论文研究基于分块和混合采样的图像压缩感知 .pdf

对大数据量遥感图像融合，常规融合方法需考虑图像所有像素点，而全局压缩采样融合重构计算成本高、存储需求大。首先利用分块压缩感知（BCS）对输入图像进行压缩采样，再对压缩测量采用线性加权策略融合，最后采用

介绍了基于小波变换的分块压缩感知和基于边缘结构信息的改进匹配追踪重构两种图像重构方法

基于分块的压缩感知算法适用于图像信号的处理,通过平滑迭代阈值投影法可以快速重构图像,但存在低采样率下重构图像质量较差的缺点。基于全变差分的分块压缩感知算法,在一定程度上能提升重构效果,但降低了运算速度

提出一种磁共振(MR)图像的变采样率分块压缩感知(BCS,block-based compressed sensing)方法;根据MR图像细节丰富、纹理复杂的特点,引入对图像高维奇异结构具有良好稀疏表

该算法通过对图像分块来进行压缩感知图像重建，提高了图像重建的质量和重建速度

针对传统图像融合方法导致纹理细节丢失的现象,提出了一种基于抗混叠移不变Contourlet域的分块压缩感知(block-based compressed sensing,BCS)图像融合算法——Con

基于压缩感知的图像压缩的自适应采样

为增加信号重构的可信度和减少重构过程的人为干预,采用贝叶斯压缩感知的方法,将待重构信号赋予先验分布,不仅重构出信号参数,并能同时获得信号参数的置信区间,以此实时调整重构模型使信号恢复达到最佳。基于拉普

利用MATLAB生成phantom，利用医学图像在某些变换域内的稀疏性，编程实现CT图像的重建。并计算RMSE，与原图像比对。改变bm、bn数值可以改变分块大小，改变p值可以改变采样率。运行时间随着这

针对稀疏信号盲源分离势函数法需要过多参数，以及聚类算法需要知道源信号个数的缺陷，采用基于拉普拉斯模型的势函数法估计源信号数目和混合矩阵。将混合信号重新聚类，对每一类信号的协方差矩阵进行奇异值分解，混合