Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình tái cấu trúc phân cấp dựa trên nhóm patch cắt gọn cho cảm nhận nén hình ảnh màu
Soft Computing - Trang 1-15 - 2023
Tóm tắt
Hầu hết các thuật toán thu nhận và truy xuất hình ảnh dựa trên cảm nhận nén (CS) hiện có chỉ dành cho hình ảnh đen trắng. Một số phương pháp CS cho hình ảnh màu cũng đã được phát triển gần đây, nhưng chúng có độ phức tạp tính toán cao. Thêm vào đó, chất lượng hình ảnh phục hồi ở các tỷ lệ lấy mẫu thấp không đạt yêu cầu. Công trình này đề xuất một mô hình tái cấu trúc phân cấp dựa trên nhóm patch cắt gọn (TPGHR) cho cảm nhận nén hình ảnh màu. Hình ảnh màu được biểu diễn trong không gian màu YUV để thực hiện các thao tác khác nhau trên các kênh độ sáng và màu sắc. Phương pháp CS cho thành phần độ sáng bao gồm hai giai đoạn tái cấu trúc. Giai đoạn phục hồi đầu tiên sử dụng tối ưu hóa l0 cắt gọn thích ứng để xử lý các patch giao nhau cục bộ. Giai đoạn phục hồi thứ hai áp dụng phương pháp biểu diễn thưa nhóm chuẩn (GSR) với số vòng lặp giảm. Các thành phần màu sắc được thu nhận và phục hồi từ các dự đoán đa giả thuyết. Cuối cùng, các thành phần độ sáng và màu sắc phục hồi được kết hợp để tạo ra hình ảnh cuối cùng. Mô hình đề xuất được thiết kế để áp dụng cho cả hình ảnh đen trắng và màu. Các kết quả thực nghiệm cho thấy mô hình đề xuất vượt trội so với các phương pháp CS hiện có về mặt chất lượng hình ảnh, thời gian thực thi và hiệu suất PSNR.
Từ khóa
#Cảm nhận nén #hình ảnh màu #tái cấu trúc phân cấp #tối ưu hóa #chất lượng hình ảnhTài liệu tham khảo
Aharon M, Elad M, Bruckstein A (2006) K-SVD: an algorithm for designing overcomplete dictionaries for sparse representation. IEEE Trans Signal Process. https://doi.org/10.1109/TSP.2006.881199
Bell JB, Tikhonov AN, Arsenin VY (1978) Solutions of Ill-posed problems. Math Comput. https://doi.org/10.2307/2006360
Candès EJ, Romberg J, Tao T (2006) Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information. IEEE Trans Inf Theory. https://doi.org/10.1109/TIT.2005.862083
Chang K, Liang Y, Chen C, Tang Z, Qin T (2017) Color image compressive sensing reconstruction by using inter-channel correlation. https://doi.org/10.1109/VCIP.2016.7805529
Chen SS, Donoho DL, Saunders MA (1998) Atomic decomposition by basis pursuit. SIAM J Sci Comput. https://doi.org/10.1137/S1064827596304010
Chen E, Tramel W, Fowler JE (2011) Compressed-sensing recovery of images and video using multihypothesis predictions. In: Proceedings of the 2011 conference record of the forty fifth asilomar conference on signals, systems and computers (ASILOMAR), Pacific Grove, CA, USA, 6–9 November 2011; pp 1193–1198. https://doi.org/10.1109/ACSSC.2011.6190204
Das S, Mandal JK (2021) Color image compressed sensing using modified stagewise orthogonal matching pursuit. Commun Comput Inf Sci 1406:20–28. https://doi.org/10.1007/978-3-030-75529-4_2
Dinh KQ, Canh TN, Jeon B (2017) Compressive sensing of color images using nonlocal higher order dictionary
Ebrahim M, Chia WC, Adil SH, Raza K (2019) Block compressive sensing (BCS) based low complexity, energy efficient visual sensor platform with joint multi-phase decoder (JMD). Sensors (switzerland). https://doi.org/10.3390/s19102309
Jain A, Swami PD, Datar A (2023) An improved patch-group based sparse representation method for image compressive sensing. In: Data intelligence and cognitive informatics. Springer Singapore, pp XIX, 914
Li C, Yin W, Jiang H, Zhang Y (2013) An efficient augmented Lagrangian method with applications to total variation minimization. Comput Optim Appl. https://doi.org/10.1007/s10589-013-9576-1
Majumdar A, Ward RK (2010) Compressive color imaging with group-sparsity on analysis prior. https://doi.org/10.1109/ICIP.2010.5653685
Mun S, Fowler JE (2009) Block compressed sensing of images using directional transforms. In: Proceedings of the international conference on image processing, Cairo, Egypt, pp 3021–3024. https://doi.org/10.1109/ICIP.2009.5414429
Nguyen VA, Dinh KQ, Van Trinh C, Park Y, Jeon B (2014) Smoothed group-sparsity iterative hard thresholding recovery for compressive sensing of color image. J Inst Electron Inf Eng. https://doi.org/10.5573/ieie.2014.51.4.173
Sara U, Akter M, Uddin MS (2019) Image quality assessment through FSIM, SSIM, MSE and PSNR—a comparative study. J Comput Commun. https://doi.org/10.4236/jcc.2019.73002
Unde AS, Deepthi PP (2017) Block compressive sensing: individual and joint reconstruction of correlated images. J vis Commun Image Represent. https://doi.org/10.1016/j.jvcir.2017.01.028
Xu Y, Yin W (2016) A fast patch-dictionary method for whole image recovery. Inverse Probl Imaging. https://doi.org/10.3934/ipi.2016012
Xu J, Qiao Y, Fu Z, Wen Q (2019) Image block compressive sensing reconstruction via group-based sparse representation and nonlocal total variation. Circuits Syst Signal Process. https://doi.org/10.1007/s00034-018-0859-8
Yousufi M, Amir M, Javed U, Tayyib M, Abdullah S (2018) Ultrasound compressive sensing using BCS-FOCUSS. In: Proceedings of the IEEE 4th international conference on computer and communications (ICCC), Chengdu, China, pp 174–178. https://doi.org/10.1109/CompComm.2018.8780883
Zammit J, Wassell IJ (2020) Adaptive block compressive sensing: toward a real-time and low-complexity implementation. IEEE Access 8:120999–121013. https://doi.org/10.1109/ACCESS.2020.3006861
Zha Z, Yuan X, Wen B, Zhang J, Zhou J, Zhu C (2020) Image restoration using joint patch-group-based sparse representation. IEEE Trans Image Process 29:7735–7750. https://doi.org/10.1109/TIP.2020.3005515
Zhang J, Zhao C, Zhao D, Gao W (2014a) Image compressive sensing recovery using adaptively learned sparsifying basis via L0 minimization. Signal Process. https://doi.org/10.1016/j.sigpro.2013.09.025
Zhang J, Zhao D, Gao W (2014b) Group-based sparse representation for image restoration. IEEE Trans Image Process 23:3336–3351. https://doi.org/10.1109/TIP.2014.2323127
Zhang Z, Bi H, Kong X, Li N, Lu D (2020) Adaptive compressed sensing of color images based on salient region detection. Multimed Tools Appl. https://doi.org/10.1007/s11042-018-7062-6
Zhong Y, Zhang J, Cheng X, Huang G, Zhou Z, Huang Z (2019) Reconstruction for block-based compressive sensing of image with reweighted double sparse constraint. Eurasip J Image Video Process 63:2019. https://doi.org/10.1186/s13640-019-0464-1
Zhu Y, Liu W, Shen Q (2019) Adaptive algorithm on block-compressive sensing and noisy data estimation. Electronics. https://doi.org/10.3390/electronics8070753