论文部分内容阅读
随着多媒体技术的快速发展和各种智能电子设备的日益普及,以图像为代表的多媒体通信已成为现代网络通信的主流形式。图像信号不同于普通的文本音频数据,具有大数据量、高冗余度、强像素相关性的特点,因而如何安全地将图像传送到接收端,并将其高精度恢复成为图像处理领域的一项研究热点。压缩感知（CS,Compressed Sensing）通过对图像的压缩测量,同时对信号进行压缩和采样,且测量过程具有较强的安全性,在重构端通过求解优化问题从少量的低维投影测量值中,以高概率重构出原始高维信号。CS理论的应用显著降低了数据采集、存储和传输的代价,节省了信号的处理时间和设备成本,能够为图像处理在多媒体通信的应用提供理论基础。本论文基于CS理论,以实现图像的安全传输和高效重构为目的,研究了图像信号的分类字典构造方法,并基于此构造超分辨率重构算法,然后研究了面向安全传输的图像重构方法,最后将CS理论应用于智能交通中,实现对车辆类别的快速识别检测。本论文的具体工作概括如下:第一,首先基于CS理论,说明了图像的频域特征和CS测量域特征呈近似线性相关性;然后基于测量域的相关性特征,对图像块按照其结构特点分为平滑块、纹理块和边缘块;最后,基于对图像块的分类,本论文在每一类图像块样本集上选取部分子块作为初始字典,通过求解约束优化问题对字典原子进行更新,构造冗余字典,得到平滑冗余字典、边缘冗余字典和纹理冗余字典。由这种方法构造的分类字典充分利用了图像的内部结构信息,字典原子包含更多图像的关键信息,能够更加稀疏的对图像进行表示,因而采用这种分类字典重构图像,能够获得图像质量的大幅提升。实验仿真验证了基于特征域的块分类的准确性,以及用分类字典对图像进行重构得到的图像质量优于其它主流算法,采用本章提出的分类字典重构图像的PSNR比现有算法高1.64-6.7dB;同时重构时间缩短至传统DCT（Discrete Cosine Transform）算法的1/4,比全局矩阵感知字典方法快1.8-3s。第二,以分类字典的构造方法为基础,提出了一种结合字典学习和图像相似性的图像超分辨率（SR,Super-Resolution）重构方法,从单个低分辨率（LR,Low-resolution）图像恢复出高分辨率（HR,High-resolution）图像。传统基于字典的SR方法,在训练字典时并未考虑图像块的结构差异,本论文分析了图像的结构差异,进而构造分类字典训练方法。具体来说,首先使用测量域和频域中的图像之间的线性关系将图像块分类;然后对不同类型的图像块,使用不同策略训练出过完备冗余字典;以最逼近图像结构信息的字典对LR图像块进行重构。此外,单一从外部图像集中学习先验知识进行SR重构,往往会导致重建的HR图像存在不真实细节,本论文使用图像的非局部相似性来搜索当前图像块的相似块,将图像块的稀疏性和自相似性作为约束,对LR图像进行重建。实验验证了本论文方法与现有SR方法相比,在重构图像质量上有显著提升,PSNR（峰值信噪比）值较现有算法提高了0.56-3dB,SSIM（结构相似度）提高了0.01-0.11。第三,提出了面向图像安全传输的图像重构方法,CS的测量过程本身具有很强的保密性能。将CS应用于图像安全传输,采样、压缩和加密在测量过程中同时完成,能够降低信号采集过程中的资源需求,同时也保证了图像数据的安全。本论文提出的基于单轮训练字典和混沌序列的图像安全传输方法中,测量矩阵和测量值的随机置乱取决于两个不同的Logistic序列,这两个序列的起始值被视为密钥元素。随后,对测量值采用Sigmoid函数进行量化,使得它们易于传输和存储,密钥由混沌序列的两个初始值和量化函数的一个参数组成,因此,该方法显著减少了传输密钥所需的资源。此外,通过使用单轮字典替代DCT基,每个图像具有其自己唯一的字典,使得图像被自适应地加密和重构,因而图像的安全性能增强,解密图像的质量得到明显提升。实验和分析结果验证了本章方法的高安全性,密钥空间近似为近似为1040,密文图像的相邻像素相关系数低至0.0108,重构图像质量也得到提升,PSNR值比现有算法提高了0.5-3.8dB。第四,本论文将CS理论应用于智能交通中,对车辆进行检测和分类。主要包含两部分:首先应用CS在测量域生成显著图用于窗口标定,然后将CS的测量过程作为压缩层嵌入到传统CNN（Convolutional neural network）网络中,得到CS-CNN网络,对交通场景图像的目标车辆进行分类,为交通管理提供参考信息。CS压缩层位于网络的输入层和第一个卷积层之间,其输出的测量值特征作为卷积层的输入,使得整个分类网络需要处理的数据量大幅减少,提高了分类网络的效率;同时,CS压缩层的测量过程,是由图像块与感知矩阵分量形成的滤波器进行卷积完成,每个测量值均包含原图像的关键信息,从而提高了分类准确度。实验结果表明,本论文的方法能够加快车辆分类的速度,与现有方法相比,本论文具有同等高的精确度,同时推断时间缩短了4-18s。