基于線性陣列傳感器的壓縮成像

周宇陽　查長軍

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

【關鍵詞】壓縮感知；壓縮成像；圖像重構；移動目標圖像

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域[1-4]，是通過少量的測量值重構得到原始圖像，其研究成果中最為典型的是單像素相機。該相機是利用單像素和空間光調制器實現對前景的壓縮采樣，但這種方式在完成壓縮采樣前，要求前景處于靜止狀態或變化微小，否則并不能較好的重構出原始圖像。對于移動目標，文獻[5]提出了一種基于線性陣列傳感器的移動目標壓縮采樣方法。這種壓縮采樣方法對于持續移動的目標有較好的效果，如果目標在感知區域由移動狀態轉向暫停狀態時，就會出現過度采樣現象，這樣就不能夠很好的重構出目標圖像。針對這一問題，本文提出了一種改進的基于線性陣列的移動目標壓縮采樣方法，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 移動目標壓縮采樣系統

圖1給出了一種改進的基于傳感器線性結構的移動目標壓縮采樣系統，該系統按列獲取移動目標測量值，當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進行比較，如果yM=yM+1=…=yM+k，則表明目標處于暫停狀態，此后的個測量值向量屬于過度采樣，直接丟棄；直到測量值發生變化時，保留測量值，繼續壓縮采樣。

3 仿真實驗與分析

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

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

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

4 總結

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

【參考文獻】

[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