Реконструкция изображения на основе однопикселной камеры и левосторонней оптимизации

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Cheng T., Li D.G. Реконструкция изображения на основе однопикселной камеры и левосторонней оптимизации. Image reconstruction based on a single-pixel camera and left optimization [на англ. яз.] // Оптический журнал. 2022. Т. 89. № 5. С. 31–40. http://doi.org/10.17586/1023-5086-2022-89-05-31-40

Cheng T., Li D.G. Реконструкция изображения на основе однопикселной камеры и левосторонней оптимизации. Image reconstruction based on a single-pixel camera and left optimization [in English] // Opticheskii Zhurnal. 2022. V. 89. № 5. P. 31–40. http://doi.org/10.17586/1023-5086-2022-89-05-31-40

Ссылка на англоязычную версию:

Tao Cheng and Degao Li, "Image reconstruction based on a single-pixel camera and left optimization," Journal of Optical Technology. 89(5), 269-276 (2022). https://doi.org/10.1364/JOT.89.000269

Аннотация:

Предмет исследования. Предложен набор схем, которые позволят улучшить возможность восстановления изображения, сформированного однопикселной камерой, посредством использования априорной информации об исходном изображении. Метод. В результате обработки данных, полученных однопиксельной камерой, методом стандартизации или левосторонней оптимизации может быть получена информация об энергии и направлении сигнала. В соответствии с этой информацией, используя метод ортогонального сопоставления и алгоритмы минимизации вариаций, возможно улучшение качества восстановления изображения. Основные результаты. Использование алгоритма обработки данных измерений однопикселной камеры, основанного на случайной матрице [0-1] и матрице циркуляции [0-1], не позволяет выделить информацию об энергии и направлении регистрируемого сигнала. Для определения информации об энергетических характеристиках сигнала может использоваться алгоритм стандартизации, однако при этом может быть получена только предварительная информация о направлении сигнала. Использование левосторонней оптимизации позволяет получить данные как об энергии, так и о направлении регистрируемого сигнала, которые могут служить критерием качества восстановления сигнала. Экспериментальные результаты показывают, что на основе таких критериев использование алгоритмов ортогонального сопоставления и минимизации вариаций в разных столбцах данных измерений может значительно повысить качество реконструкции изображения. В частности, для полученных экспериментальных данных отношение сигнал/шум было увеличено более чем на 16 дБ. Практическая значимость. Результатом решения задач, использующих сжатие данных, являются сжатое изображение и матрица сжатия. Поскольку на этапе восстановления исходное изображение неизвестно, качество его восстановления обычно оценивается на основании опыта решения подобных задач или результатах имитационного компьютерного моделирования. Использование левосторонней оптимизации при обработке данных, полученных однопикселной камерой, позволяет сформировать объективную оценку качества восстановления изображения.

Ключевые слова:

однопикселная камера, сжатие данных, матрица измерения, метод стандартизации, левосторонняя оптимизация, восстановление изображения

Благодарность:

Работа выполнена при финансовой поддержке Национального фонда естественных наук Китая (грант №№ 41461082 и 81660296) и Научного общества молодых ученых Китая (грант № 2016М592525).

Коды OCIS: 200.0200, 100.3010

Список источников:

1. Donoho D.L. Compressed sensing // IEEE Trans. Inf. Theory. 2006. V. 52. № 4. P. 1289–1306.
2. Duarte-Carvajalino J.M., Sapiro G. Learning to sense sparse signals: Simultaneous sensing matrix and sparsifying dictionary optimization // IEEE Trans. Image Process. 2009. V. 18. № 7. P. 1395–1408.
3. Elad M. Optimized projections for compressed sensing // IEEE Trans. Signal Process. 2007. V. 55. № 12. P. 5695–5702.
4. Cheng T., Chen D., Yu B., et al. Reconstruction of super-resolution STORM images using compressed sensing based on low-resolution raw images and interpolation // Biomedical Opt. Exp. 2017. V. 8. № 5. P. 2445–2457.
5. Zhu L., Zhang W., Elnatan D., et al. Faster STORM using compressed sensing // Nat. Methods. 2010. V. 9. № 7. P. 721–723.
6. Cheng T. Reconstruction improvement of single-pixel camera based on operator matrix-induced compressive sensing // J. Geod. List. 2020. V. 41(03). P. 283–296.
7. Joy A., Paul J.S. A mixed-order nonlinear diffusion compressed sensing MR image reconstruction // Magn. Reson. Med. 2017. V. 80. № 5. P. 2215–2222.
8. Jin K.H., Um J.-Y., Lee D., et al. MRI artifact correction using sparse plus low-rank decomposition of annihilating filter-based hankel matrix // Magn. Reson. Med. 2016. V. 78. № 1. P. 327–340.
9. Das S., Mandal J.K. An enhanced block-based compressed sensing technique using orthogonal matching pursuit // Signal Image Video Process. 2019. V. 15. № 3. P. 563–570.
10. Lee K., Yu N.Y. Exploiting prior information for greedy compressed sensing based detection in machinetype communications // Digit. Signal Process. 2018. V. 107. № 12. P. 1–12.
11. Bredies K., Holler M. Higher-order total variation approaches and generalisations // Inverse Probl. 2019. V. 36. № 12. P. 1–128.
12. Vishnukumar S., Wilscy M. Single image super-resolution based on compressive sensing and improved TV minimization sparse recovery // Opt. Commun. 2017. V. 404. № 23. P. 80–93.
13. Qin S. Simple algorithm for L1-norm regularisation-based compressed sensing and image restoration // IET Image Process. 2021. V. 14. № 14. P. 3405–3413.
14. Thuong Nguyen C., Jeon B. Restricted structural random matrix for compressive sensing // Signal Process. Image Commun. 2021. V. 90. № 1. P. 1–14.
15. Nouasria H., Et-Tolba M. A new efficient sensing matrix for cluster structured sparse signals recovery // Digit. Signal Process. 2019. V. 92. № 9. P. 166–178.
16. Lotz M. Persistent homology for low-complexity models // Proc. Math. Phys. Eng. 2019. V. 475. № 2230. P. 1–21. 17. Cheng T. Restricted conformal property of compressive sensing // 11th Int. Comput. Conf. Wavelet Act. 2014. P. 152–161.
18. Cheng T. Directional remote sensing // Geod. List. 2015. V. 36 № 04. P. 251–262.
19. Shaeiri Z., Karami M.-R., Aghagolzadeh A. Enhancing the fundamental limits of sparsity pattern recovery // Digit. Signal Process. 2017. V. 69. № 10. P. 275–285.
20. Sasmal P., Murthy C.R. Incoherence is sufficient for statistical RIP of unit norm tight frames: Constructions and properties // IEEE Trans. Signal Process. 2021. V. 69. № 1. P. 2343–2355.