基于KSVD學習字典稀疏表示的圖像壓縮傳感方法研究

王 宇，歐陽華

?

基于KSVD學習字典稀疏表示的圖像壓縮傳感方法研究

王 宇，歐陽華

（海軍工程大學電氣工程學院，武漢 430033）

本文運用基于KSVD學習字典的稀疏表示方法，實現了圖像信號的壓縮傳感。將實驗結果與DCT變換和小波變換固定字典進行對比分析，分別采用25%、50%、75%三種測量率，三種測量率下的峰值信噪比（PSNR）明顯高于相同測量率下的DCT變換與小波變換的峰值信噪比。尤其是在測量率為25%時，DCT變換與小波變換的PSNR分別為17.8982與11.0880，而KSVD學習字典的PSNR為28.3538。實驗結果表明采用KSVD方法在圖像壓縮傳感上有更好的實驗效果。

壓縮傳感 小波變換 DCT變換 KSVD

0 引言1

傳統的信號采集過程主要包括采樣、壓縮、傳輸和解壓四個部分。但在這個過程中，依照Nyquist-Shannon定理抽樣頻率至少要是原信號最高頻率的兩倍以上才能由抽樣后的離散信號精確地恢復出原信號這一標準，將會產生大量的冗余數據，大大增加了處理數據的時間和存儲數據占用的存儲空間[1]。2006年，Candes和Donoho提出壓縮傳感理論(Compressed Sensing, CS)[2-3]，該理論認為稀疏的或具有稀疏表達的有限維數的信號可以利用遠少于奈奎斯特采樣數量的線性、非自適應的測量值無失真地重建出來。其核心思想是：若信號在某個變換域上具有稀疏性，可將其線性投影到一個低維空間中實現信號壓縮，此過程可將信號的采樣以及壓縮過程合二為一。信號的重構可通過求解線性優化問題實現。壓縮傳感技術能夠通過觀測直接獲得壓縮的信號，避免對大量信息的采集。壓縮傳感技術在圖像采集、圖像壓縮和醫學成像等領域具有廣闊的應用前景[4]。由于壓縮傳感理論使采集很少一部分數據并且運用這些少量數據重構出更大量的數據，開拓了在信息處理方面的新思路。隨著理論的漸漸成熟，壓縮傳感技術的應用成為人們的研究熱點。從雷達成像到醫學成像，壓縮傳感技術在圖像上的應用越來越多，越來越深入[5,6]。

本文研究了基于KSVD學習字典稀疏表示的圖像信號壓縮傳感和重構，并與DCT變換固定字典和小波變換固定字典進行了對比分析。

1 壓縮傳感理論

1.1壓縮傳感理論簡介

一般來講，信號本身不是稀疏的，但是在一個合適的變換域下變換得到的系數是可以被認為是稀疏的。例如，對信號x進行小波變換，保留K個得到的最大的系數，并將其他的N-K個系數設為零，而這N-K個系數對信號的重構沒有太大的作用，隨后通過相應的反變換來重構信號。在這里，信號x可以被認為是在小波基下K稀疏的。

通過結合（1）與（2）可以得到：

如上所述，通過CS可以把一個N維信號降到M維。在（2）中，由于N>M，所以直接解決（2）是無法重構信號x的。然而在（3）中，由于y是K稀疏的，即只包含K個非零系數，且K

解決的算法最常用的有MP、OMP、CP、GP等。

1.2壓縮傳感理論的稀疏表示

稀疏表示問題的基本問題是字典的選擇[7]。多數求解方法都可以根據兩種不同的字典構造方式分成兩類：基于分解的方法和基于機器學習構造字典的方法[8]。在基于分解的方法中，需要為數據預先定義數學函數模型。這些字典包括：傅里葉變換、離散余弦變換和小波變換等。通過這種方法構造的字典通常具有高度結構性和快速算法，但是也有相應的一些局限。離散余弦變換可以較好實現一維信號的壓縮傳感重構[9]。小波變換基能很好的捕捉圖像的點狀奇異，因而基于小波變換實現圖像的壓縮傳感重構。但這兩種方法都是只有針對某種特定的信號才會有較好的重構精度，普適性較差。第二種方法則是通過大量的訓練實例推導出字典。字典學習算法包括：最大似然方法ML、MOD[11]和KSVD[12]等。這種字典的好處體現于精度和普適性，但同時也消耗更多的運算時間和運算資源。

壓縮感知主要由信號的稀疏表示、測量矩陣的設計和信號重構算法三個部分構成。本文主要研究信號的稀疏表示這一部分內容。

為了更精煉地表達一個信號，通常可以把信號變換到一個新的基或框架下，當非零系數的個數遠少于原始信號的長度時，可以把這些少量的非零系數稱為原始信號的稀疏性表達。

信號的稀疏化是壓縮傳感應用的理論基礎，通用的稀疏方法有快速傅里葉變換（FFT）、離散小波變換（DWT）、離散余弦變換（DCT）等。三種稀疏方法各有各的優缺點，本文就對比分析了DCT、 DWT與KSVD三種方法在圖像的壓縮傳感應用中實際效果的優劣性。

2 KSVD方法

KSVD算法的優化之處是會對字典進行逐列更新，從而提高精度。

2.1 KSVD算法原理

1）稀疏表示

2）字典更新

兩人來到一家咖啡店，坐到桌旁。侍者端來兩杯咖啡，蘇婷婷問：張陽，有什么話你說吧！張陽想了想：婷婷，離開杰克吧，你和他不合適。蘇婷婷不服地：你怎么知道我和杰克不合適？張陽自信地：我能感覺出來，婷婷，我愛你。蘇婷婷站起身：張陽，還有別的話嗎？沒有我走了！張陽無奈地：好，我不說這個了。蘇婷婷剛要坐下，看見杰克和一個外國朋友走進來，二人目光相遇，杰克看看張陽……

2.2 KSVD字典構造

KSVD算法通過構建字典來對數據進行稀疏表示，并且不斷迭代更新。KSVD算法分為兩步，即稀疏表示與字典更新。

KSVD算法：

1）初始化。k=0；構造(0)R，可以使用隨機元素，也可以使用m個隨機選擇的樣本；將(0)的各列歸一化。

2）主迭代。k增1，并執行以下步驟：

①稀疏編碼階段：使用追蹤算法近似求解，即

3 仿真實驗

為了對比分析DCT字典、小波變換字典和KSVD字典在壓縮傳感應用中的實際效果，本文進行了下面幾組仿真實驗。首先，實驗中使用測試圖像lena，采用不同的稀疏變換字典，分別對測試圖像進行壓縮傳感測試，測量率為50%，如圖1、圖2、圖3和圖4所示。

圖1 lena原始圖像

圖2 DCT變換字典

通過圖2、圖3與圖4的對比，我們明顯可以看出小波變換字典在圖像壓縮傳感中的實際應用效果明顯優于DCT變換字典，而KSVD字典明顯優于前兩種字典。

圖3 小波變換字典

圖4 KSVD字典

再分別采用不同的采樣率和稀疏變換字典，對圖像進行壓縮傳感，比較峰值信噪比（PSNR），如表1所示。

表1 不同測量率和字典下恢復圖像的PSNR值

PSNR數學表達式為：

其中，MSE是原圖像與恢復圖像之間的均方差。

根據表1數據，我們可以看出在三種測量率下，KSVD字典在壓縮傳感中的實際效果都要高于DCT字典和小波變換字典。尤其當測量率為25%時，采樣率過低，從而導致DCT與小波變換兩種方法的實際重構效果都不是很好，但此時KSVD字典仍然可以較好的重構出原圖像。

4 結論

本文對圖像壓縮傳感的稀疏變換方法進行了研究，分別采用DCT、小波變換與KSVD算法三種方式和不同的測量率，對圖像lena進行稀疏變換。最后通過壓縮傳感后的圖像恢復效果對實驗結果進行對比分析。仿真實驗表明了，在圖像的壓縮傳感中，KSVD的實際應用效果明顯好于DCT變換與小波變換，PSNR值更高。測量率越高信號的重構效果越好。

[1] 李樹濤, 魏丹. 壓縮傳感綜述[J]. 自動化學報, 2009, 35（11）: 1369-1377.

[2] Donoho D.Compressed sensing[J]. IEEE Trans on Information Theory, 2006, 52（4）: 1289-1306.

[3] Candes E. Compressive sampling[C]. Proceedings of International Congress of Mathmaticians. Madrid，Spain: European Mathematical Society Publishing House, 2006: 1433-1452.

[4] J.Haupt and R.Nowak. Compressive Sampling Vs Conventional Imaging [C]. 2006 IEEE International Conference on Image Processing, 2006:1269-1272.

[5] 石光明, 劉丹華, 高大化, 等. 壓縮感知理論及其研究進展[J]. 電子學報, 2009, 37(5): 1070-1081.

[6] 高敏. 基于CS的SAR目標識別[D]. 西安電子科技大學碩士學位論文, 2010.

[7] R. Rubinstein, A. Bruckstein, and M. Elad. Dictionaries for sparse representation modeling. Proc. IEEE Special Iss. Applicat. Sparse Represent. Compress. Sens., 2010, 98(6): 1045-1057.

[8] 鄧承志. 圖像稀疏表示理論及其應用研究[D]. 華中科技大學博士學位論文, 2008.

[9] Y. Tsaig and Carin L. Exploiting structure in wavelet-based Bayesian compressive sensing[J]. IEEE Trans. Signal Processing, 2009, 57(9): 3488-3497.

[10] K.Engan, S. Aase, and J. Hakon-Husoy. Method of optimal directions for frame design[C]. In Proc. IEEE Int. Conf. Acoust., Speech, Signal Process., 1999, 5: 2443-2446.

[11] Aharon M, Elad M, Bruckstein A M. K-SVD: An algorithm for designing of vercomplete dictionaries for sparse representation[J]. IEEE Trans. on Signal Processing, 2006, 54(11): 4311-4322.

Research on Image Compressed Sensing Method Based on KSVD Learning Dictionary Sparse Representation

Wang Yu, Ouyang Hua

(College of Electrical Engineering, Naval University of Engineering, Wuhan 430033, China)

TN915

A

1003-4862（2018）02-0037-04

2017-11-17

青年科學基金（No.51307178）

王宇(1993-)，男，碩士。研究方向：信號檢測與處理。Email：840724234@qq.com