基于物聯(lián)網(wǎng)技術(shù)的小波域分塊壓縮感知算法的圖像重構(gòu)系統(tǒng)設(shè)計(jì)

趙勃

摘 要：針對(duì)低照明度重構(gòu)圖像分辨率不高、重構(gòu)時(shí)間長(zhǎng)的問題，提出了基于小波域分塊壓縮感知算法的圖像重構(gòu)系統(tǒng)。建立低照明度圖像采樣模型，采用圖像的景深自適應(yīng)調(diào)節(jié)方法進(jìn)行小波域分塊壓縮感知和信息融合處理。利用多尺度的Retinex算法進(jìn)行小波域分塊壓縮感知和信息提取，提取圖像的信息熵特征量。采取圖像自適應(yīng)增強(qiáng)方法進(jìn)行低照度圖像增強(qiáng)處理，使用物聯(lián)網(wǎng)技術(shù)進(jìn)行低照明度圖像的三維信息重構(gòu)，結(jié)合細(xì)節(jié)增強(qiáng)方法進(jìn)行低照度圖像增強(qiáng)處理，完成重構(gòu)系統(tǒng)設(shè)計(jì)，實(shí)現(xiàn)透射率圖的輪廓檢測(cè)和特征重構(gòu)。仿真結(jié)果表明，采用該方法進(jìn)行低照明度圖像重構(gòu)的分辨率較高，邊緣感知能力較好，且重構(gòu)耗時(shí)較短，實(shí)際應(yīng)用效率較高。

關(guān)鍵詞：物聯(lián)網(wǎng)技術(shù);小波域分塊;壓縮感知;圖像重構(gòu)

中圖分類號(hào)：TP391????? 文獻(xiàn)標(biāo)識(shí)碼：A

Design of Image Reconstruction System for Wavelet Domain

Sub-block Compression-aware Algorithm Based

on Internet of Things Technology

ZHAO Bo

（Shaanxi Xueqian Normal University，Xi'an， Shaanxi 710100，China）

Abstract：Aiming at the problems of low resolution and long reconstruction time for low-illumination reconstructed images， an image reconstruction system based on the Internet of Things technology for wavelet-domain block compressed sensing algorithm is proposed. Establish a low-illumination image sampling model， use the image's depth-of-field adaptive adjustment method to perform wavelet-domain block compressed sensing and information fusion processing， and use a multi-scale Retinex algorithm to perform wavelet-domain block compressed sensing and information extraction to extract the information entropy of the image Feature quantity， low-illumination image enhancement processing using image adaptive enhancement method， 3D information reconstruction of low-illumination image using Internet of Things technology， low-illumination image enhancement processing combined with detail enhancement method， complete design of stink dog system， and transmission Contour detection and feature reconstruction of rate maps. The simulation results show that the low-illumination image reconstruction with this method has higher resolution， better edge sensing ability， shorter reconstruction time， and higher practical application efficiency.

Key words：Internet of Things technology; wavelet domain block; compression perception; image reconstruction

為提升低照明度圖像的分辨率，需對(duì)低照明度圖像進(jìn)行優(yōu)化重構(gòu)，提高低照明度圖像成像能力[1]。壓縮感知理論應(yīng)用在圖像重構(gòu)中，能夠有效縮短圖像重構(gòu)時(shí)間，相關(guān)的圖像三維重構(gòu)方法研究受到人們的極大重視[2-3]。

文獻(xiàn)[4]提出基于一種圖像三維重構(gòu)方法，分析圖像像素灰度值，進(jìn)行統(tǒng)計(jì)擬合，獲取像素間距，完成圖像重構(gòu)。該方法對(duì)圖像重構(gòu)的精度較高，但重構(gòu)時(shí)間較長(zhǎng)。文獻(xiàn)[5]提出基于多網(wǎng)格并行算法的圖像三維重建方法，采用GPU多線程算法，得到圖像像素點(diǎn)特征，從而快速完成圖像重構(gòu)。該方法的重構(gòu)耗時(shí)較短，但重構(gòu)圖像的分辨率較差。文獻(xiàn)[6]提出一種基于KCS算法的圖像重構(gòu)方法，根據(jù)核壓縮感知理論對(duì)圖像進(jìn)行非線性重構(gòu)。采用該方法所得重構(gòu)圖像的峰值信噪比較小，圖像清晰度較好，但重構(gòu)耗時(shí)較長(zhǎng)。

針對(duì)上述方法存在的問題，提出了基于小波域分塊壓縮感知算法的圖像重構(gòu)系統(tǒng)設(shè)計(jì)。采用多尺度的Retinex算法進(jìn)行小波域分塊壓縮感知和信息提取，提取圖像的信息熵特征量，實(shí)現(xiàn)透射率圖的輪廓檢測(cè)和特征重構(gòu)，提高圖像的壓縮感知三維重構(gòu)能力。最后進(jìn)行仿真測(cè)試，得出有效性結(jié)論。

1 低照明度圖像采樣模型和分塊融合處理

1.1 低照明度圖像采樣模型

為了實(shí)現(xiàn)低照明度圖像壓縮感知重構(gòu)，需要首先建立低照明度圖像的視覺信息采集模型，采用粗糙集的紋理信息聚類方法構(gòu)建低照明度圖像的多重紋理分布結(jié)構(gòu)模型，采用鄰域變換的方法進(jìn)行低照明度圖像的超像素信息融合和特征采集，建立低照明度圖像的多分辨特征分解模型[7]，得到低照明度圖像像素特征采樣的約束優(yōu)化函數(shù)為：

min f（）=（x1，x2，…，xn）∈Rn（1）

其中： =（x1，x2，…，xn）∈XRn為低照度圖像中暗的地方;x∈Ω;S為低照明度圖像的可變論域分布特征集，描述為低照明度圖像超分辨重構(gòu)的優(yōu)化決策函數(shù);Ω為大氣散射分布的空間域和頻域的交叉分布可行域。

根據(jù)R的基本集合進(jìn)行圖像的多分辨特征信息采樣，結(jié)合邊緣輪廓檢測(cè)方法，進(jìn)行低照明度圖像的樣本特征分布集gj（）≤ 0，j為樣本數(shù)量，建立低照明度圖像的信息特征采樣模型的物聯(lián)網(wǎng)節(jié)點(diǎn)分布模型，如圖1所示。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本文方法在實(shí)現(xiàn)低照度圖像的壓縮感知和圖像重構(gòu)的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)，在Visual Genome 圖像數(shù)據(jù)庫(kù)中選擇一張低照明度圖像，其透射率為0.26，圖像像素灰度值為12，運(yùn)算速率為15 Kbit/s，峰值信噪比為24 dB。原始圖像如圖2所示。

根據(jù)上述參數(shù)設(shè)定，進(jìn)行低照明度圖像的重構(gòu)，實(shí)驗(yàn)采用Matlab仿真軟件，以圖2的圖像為研究對(duì)象，采用多尺度的 Retinex算法進(jìn)行小波域分塊壓縮感知和信息提取，得到圖像的信息熵特征量，采用圖像自適應(yīng)增強(qiáng)方法進(jìn)行低照度圖像增強(qiáng)處理，得到信息增強(qiáng)結(jié)果如圖3所示。

分析圖3得知，本方法能有效實(shí)現(xiàn)對(duì)低照明度圖像的信息增強(qiáng)，提高圖像的識(shí)別能力。在此基礎(chǔ)上，采用本文所設(shè)計(jì)圖像重構(gòu)系統(tǒng)系統(tǒng)實(shí)現(xiàn)低照明度圖像重構(gòu)，并采用文獻(xiàn)[4]方法、文獻(xiàn)[5]方法及文獻(xiàn)[6]方法為實(shí)驗(yàn)對(duì)比方法，得到對(duì)比結(jié)果如圖4所示。

對(duì)比上述結(jié)果得知，采用文獻(xiàn)[4]方法對(duì)圖形進(jìn)行重構(gòu)，得到的重構(gòu)圖像中存在較為嚴(yán)重的噪點(diǎn);文獻(xiàn)[5]方法得到的重構(gòu)圖像噪點(diǎn)較小，但圖像清晰度較低;文獻(xiàn)[6]方法得到的重構(gòu)圖像較為模糊，以上三種方法的重構(gòu)性能均不好。而采用本文方法得到的重構(gòu)圖像分辨率高，無噪點(diǎn)，圖像清晰。對(duì)比結(jié)果表明本文方法能有效實(shí)現(xiàn)低照明度圖像重構(gòu)，提高圖像的分辨率。

測(cè)試四種方法重構(gòu)圖像的時(shí)間，得到對(duì)比結(jié)果如圖5所示。

分析圖5可知，采用文獻(xiàn)[4]方法對(duì)低照明度圖像進(jìn)行10次重構(gòu)，重構(gòu)用時(shí)為100s，文獻(xiàn)[5]方法的重構(gòu)用時(shí)為70 s，文獻(xiàn)[6]方法的重構(gòu)用時(shí)為64 s;而本方法的重構(gòu)用時(shí)為24 s。實(shí)驗(yàn)結(jié)果表明，本設(shè)計(jì)的圖像重構(gòu)系統(tǒng)在圖像重構(gòu)過程中的耗時(shí)最短，且重構(gòu)精度高，在實(shí)際應(yīng)用中的效率較高。

4 結(jié) 論

提出了基于小波域分塊壓縮感知算法的圖像重構(gòu)方法。研究了低照明度圖像重構(gòu)模型，采用物聯(lián)網(wǎng)技術(shù)進(jìn)行低照明度圖像重建，提高低照明度圖像重構(gòu)能力。采用單幀數(shù)據(jù)特征匹配的方法，進(jìn)行中心像素與周圍像素的優(yōu)化融合，對(duì)低照明度圖像的邊緣輪廓特征量進(jìn)行特征重構(gòu)。采用圖像的景深自適應(yīng)調(diào)節(jié)方法進(jìn)行小波域分塊壓縮感知和信息融合處理，結(jié)合細(xì)節(jié)增強(qiáng)方法進(jìn)行低照度圖像增強(qiáng)處理，實(shí)現(xiàn)透射率圖的輪廓檢測(cè)和特征重構(gòu)，提高圖像的壓縮感知和三維重構(gòu)能力。本方法進(jìn)行低照明度圖像重構(gòu)的分辨率較高，邊緣感知能力較好，重構(gòu)耗時(shí)較短，提高了圖像的識(shí)別能力。

參考文獻(xiàn)

[1] 崔麗群，張平，賀情杰，等. 對(duì)比度和細(xì)節(jié)增強(qiáng)顯著性檢測(cè)方法研究[J]. 計(jì)算機(jī)工程與應(yīng)用， 2019， 55（23）： 200-208.

[2] 魏光杏，周獻(xiàn)中，卜錫濱.基于模糊C均值與人工蜂群優(yōu)化的灰度圖像分割[J].蘭州大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，55（02）：250-254+260.

[3] 高寧，王興元，王秀坤. 基于多狀態(tài)分層模型的有表情人臉配準(zhǔn)[J]. 計(jì)算機(jī)工程與應(yīng)用， 2019， 55（7）： 40-47.

[4] 官斌， 何大華. 距離選通切片圖像高精度三維重構(gòu)方法[J]. 光學(xué)與光電技術(shù)， 2017， 15（6）：9-13.

[5] 朱碩， 黃新蕊， 危新宇， 等. 一種改進(jìn)的圖像三維重建技術(shù)研究[J]. 激光雜志， 2019（4）：64-67.

[6] 劉艷， 錢陽(yáng)， 李雷. 一種新型的基于KCS算法在圖像重構(gòu)中的應(yīng)用[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2019， 29（6）：195-199.

[7] 葛朋，楊波，韓慶林，等.一種基于引導(dǎo)濾波圖像分層的紅外圖像細(xì)節(jié)增強(qiáng)算法[J].紅外技術(shù)，2018（12）：1161-1169.

[8] 陳洋，王世峰，都凱悅，等.基于加速引導(dǎo)濾波的圖像像素級(jí)融合[J].長(zhǎng)春理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，41（06）：11-15.

[9] 劉佶鑫，魏嫚.可見光-近紅外HSV圖像融合的場(chǎng)景類字典稀疏識(shí)別方法[J].計(jì)算機(jī)應(yīng)用，2018，38（12）：3355-3359.

[10]張然，趙鳳群. 基于雙向擴(kuò)散與沖擊濾波的霧天圖像增強(qiáng)算法[J]. 計(jì)算機(jī)工程， 2018， 44（10）： 221-227.

[11]賈銀亮，冀凱倫，張馳宇，等.基于暗通道先驗(yàn)的視頻去霧算法[J].電子測(cè)量技術(shù)，2018，41（20）：98-101.

[12]浦瀚，楊道業(yè)，溫勇.霧天景區(qū)圖像增強(qiáng)的算法優(yōu)化[J].中國(guó)儀器儀表，2018，（10）：66-68.

[13]CHENG M M， MITRA N J， HUANG X， et al. Global contrast based salient region detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（3）：569-582.

[14]LIU N， HAN J. DHSNet：deep hierarchical saliency network for salient object detection[C]∥Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC：IEEE Computer Society， 2016：678-686.

[15]KIM W， KIM C. Spatiotemporal saliency detection using textural contrast and its applications[J]. IEEE Transactions on Circuits & Systems for Video Technology， 2014， 24（4）：646-659.

[16]陳超.多閾值優(yōu)化的運(yùn)動(dòng)圖像輪廓特征提取方法[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2019，41（03）：315-319.

[17]劉嶼，孫坤，謝宏威，等.基于形狀上下文特征和ICP的高精度輪廓視覺檢測(cè)算法[J].華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，46（01）：131-138.