《Non-RIP約束的非凸壓縮感知方法研究與套用》是依託西安電子科技大學，由劉芳擔任項目負責人的面上項目。
基本介紹
- 中文名：Non-RIP約束的非凸壓縮感知方法研究與套用
- 項目類別：面上項目
- 項目負責人：劉芳
- 依託單位：西安電子科技大學
中文摘要,結題摘要,
中文摘要
面向複雜圖像的壓縮感知(Compressive sensing，CS)，本項目指出了當前基於有限等距特性(Restricted Isometry Property,RIP)約束的凸化CS和鬆弛CS框架在理論分析與求解質量方面存在的問題，在研究複雜圖像先驗模型的基礎上，建立了一種新的非有限等距特性(Non-RIP)約束下的非凸壓縮感知框架。首先，挖掘複雜圖像數據內在的稀疏性，建立其稀疏描述空間；其次，考慮圖像的稀疏性與結構性先驗，直接以最小化0範數為目標，設計先驗指導的圖像非凸CS重建模型；接著，以先進的自然計算模型與算法為工具，採用雙種群免疫最佳化實現快速、精確的信號重建；最後，針對實際噪聲環境下(加性和乘性噪聲)的複雜圖像，設計有效的多重最佳化目標和相應的進化運算元，實現基於免疫克隆多目標最佳化的魯棒CS重構。
結題摘要
結合複雜圖像的先驗模型建立了過完備字典下的非有限等距特性約束（Non-RIP）的非凸CS框架，在該框架中，利用免疫最佳化模型與算法的優勢，針對CS理論和套用中的瓶頸問題，提出並實現了多種基於自然計算最佳化和協同最佳化的非凸壓縮感知重構方法。理論分析和實驗表明結合複雜圖像結構稀疏和先驗模型的基於自然計算最佳化的兩階段重構方法能夠顯著地提高複雜圖像的重構質量。在此基礎上，提出了從圖像塊的壓縮觀測中對圖像塊方向結構估計的重構模型，將該模型與收斂速度較快的粒子群最佳化算法套用到Non-RIP的非凸壓縮感知圖像重構問題中，以Ridgelet過完備字典為稀疏表示，提出了基於交叉和原子方向約束的粒子群最佳化的非凸壓縮感知圖像重構方法；該方法不但可行而且有效，且重構時間大大縮短。在對Non-RIP的圖像CS重構性能進行分析的基礎上，針對有噪聲環境的複雜圖像，提出並實現了多種多目標最佳化的重構方法和基於自然計算的多目標最佳化重構的方法。在基於過完備字典和圖像分塊策略的Non-RIP的非凸壓縮感知框架下，將稀疏度與原子組合作為兩個最佳化目標，同時進行最佳化；提出了基於Ridgelet過完備字典和結構稀疏的多目標遺傳最佳化的非凸壓縮感知圖像重構方法，與其它多目標最佳化的重構方法相比，該方法能夠提高複雜圖像的重構質量。分析複雜圖像稀疏性以及形成的機理，基於生物視覺感知機理，建立了複雜圖像的基於層次視覺語義的稀疏描述空間，並基於該語義稀疏空間實現了對複雜圖像的處理，如高分辨SAR圖像相干斑抑制，高分辨SAR圖像地物分類，高分辨SAR圖像目標檢測，極化SAR地物分類，高解析度全色圖像與低解析度多光譜圖像的融合等。以多尺度分析為工具，挖掘複雜圖像中包含的稀疏性，研究複雜圖像與變換域間的對應關係和稀疏觀測矩陣的構建，建立結構化壓縮感知的圖像重構方法。在前述理論框架與最佳化方法的基礎上，針對複雜場景的光學圖像與實際高光譜圖像等的降維、分類與識別問題，將圖像的結構化先驗進行正則建模，提出結構化圖像表示與壓縮感知下的數據降維、多示例、半監督、單標記學習方法和實際高光譜圖像去混元等方法。
