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所有信息， 應(yīng)以不小于信號帶寬的兩倍采樣頻率對視頻進行采樣;采集到的原始信號通過一系列編碼 技術(shù)后達到去除冗余的目的，相關(guān)技術(shù)的瓶頸在于花費了大量的傳感器以及計算資源就為 了獲得處理后的少量信號壓縮數(shù)據(jù)，對采樣端的資源需求過高。為了進一步提高信號的采 集效率，在采樣的同時加入了一些信號處理技術(shù)，其中一種方案則是將采樣與壓縮同時進 行，然后通過后端的一些算法對壓縮后的數(shù)據(jù)進行重構(gòu)。然而，在自然界中的大量多維信號 (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之前都會進行向量化，因此忽略并破壞了多維信號原始的內(nèi)在結(jié) 構(gòu)。
[0003] 經(jīng)過對現(xiàn)有技術(shù)的文獻檢索發(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，該方法在采樣編碼端直接對視頻張量采用傳感 矩陣對各個維度分別進行壓縮采樣，在解碼端使用DCT基作為稀疏基對信號進行重構(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，對于具有復(fù)雜紋理或者劇烈運動的視頻場景，該方法所使用 的DCT基不夠靈活以至不能準確有效的對視頻幀張量塊進行稀疏表示，不能提供更加有效 的稀疏性和適應(yīng)性，進而導(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) 動子空間集模型將壓縮傳感應(yīng)用到視頻采樣上來，該方法在采樣編碼端直接對視頻信號進 行壓縮采樣，在解碼端使用UoDS基作為稀疏基對信號進行重構(gòu)，這種方法可以靈活有效地 對信號進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，它在對信號進行采樣和重構(gòu)之前，就已經(jīng)把多維信號（比如視頻內(nèi)的幀塊)進行了向量 化，忽視并破壞了多維信號的內(nèi)在結(jié)構(gòu)。
[0004] 上述現(xiàn)有技術(shù)的不足促使我們在其基礎(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行重構(gòu)，充分利用張量信號的結(jié)構(gòu)來提高重構(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)明是通過以下技術(shù)方案實現(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，對參考張量信號，首先利用子空間聚類的方法得 到張量訓練集，然后利用張量子空間學習方法生成張量子空間集對應(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] 所述的張量信號傳感模塊，對非參考張量信號的各個維度分別進行投影，得到張 量觀測值，并將該張量觀測值輸出到重構(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 傳感模塊輸出的張量觀測值，對非參考張量信號進行重構(gòu)。
[0011]優(yōu)選地，所述的結(jié)構(gòu)化稀疏基構(gòu)造模塊，實現(xiàn)由對參考張量信號集合進行稀疏子 空間聚類生成不同類別的張量組，每類張量組對應(yīng)于一個張量子空間；聚類得到的張量組 作為訓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，實現(xiàn)由張量子空間學習方法生成標準正 交基，該標準正交基能夠適應(yīng)性的表示張量信號各個維度的內(nèi)在結(jié)構(gòu)，相對于固定基能更 有效地稀疏表示張量信號。
[0013] 優(yōu)選地，所述的結(jié)構(gòu)化稀疏基構(gòu)造模塊，實現(xiàn)由對張量訓練集中的每個張量組分 別利用張量子空間學習方法生成對應(yīng)的各個標準正交基，進而組成稀疏基矩陣；參考張量 信號和非參考張量信號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，所述的張量信號傳感模塊，為一種一階的數(shù)字微鏡設(shè)備，其模擬了對非參 考張量信號的壓縮傳感，對非參考張量信號的各個維度分別進行投影。
[0015] 優(yōu)選地，所述的重構(gòu)處理模塊，通過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。
[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的各個維度利用一種塊稀 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在參考張量中先采用 子空間聚類獲得訓練集，再采用張量子空間學習的方法得到的，充分利用了張量的獨特結(jié) 構(gòu)，這樣能夠使得張量信號具有適應(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維度進行，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;對于其它多維信號，本發(fā)明通過適當?shù)男薷囊部墒褂?，具有較強的適應(yīng)性;在采樣 和重建時由于沒有對信號進行向量化而是對張量的各個維度分別進行處理，使得該方法相 比傳統(tǒng)的壓縮感知方法具有更高的實用性。在重建時由于訓練集和基矩陣的構(gòu)造，使得張 量信號具有結(jié)構(gòu)化的稀疏表示，因此本發(fā)明在不降低多維信號的主觀效果的情況下可以進 一步提高采樣效率，同時加快凸松弛重構(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，同時也具備良好的可擴展性。
【附圖說明】
[0020] 通過閱讀參照以下附圖對非限制性實施例所作的詳細描述，本發(fā)明的其它特征、 目的和優(yōu)點將會變得更明顯：
[0021] 圖1為本發(fā)明一實施例的系統(tǒng)流程框圖；
[0022] 圖2為本發(fā)明一實施例的結(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)明一實施例的張量信號傳感模塊的工作原理圖；
[0024]圖4為本發(fā)明一實施例的重構(gòu)處理模塊的工作原理圖。
【具體實施方式】
[0025]下面結(jié)合具體實施例對本發(fā)明進行詳細說明。以下實施例將有助于本領(lǐng)域的技術(shù) 人員進一步理解本發(fā)明，但不以任何形式限制本發(fā)明。應(yīng)當指出的是，對本領(lǐng)域的普通技術(shù) 人員來說，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。這些都屬于本發(fā)明 的保護范圍。
[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練集，然后利用張 量子空間學習方法生成張量子空間集對應(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;張量信號傳感模塊對非參考張量信號的各個維度分別進行投影，所得的 張量觀測值最后在重構(gòu)處理模塊中被解碼重構(gòu)。在編碼端中，張量信號傳感模塊對張量信 號進行采樣產(chǎn)生張量觀測值;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傳感模塊輸出的張量觀測值一起 進入所述重構(gòu)處理模塊，在重構(gòu)處理模塊中張量信號被重構(gòu)。
[0028] 本發(fā)明提供對張量信號壓縮采樣的同時還契合了張量信號采樣過程的分布式漸 進式結(jié)構(gòu)，對結(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，同時具備良好的可擴展性。
[0029] 進一步的，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 個聚類(張量組…，Xt，每個聚類中的張量都是相似的且同屬于一個張量子空間;心， X2，…，Xt對應(yīng)于t個張量子空間Si，S2，…，St，那么任一N階張量信號X都屬于