊、張量信號(hào)傳感模塊和重構(gòu)處理模塊，其中：
[0008] 所述的結(jié)構(gòu)化稀疏基構(gòu)造模塊，對(duì)參考張量信號(hào)，首先利用子空間聚類的方法得 到張量訓(xùn)練集，然后利用張量子空間學(xué)習(xí)方法生成張量子空間集對(duì)應(yīng)的稀疏基矩陣，并將 該稀疏基矩陣輸出到重構(gòu)處理模塊的輸入端；
[0009] 所述的張量信號(hào)傳感模塊，對(duì)非參考張量信號(hào)的各個(gè)維度分別進(jìn)行投影，得到張 量觀測(cè)值，并將該張量觀測(cè)值輸出到重構(gòu)處理模塊的輸入端；
[0010] 所述的重構(gòu)處理模塊，接收結(jié)構(gòu)化稀疏基構(gòu)造模塊輸出的稀疏基矩陣與張量信號(hào) 傳感模塊輸出的張量觀測(cè)值，對(duì)非參考張量信號(hào)進(jìn)行重構(gòu)。
[0011]優(yōu)選地，所述的結(jié)構(gòu)化稀疏基構(gòu)造模塊，實(shí)現(xiàn)由對(duì)參考張量信號(hào)集合進(jìn)行稀疏子 空間聚類生成不同類別的張量組，每類張量組對(duì)應(yīng)于一個(gè)張量子空間；聚類得到的張量組 作為訓(xùn)練集用于生成張量子空間集的稀疏基矩陣。
[0012] 優(yōu)選地，所述的結(jié)構(gòu)化稀疏基構(gòu)造模塊，實(shí)現(xiàn)由張量子空間學(xué)習(xí)方法生成標(biāo)準(zhǔn)正 交基，該標(biāo)準(zhǔn)正交基能夠適應(yīng)性的表示張量信號(hào)各個(gè)維度的內(nèi)在結(jié)構(gòu)，相對(duì)于固定基能更 有效地稀疏表示張量信號(hào)。
[0013] 優(yōu)選地，所述的結(jié)構(gòu)化稀疏基構(gòu)造模塊，實(shí)現(xiàn)由對(duì)張量訓(xùn)練集中的每個(gè)張量組分 別利用張量子空間學(xué)習(xí)方法生成對(duì)應(yīng)的各個(gè)標(biāo)準(zhǔn)正交基，進(jìn)而組成稀疏基矩陣；參考張量 信號(hào)和非參考張量信號(hào)在所述稀疏基矩陣上的稀疏表示是具有塊結(jié)構(gòu)的。
[0014] 優(yōu)選地，所述的張量信號(hào)傳感模塊，為一種一階的數(shù)字微鏡設(shè)備，其模擬了對(duì)非參 考張量信號(hào)的壓縮傳感，對(duì)非參考張量信號(hào)的各個(gè)維度分別進(jìn)行投影。
[0015] 優(yōu)選地，所述的重構(gòu)處理模塊，通過(guò)一種凸松弛算法模型找到的全局最優(yōu)解乘以 稀疏基就是要得到的重構(gòu)信號(hào)。
[0016] 優(yōu)選地，所述的重構(gòu)處理模塊，分別在非參考張量信號(hào)的各個(gè)維度利用一種塊稀 疏約束得到具有塊稀疏性的表示向量，用于各個(gè)維度的重構(gòu)。
[0017] 本發(fā)明中采用的基于結(jié)構(gòu)化稀疏的壓縮張量傳感技術(shù)為圖像視頻等多維信號(hào)的 采集提供了通用的解決方案。本發(fā)明所使用的張量稀疏基矩陣是通過(guò)在參考張量中先采用 子空間聚類獲得訓(xùn)練集，再采用張量子空間學(xué)習(xí)的方法得到的，充分利用了張量的獨(dú)特結(jié) 構(gòu)，這樣能夠使得張量信號(hào)具有適應(yīng)性的結(jié)構(gòu)化稀疏表示，提高了采樣的效率與重建性能。 另一方面，采樣和重建分別在各個(gè)維度進(jìn)行，有助于本發(fā)明結(jié)構(gòu)化稀疏的壓縮張量傳感的 性能及實(shí)用性的提升。
[0018] 與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：
[0019] 本發(fā)明大大提高了重構(gòu)性能，與傳統(tǒng)的使用固定基進(jìn)行重構(gòu)的壓縮傳感系統(tǒng)相 比，由于本發(fā)明的重構(gòu)采用的是適應(yīng)性的全局最優(yōu)的稀疏基，因此在重構(gòu)效果上均能夠得 到增強(qiáng);對(duì)于其它多維信號(hào)，本發(fā)明通過(guò)適當(dāng)?shù)男薷囊部墒褂茫哂休^強(qiáng)的適應(yīng)性;在采樣 和重建時(shí)由于沒(méi)有對(duì)信號(hào)進(jìn)行向量化而是對(duì)張量的各個(gè)維度分別進(jìn)行處理，使得該方法相 比傳統(tǒng)的壓縮感知方法具有更高的實(shí)用性。在重建時(shí)由于訓(xùn)練集和基矩陣的構(gòu)造，使得張 量信號(hào)具有結(jié)構(gòu)化的稀疏表示，因此本發(fā)明在不降低多維信號(hào)的主觀效果的情況下可以進(jìn) 一步提高采樣效率，同時(shí)加快凸松弛重構(gòu)算法的收斂速度，在不同的采樣壓縮率下相比其 他方法取得了重構(gòu)增益，同時(shí)也具備良好的可擴(kuò)展性。
【附圖說(shuō)明】
[0020] 通過(guò)閱讀參照以下附圖對(duì)非限制性實(shí)施例所作的詳細(xì)描述，本發(fā)明的其它特征、 目的和優(yōu)點(diǎn)將會(huì)變得更明顯：
[0021] 圖1為本發(fā)明一實(shí)施例的系統(tǒng)流程框圖；
[0022] 圖2為本發(fā)明一實(shí)施例的結(jié)構(gòu)化稀疏基構(gòu)造模塊的工作原理圖；
[0023] 圖3為本發(fā)明一實(shí)施例的張量信號(hào)傳感模塊的工作原理圖；
[0024]圖4為本發(fā)明一實(shí)施例的重構(gòu)處理模塊的工作原理圖。
【具體實(shí)施方式】
[0025]下面結(jié)合具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。以下實(shí)施例將有助于本領(lǐng)域的技術(shù) 人員進(jìn)一步理解本發(fā)明，但不以任何形式限制本發(fā)明。應(yīng)當(dāng)指出的是，對(duì)本領(lǐng)域的普通技術(shù) 人員來(lái)說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)。這些都屬于本發(fā)明 的保護(hù)范圍。
[0026] 如圖1所示，一種基于結(jié)構(gòu)化稀疏的壓縮張量采集與重構(gòu)系統(tǒng)，包括:結(jié)構(gòu)化稀疏 基構(gòu)造模塊、張量信號(hào)傳感模塊和重構(gòu)處理模塊，其中：
[0027] 結(jié)構(gòu)化稀疏基構(gòu)造模塊首先利用子空間聚類的方法得到張量訓(xùn)練集，然后利用張 量子空間學(xué)習(xí)方法生成張量子空間集對(duì)應(yīng)的稀疏基矩陣，并將該稀疏基矩陣輸出到重構(gòu)處 理模塊的輸入端;張量信號(hào)傳感模塊對(duì)非參考張量信號(hào)的各個(gè)維度分別進(jìn)行投影，所得的 張量觀測(cè)值最后在重構(gòu)處理模塊中被解碼重構(gòu)。在編碼端中，張量信號(hào)傳感模塊對(duì)張量信 號(hào)進(jìn)行采樣產(chǎn)生張量觀測(cè)值;在解碼端中，結(jié)構(gòu)化稀疏基構(gòu)造模塊產(chǎn)生稀疏基矩陣;所述結(jié) 構(gòu)化稀疏基構(gòu)造模塊輸出的稀疏基矩陣與所述張量信號(hào)傳感模塊輸出的張量觀測(cè)值一起 進(jìn)入所述重構(gòu)處理模塊，在重構(gòu)處理模塊中張量信號(hào)被重構(gòu)。
[0028] 本發(fā)明提供對(duì)張量信號(hào)壓縮采樣的同時(shí)還契合了張量信號(hào)采樣過(guò)程的分布式漸 進(jìn)式結(jié)構(gòu)，對(duì)結(jié)構(gòu)化稀疏基矩陣的構(gòu)造也提升了重構(gòu)的精確度和效率;本發(fā)明大大提高了 張量信號(hào)的采樣效率，在不同的采樣壓縮率下取得了重構(gòu)增益，同時(shí)具備良好的可擴(kuò)展性。
[0029] 進(jìn)一步的，所述的結(jié)構(gòu)化稀疏基構(gòu)造模塊如圖2所示，在整幅重建的參考張量中做 稀疏子空間聚類，其中：
[0030] 參考張量中的張量集合X={X1，X2,…，XK}，利用稀疏子空間聚類方法把X分割成t 個(gè)聚類(張量組…，Xt，每個(gè)聚類中的張量都是相似的且同屬于一個(gè)張量子空間;心， X2，…，Xt對(duì)應(yīng)于t個(gè)張量子空間Si，S2，…，St，那么任一N階張量信號(hào)X都屬于