基于線性陣列傳感器的壓縮成像

周宇陽　查長軍

【摘 要】針對單列像素結(jié)構(gòu)的壓縮成像系統(tǒng)中存在過度采樣和目標(biāo)移動過程中可能暫停的問題，提出了一種改進(jìn)的基于線性傳感器的移動目標(biāo)壓縮采樣方法。該方法通過較高的采樣頻率不斷地獲取壓縮測量值，當(dāng)壓縮測量值樣本數(shù)達(dá)到一定數(shù)量后，通過比較的方式來判斷后續(xù)測量值是否有效；如果測量值保持不變，此時表示目標(biāo)處于暫停狀態(tài)，判別測量值無效并丟棄；反之，保留并繼續(xù)壓縮采樣。理論分析與實驗仿真結(jié)果表明，采用本文方法對移動目標(biāo)進(jìn)行壓縮采樣時，能夠有效的消除目標(biāo)暫停而導(dǎo)致的過度采樣問題；并利用傳統(tǒng)的重構(gòu)方法能夠有效地恢復(fù)出目標(biāo)完整的圖像。

【關(guān)鍵詞】壓縮感知；壓縮成像；圖像重構(gòu)；移動目標(biāo)圖像

0 引言

壓縮成像（Compressive Imaging，CI）作為壓縮感知理論的一個重要研究領(lǐng)域[1-4]，是通過少量的測量值重構(gòu)得到原始圖像，其研究成果中最為典型的是單像素相機(jī)。該相機(jī)是利用單像素和空間光調(diào)制器實現(xiàn)對前景的壓縮采樣，但這種方式在完成壓縮采樣前，要求前景處于靜止?fàn)顟B(tài)或變化微小，否則并不能較好的重構(gòu)出原始圖像。對于移動目標(biāo)，文獻(xiàn)[5]提出了一種基于線性陣列傳感器的移動目標(biāo)壓縮采樣方法。這種壓縮采樣方法對于持續(xù)移動的目標(biāo)有較好的效果，如果目標(biāo)在感知區(qū)域由移動狀態(tài)轉(zhuǎn)向暫停狀態(tài)時，就會出現(xiàn)過度采樣現(xiàn)象，這樣就不能夠很好的重構(gòu)出目標(biāo)圖像。針對這一問題，本文提出了一種改進(jìn)的基于線性陣列的移動目標(biāo)壓縮采樣方法，通過仿真實驗證明了該方法的有效性。

1 壓縮感知基本理論

2 移動目標(biāo)壓縮采樣系統(tǒng)

圖1給出了一種改進(jìn)的基于傳感器線性結(jié)構(gòu)的移動目標(biāo)壓縮采樣系統(tǒng)，該系統(tǒng)按列獲取移動目標(biāo)測量值，當(dāng)獲得原始圖像中某一列的壓縮測量向量時，將其后的k個測量值向量yM+1，yM+2，…，yM+k與yM進(jìn)行比較，如果yM=yM+1=…=yM+k，則表明目標(biāo)處于暫停狀態(tài)，此后的個測量值向量屬于過度采樣，直接丟棄；直到測量值發(fā)生變化時，保留測量值，繼續(xù)壓縮采樣。

3 仿真實驗與分析

為了驗證壓縮采樣方法的有效性，本文進(jìn)行了仿真實驗。假設(shè)目標(biāo)移動到傳感器視場，暫停移動一段時間后，繼續(xù)前進(jìn)。為了驗證實驗效果，本文首先對分辨率為128×128的灰度圖像進(jìn)行插值處理；然后按照前文所述方法利用隨機(jī)測量矩陣對該樣本圖像進(jìn)行壓縮采樣，并采用正交匹配追蹤（OMP）算法重構(gòu)。

在重構(gòu)階段，我們假設(shè)原圖像各列稀疏度K=40，測量次數(shù)M為80，比較本文與傳統(tǒng)的壓縮采樣方法的圖像重構(gòu)效果如圖2所示。

圖2（a）是標(biāo)準(zhǔn)圖像（圖像大小為）。圖2（b）是采用傳統(tǒng)的按列壓縮采樣方法重構(gòu)效果圖；圖2（c）是采用本文方法進(jìn)行壓縮采樣后重構(gòu)圖像效果。由于，移動目標(biāo)在傳感器視場暫停一段時間，所以傳統(tǒng)的采樣系統(tǒng)重構(gòu)出的圖像中存在一段紋理，整個圖像不連續(xù)；而本文方法能夠有效的消除這種影響。

4 總結(jié)

本文針對傳統(tǒng)的移動目標(biāo)壓縮采樣方法的不足，提出了一種改進(jìn)的移動目標(biāo)壓縮采樣方法，該方法通過測量值的變化來判斷是否為有效值。仿真實驗結(jié)果表明，通過本文方法進(jìn)行壓縮采樣，能夠消除由于目標(biāo)停止運動而產(chǎn)生過采樣問題，有效重構(gòu)出目標(biāo)圖像。

【參考文獻(xiàn)】

[1]Dharmpal Takhar， Jason N. Laska， Michael B. Wakin ， et al.，“A new compressive imaging camera architecture using optical-domain compression，” Proc. SPIE 6065， Computational Imaging IV， 606509 （2006） [doi：10.1117/12.659602].

[2]Duarte M F， Davenport M A，Takhar D，et al.，“Single-Pixel Imaging via Compressive Sampling，” IEEE Signal Processing Mag. 25（2）， 83-91 （2008）.

[3]Boufounos， P. T.， R. G. Baraniuk， “1-Bit compressive sensing，” Information Sciences and Systems， 2008. CISS 2008. 42nd Annual Conference on IEEE， 16-21（2008）.

[4]Imama Noor， Eddie L. Jacobs， “Adaptive compressive sensing algorithm for video acquisition using a single-pixel camera，” J. Electron. Imaging. 22（2）， 021013 （2013）.

[5]Changjun Zha， Yao Li， Jinyao Gui， et al.，“Compressive Imaging of Moving Object Based on Linear Array Sensor.”Journal of Electrical and Computer Engineering，2016，（2016-7-14）？2016.1（2016）：7.

[6]Chen S B， Donoho D L， Saunders M A，“Atomic decomposition by basis pursuit，” SIAM Journal on Scientific Computing，20（1），33-61 （1998）.

[7]Donoho D L， Elad M， Temlyakov V N， “Stable recovery of sparse overcomplete representations in the presence of noise，” IEEE Transactions on Information Theory. 52（1）， 6-18 （2006）.

[8]E. Candès， et al.， “Robust uncertainty principles： Exact signal reconstruction from highly incomplete frequency information，” IEEE Trans. Inform. Theory. 52（2）， 489-509 （2006）.

[9]E. Candès， J. Emmanuel， J. K. Romberg，et al.， “Stable signal recovery from incomplete and inaccurate measurements，” Communications on Pure and Applied Mathematics. 59（8）， 1207–1223 （2006）.

[10]J. A. Tropp， A. C. Gilbert， “Signal Recovery From Random Measurements Via Orthogonal Matching Pursuit，” IEEE Transactions on Information Theory. 53（12）， 4655-4666 （2007）.endprint