张帆-基于稀疏度自适应的矿井智能监控图像重构方法.pdf

第 42 卷第 5 期煤 炭 学 报Vol. 42 No. 5 2017 年5 月JOURNAL OF CHINA COAL SOCIETYMay 2017 张帆,闫秀秀,李亚杰. 基于稀疏度自适应的矿井智能监控图像重构方法[J]. 煤炭学报,2017,4251346-1354. doi10. 13225/ j. cnki. jccs. 2016. 1216 Zhang Fan,Yan Xiuxiu,Li Yajie. A novel image reconstruction of mine intelligent surveillance based on adaptive sparse representa- tion[J]. Journal of China Coal Society,2017,4251346-1354. doi10. 13225/ j. cnki. jccs. 2016. 1216 基于稀疏度自适应的矿井智能监控图像重构方法 张 帆,闫秀秀,李亚杰 中国矿业大学北京 机电与信息工程学院,北京 100083 摘 要矿井智能监控是实现少人或无人工作面自动化开采和可视化作业的重要保障。 针对矿井 监控图像易受噪声干扰和雾尘环境等影响,采用传统的基于奈奎斯特Nyquist采样和压缩方法存 在分辨率低、图像模糊和运算时间过长等问题,根据压缩感知和稀疏重建理论,提出了一种利用分 块压缩感知模型和自适应匹配追踪均衡策略获取矿井图像的方法。 该方法通过建立矿井图像分块 压缩感知模型,信源编码过程先利用稀疏随机矩阵对块图像进行压缩、采样、获得观测值,然后使用 DFT 作为稀疏基进行信号稀疏表示,最后利用一种改进的自适应匹配追踪算法进行图像重构实现 解码。 研究结果表明,提出的方法在与其他算法的比较中体现了较好的优越性,能有效提高矿井图 像在压缩感知重构阶段的解码质量及其压缩处理速度,具有较强的抗噪声性能和鲁棒性,有助于改 善矿井监控图像的清晰度和实时处理性能。 关键词矿井;智能监控;图像重构;压缩感知;稀疏表示 中图分类号TD679 文献标志码A 文章编号0253-9993201705-1346-09 收稿日期2016-08-29 修回日期2017-02-13 责任编辑许书阁 基金项目国家重点研发计划重点专项资助项目2016YFC0801800;国家自然科学基金资助项目51674269;中央高校基本科研业务基金 资助项目2014YJ01 作者简介张 帆1972,男,甘肃白银人,副教授,硕士生导师,博士。 Tel010-62331953,E-mailzf cumtb． edu． cn A novel image reconstruction of mine intelligent surveillance based on adaptive sparse representation ZHANG Fan,YAN Xiu-xiu,LI Ya-jie School of Mechanical Electronic and Ination Engineering,China University of Mining and Technology Beijing,Beijing 100083,China AbstractThe mine intelligent monitoring is an important guarantee for the realization of automatic mining and visual operation in few people or unmanned working face. To address the problems of low resolution in the existing captured videos,the image blur with noise and long processing time by using the conventional s of Nyquist sampling and image compressing for mine monitoring images in the mine environment where the images are easy to be influenced by the noise and spray dust,on the basis of the compressed sensing and sparse reconstruction theory,a novel monitoring images improved algorithm based on sparsity adaptive matching pursuit SAMP is proposed. Firstly,by establishing the model of the block compressed sensing in images,the proposed adopts sparse random measurement matrix to compress sensing block images and to obtain observations. Then,DFT as sparse basis for signal sparse representation is used. Finally,an improved adaptive matching pursuit algorithm is employed to decode the images. The results indi- cate that the proposed in this paper shows the superiority in comparing with other algorithms,effectively im- proves the speed of image acquisition and compression,and enhances decoding quality in the reconstruction process,as well as has a strong anti-noise perance and robustness. This is helpful to improve the image definition and real-time processing perance for mine monitoring system. 第 5 期张 帆等基于稀疏度自适应的矿井智能监控图像重构方法 Key wordsmine;intelligent surveillance;images reconstruction;compressed sensing;sparse representation 矿井智能监控、煤岩识别和矿物探测对视频图像 的质量和实时性要求较高,目前,在矿井图像压缩方 法研究领域,Fourier 变换、小波变化及其改进方法被 国内外学者广泛研究。 文献[1]提出了小波与统计 建模的煤岩图像识别方法,取得了较好的识别率与实 时性。 文献[2]提出了一种双边滤波的去雾与同步 去噪方法,在算法运行时间和图像重构清晰度等性能 方面,有助于提高视频监控系统的目标检测与识别能 力。 文献[3]提出了一种双数复小波变换DTCWT 和快速傅里叶变换FFT相结合的煤岩识别方法,该 方法在时间复杂度和正确识别率等性能指标上取得 了较好的平衡。 然而,这些传统的信号检测与压缩方 法均采用传统的基于奈奎斯特Nyquist采样定理的 先采样、再压缩过程,采样频率高,所采样的矿井图像 数据十分庞大,传统压缩方法不仅浪费了大量的采样 资源,而且给图像的压缩、存储和传输带来了巨大的 困难。 尤其是,井下通信环境带宽资源有限,采用常 规的图像采集及压缩技术难以解决视频图像压缩处 理时出现的图像模糊、传输延迟等问题[4-6]。 因此迫 切需要研究新的矿井图像压缩方法以解决现存问题。 近年来,压缩感知CS理论的发展引起国内外 研究者的关注。 其突破传统的 Shannon 采样定理的 限制,提出了一种新的采样理论[7-8],即对于某个变 换域下可稀疏表示的信号,可通过一个与变换基满足 约束等距性RIP条件的观测矩阵将这些高维度稀 疏系数投影到一个低维空间上,以获得少量的投影观 测值,然后利用这些少量的观测值,通过求解一个最 优化问题,从而高概率地重构出原信号。 该理论突破 了传统奈奎斯特采样定理的瓶颈,为采集高分辨率信 号提供了理论基础。 同时它将采样和压缩同步进行, 避免了传统信号采集先进行包含大量冗余信息的高 速采样,然后再通过压缩过程滤掉这些多余信息的环 节,极大地降低了采样和存储成本及传输处理时间, 为现代图像信息处理理论的发展奠定了基础,并在图 像处理、移动通信、目标跟踪和模式识别等领域得到 应用[9-14]。 目前,CS 理论在矿井智能监控和煤岩识别等领 域的研究还处于初步阶段。 由于矿井视频图像信号 属于非平稳信号,很难用某一固定的基底使其变换域 系数的每个部分达到稀疏,这也是目前大部分 CS 算 法采用 DCT 或 Wavelet 域等对图像进行稀疏表示很 难恢复图像达到理想的率失真性能的一个主要原因。 基于 CS 的信源编码过程中其稀疏表示部分对应着 传统编码架构的编码阶段,而重构部分对应着信源的 解码阶段。 研究表明,CS 方案重构端信源的解码质 量受到编码端信号稀疏程度的直接影响,信号越稀 疏,所恢复的效果越好[11]。 但是由于大多数矿井图 像信号的稀疏度是未知的,因而寻找能够使信号足够 稀疏的变换域成为 CS 编码方案是亟待深入研究的 问题。 为此,学者们进行了积极研究。 文献[12]对 压缩感知理论及相关技术研究进展进行了综述,提出 了压缩感知欠采样算法。 文献[15]对矿井视频图像 压缩与传输方法进行了研究,提出了基于加权信源熵 的匹配追踪压缩感知算法,能有效降低图像存储空间 和处理时间。 文献[16]对矿井图像监视系统的关键 技术进行了研究,将压缩感知欠采样技术应用于矿井 图像信号的采集,能有效降低终端节点的处理能力要 求和功耗,提高监控的实时性。 文献[17]将基于块 的随机采样结合到投影驱动的 CS 重构过程中,以增 强方向变换域下的稀疏性,但算法对图像的所有块均 采用了相同的采样率,对一些信息量较少的块将造成 一些观测值的浪费。 文献[18]提出了一种基于改进 压缩感知算法的图像压缩方法,虽然有效压缩了图像 大小,但其采用观测矩阵所需存储空空间较大,重构 算法复杂、计算量大、运算时间过长,影响了矿井图像 传输的实时性。 针对以上问题,本文先期在矿井视频图像压缩和 传输方面做了相关的研究,并发表了相关专利和学术 论文[4-6]。 基于压缩感知理论,在考虑矿井环境噪声 情况下,笔者提出一种基于稀疏度自适应匹配追踪的 矿井图像分块压缩感知方法,通过建立分块压缩感知 模型,将稀疏度自适应匹配追踪SAMP重构算法与 行列均衡策略的图像重构思想相结合,自适应地对图 像信号的稀疏度进行估计,从而实现对稀疏度未知的 矿井视频图像信号准确重构,并通过实验验证了本文 方法的有效性。 1 稀疏重建理论 设 RN是 N 维离散实信号空间,{Ψi} N i1 为其一 组正交基,则对于任一 N 维实信号 x∈RN,可展开为 {Ψi} N i1的一个线性表示 x ∑ N i 1 Ψiθi1 其中,θi〈x,Ψi〉i1,,N,其矩阵形式如下 x Ψθ2 其中,Ψ[Ψ1,,ΨN] T,θ[θ 1,,θN] T。 7431 煤 炭 学 报 2017 年第 42 卷 如果上述系数向量 θ 中的非零个数为 K,满足, 则称 θ 为 K 稀疏的,则可以用另一个与 Ψ 不相干的 观测矩阵 ΦMNM≪N对信号 x 进行观测投影 y Φx ΦΨθ3 式中,y 为观测值,y∈RN;Φ 为观测矩阵;Ψ 为稀疏正 交基;θ 为信号 x 在正交基 Ψ 上的变换系数。 这样便获得一个远小于 N 的 M 个线性观测,而 这些少量的压缩测量则可以重构图像信号 x 的足够 信息。 对于图像信号 x 的重构,即从观测值 y 中重建出 最稀疏的 θ,利用范数优化公式可以表示为以下模 型 minmize ‖θ‖0 subject to y Φx ΦΨθ Aθ 4 式中,A 为压缩感知投影算子,AΦΨ。 研究表明,当观测矩阵 Φ 和稀疏基 Ψ 具有不相 关性,即投影算子 A 满足约束等距性条件下,将非凸 优化问题转化为凸优化问题[12,15]求解。 目前已经证 明满足该条件的投影算子通常包括 Gaussian 矩阵、随 机 Bernonlli 矩阵和部分 Hadamard 矩阵等[11,19]。 2 基于稀疏度自适应的图像重构算法 2． 1 图像分块压缩感知模型 现有压缩感知方法不适合矿井大尺度的整幅图 像进行实时采样计算,且算法存在非线性恢复算法代 价较大的问题,基于此,本文提出采用分块压缩感知 方法[16-17]获取矿井监控图像。 矿井图像分块压缩感 知算法模型如图 1 所示。 图 1 矿井图像分块压缩感知算法模型 Fig．1 Block compressed sensing algorithm model of mine images 矿井图像分块压缩感知过程包括图像编码和解 码,即对信号压缩、采样和图像重构,其关键技术包括 图像分块、观测矩阵、稀疏变换和重构算法等 4 个部 分。 井下采集节点首先对矿井图像分块,然后利用观 测矩阵对图像进行压缩、采样、获得观测值,再经稀疏 变换并采用重构算法对矿井图像进行重构,最后对重 构图像拼接、重整,恢复原始图像。 具体描述如下 矿井分块压缩感知首先将个像素的图像 x 分成 大小为 KK 的图像块,第 i 块的向量形式记为 xi ,i 1,2,,n,nN/ K2,然后对 xi运用相同的观测矩阵 ΦK进行观测,得到第 i 块的观测向量值记为 yi Φ Kxi e 5 式中,yi为观测向量值,yi∈RM1;ΦK为观测矩阵, ΦK∈RMK 2;e 为噪声残差,是服从均值为零、方差为 σ2的随机高斯噪声。 采用分块压缩感知的图像压缩时,仅需存储 M K2的矩阵块,则对整个矿井视频图像进行测量的观 测矩阵表示成如下块对角矩阵 Φ ΦK ⋱ ΦK nMN 6 式中,N 为图像信号长度;nM 为观测矩阵总的采样个 数;n 为图像分块矩阵个数,n N/ K2;ΦK为观测矩 阵。 当获得采样数据后,根据 l0范数意义下的优化 解求得 θi的近似逼近值 θ i,即 min‖θi‖0 subject to‖yi - Φ Kxi‖ 2 2 ‖yi- ΦKΨθi‖ 2 2 ε 7 最后对 θ i进行反变换得到块信号的逼近值 x i x i Ψθ i 8 因此,可以看出,在分块压缩感知中,采样与重构 均是在图像子块中进行,大大减少了观测矩阵的存储 与计算的复杂度,不仅提高了算法速度,而且可以得 到高质量的重构图像。 2． 2 算法实现 在矿井图像分块压缩感知模型基础上,本节提出 一种自适应匹配追踪的分块压缩感知算法,其中编码 和解码具体过程如下。 编码过程,即对矿井图像进行压缩、采样,获得观 测值。 包括以下步骤 Step 1 将输入的矿井视频图像信号分成 n 个大 小像素的图像块,其中,n,k∈N; Step 2 构建第个图像块对应的观测矩阵为 ΦK, 其中,ΦK∈RMK 2,M≪K2,且 Φ K为随机稀疏矩阵; Step 3 通过观测矩阵 ΦK获得第 i 个图像块的观 测值为 yi Φ Kxi,其中,yi∈R M1,x i∈R K2 1 ,且 xi为源 图像第 i 块的列向量。 解码过程,即信号的重构,其基本思想是采用自 适应、多匹配和均衡策略,将图像按列处理后再按行 处理,最后取均衡值。 在每一次迭代过程中分为两个 阶段,将从压缩感知投影算子 AΦΨ 中选择与残差 rt-1相关系数最大的一组原子作为候选集,并把本次 8431 第 5 期张 帆等基于稀疏度自适应的矿井智能监控图像重构方法 候选集的原子与先前迭代得到的支撑集合并,得到新 的候选集;然后从候选集中筛选部分原子得到最终的 支撑集,每次迭代增加固定的原子数目,实现了用迭 代逐步逼近系数度 K。 相比于 OMP 类的其他算 法[13],其不需要已知信号的稀疏度 K,就可以通过自 适应的思想调整步长来逐步逼近原始信号。 下面给出解码的具体过程 Step 1 初始残差 r0 y,支撑集 F0 ∅,迭代步 长 Ls,迭代次数 t1; Step 2 获取输入信号 x 的 K 稀疏的逼近 x′,计算 ATrt-1,取最大的 L 个值对应的索引,存入集合 St, 得到候选集 Ct F t-1∪St; Step 3 计算AT CtACt -1 AT Cty,取最大的 L 个值对 应的 索 引, 存 入 支 撑 集 F, 计 算 残 差 r y- AFAT FAF -1 AT Fy; Step 4 判断是否满足停止迭代条件‖r‖2 0 或 t≥M,若满足,则停止迭代,转入 Step 6,否则,执 行 Step 5; Step 5 判断是否满足‖rt‖2≥‖rt-1‖2,若满足, 则支撑集 F 的迭代步长 L Ls,否则,更新支撑集 FtF,rtr,tt1; Step 6 将图像信号转置,按照原有重建算法处 理,再转置,获取输入信号 x 的 K 稀疏的逼近 x″; Step 7 计算均衡后的重建结果 x′x″ 2 。 上述算法引入自适应匹配原则的同时,还采 用 SP 算法[19]回溯的思想,相比每次选取一个较好原 子的 OMP 算法[20]以及每次选取一组原子的 SAMP 算法[13,19],算法在原子选择上既加快了原子的选择速 度,又能保证原子选择的准确性,使得该算法在获得较 好重建质量的同时大大缩短了运行处理时间[13,19-21]。 上述算法在引入均衡增强算法基础上,通过设置相关 性阈值和迭代停止阈值,能构实现对重构阶段的多次 匹配控制,从而达到增强重建效果的目的。 3 实验结果与分析 为了验证和评估所提出算法的有效性,笔者通过 建立矿井图像的重构误差数学模型,选取如图 2 所示 的神东某矿井视频监控图像,并截取其 256256 像 素的矿井人员图和机械图进行了仿真实验。 实验在 IntelR CoreMi7-4790 3． 6GHz CPU,16G RAM 机器上的 Matlab 环境下进行。 考虑到井下环境噪声干扰因素对图像信号重构 的影响,需要通过评价模型考察原始图像经稀疏表 示、压缩采样和重构之后所得的重构误差。 峰值信噪 图 2 井下视频监控原始图像 Fig． 2 Original mine video images 比PSNR表示峰值信号与噪声的比值,它是表征图 像重构效果的重要指标[22],PSNR 评价模型定义如 下 PSNR 10lg L2 MSE 9 MSE 1 MN∑ M i 1 ∑ N j 1 ‖Ai,j - A′i,j‖2 2 10 式中,MSE 为均方误差,是原始图像 Ai,j与重构 图像 A′i,j之间的灰度差,即表示噪声信号;M 和 N 为图像矩阵维度数图像像素;L 为图像最大灰 度值即表示一个像素点占用的 2 进制位数,通常 8 bit 的 图 像 L 为 255;PSNR 为 峰 值 信 噪 比, 单 位 为 dB,PSNR 值越大,表示重构误差越小,两幅图像 相似度越高。 为了进一步分析本算法性能,对 256256 像素 的二维矿井人员图和机械图采用不同观测矩阵进行 信号采样,并以 DFT 作为稀疏基进行信号稀疏表示, 对比分析在一定分块尺度条件下,观测矩阵对本文算 法性能的影响。 此外,为了验证本文所提出算法的运 行时间、信号重构效果以及在噪声环境下的鲁棒性, 通过与经典 OMP,ROMP,SAMP 算法进行对比,进一 步考察本文所提出的算法的有效性。 3． 1 观测矩阵对算法性能的影响 由于基于压缩感知理论的图像数据采集是基于 观测矩阵 ΦK的,因此需要考察观测矩阵对图像信号 的压缩程度和图像重构的影响。 首先对选取的 256 256 像素的二维矿井人员图和机械图,按分块尺度 K8,K16,K 32,K 64 进行分块,选取分块压缩 感知的采样总数为32 768;然后在同一图像分块尺度 上分别选用随机 Gaussian 矩阵、稀疏随机矩阵和 Hadamard 矩阵作为观测矩阵,分别对矿井图像进行 压缩采样,并以 DFT 稀疏基进行稀疏表示;最后采用 本文算法重构图像,实验结果如图 3 所示。 限于篇 幅,图 3 中只给出矿井人员图像重构的主观视图。 采 用本文算法重构图像的 PSNR 及运算时间见表 1。 9431 煤 炭 学 报 2017 年第 42 卷 图 3 监控目标原始图与不同观测矩阵重构图像的对比 Fig． 3 Results of original image and reconstructed for target with different measurement matrixes 表 1 采用不同观测矩阵的图像重构结果比较 Table 1 Reconstruction results of different measurement matrixes 图像类别分块尺度 K Gaussian 随机矩阵 PSNR/ dB时间/ s 稀疏随机矩阵 PSNR/ dB时间/ s Hadamard 矩阵 PSNR/ dB时间/ s 833． 382 31． 1932． 954 51． 1327． 224 91． 25 人员图 1632． 646 22． 4033． 398 12． 3427． 030 42． 76 3233． 065 518． 1334． 801 017． 5928． 127 118． 07 6433． 558 5392． 2433． 057 8350． 9027． 644 1388． 35 831． 184 31． 8431． 602 21． 4026． 023 71． 87 机械图 1631． 328 03． 83331． 934 23． 06625． 891 74． 13 3231． 445 840． 0831． 872 224． 87525． 041 958． 37 6430． 982 1485． 1131． 477 9421． 4325． 005 9632． 82 由图 3 可知,在图像分块尺度一定的条件下,采 用不同的观测矩阵对图像信号采样、压缩、观测时,利 用本文算法进行信号重建的效果有所不同。 当观测 矩阵分别选用随机 Gaussian 矩阵、稀疏随机矩阵和 Hadamard 矩阵时,图像重构 PSNR 值都出现较大变 化。 综合图 3 和表 1 数据分析可知, 当 采 用 随 0531 第 5 期张 帆等基于稀疏度自适应的矿井智能监控图像重构方法 机 Gaussian 矩阵和稀疏随机矩阵进行观测时,无论是 在图像重建效果、重建质量还是在运行时间上,本文 算法都有着相近的结果。 但与 Hadamard 矩阵相比, 采用随机 Gaussian 矩阵和稀疏随机矩阵的图像重构 效果较好,且重构 PSNR 值提高5 6 dB,重构时间缩 短至少 10 以上。 因此,本文中选取稀疏随机矩阵 作为最优的观测矩阵。 进一步考察表 1 数据可以发现采用相同观测矩 阵条件下,不同矿井图像分块尺度的图像重构误差较 小,但重构时间差别较大。 由表 1 数据分析可知,K 8 时重构时间最短,K64 时重构时间最长;而且可以 发现,图像分块尺度越大,重构时间越长,但重构 PSNR 值变化不大。 这是因为当矿井图像分块尺度 变大后,重构算法的复杂度增加,从而计算时间变长。 同时实验过程中发现,当 K8 时,会出现某些分块图 像为全黑块或分块图像边界不连续的现象。 这是由 于图像分块处理时,在编码端,图像被分成相同尺度、 不同特征的平坦块和纹理块,上述块的稀疏度分布不 均匀,当分块尺度很小时,对这些块分别编码时,邻接 块间的相关性会被忽略,导致解码图像中图像块的重 构误差不一致,使重构图像出现明显的分块效应。 因 此,为了减少分块效应对图像重构质量的影响,权衡 重构算法的运算处理时间,本文中取矿井图像分块尺 度 K16 或 K32。 3． 2 不同算法比较分析 本节主要就本文算法与 OMP,ROMP,SAMP 算 法的重构 PSNR 以及运行时间进行对比。 对比实验使用 DFT 基作为稀疏基,在理想无噪 声条件下,采用稀疏随机矩阵作为观测矩阵进行信号 采样,分别取图像分块尺度为 K 16,K 32,在此基 础上对本文算法与 OMP,ROMP,SAMP 算法进行性 能比较仿真实验,实验结果如图 4 及表 2 所示。 图 4 不同算法的图像重构结果比较 Fig． 4 Results of the image in different reconstruction algorithms 1531 煤 炭 学 报 2017 年第 42 卷 表 2 不同算法的重构结果比较 Table 2 PSNR of the image in different recon- struction algorithms 图像分 块尺度 重构算法 人员图 时间/ sPSNR/ dB 机械图 时间/ sPSNR/ dB 改进 SAMP2． 34734． 398 13． 06631． 934 2 K16 SAMP2． 12532． 813 02． 78230． 805 2 OMP3． 04233． 742 15． 41330． 645 9 ROMP3． 81532． 093 93． 42729． 290 8 改进 SAMP17． 59134． 801 021． 87531． 872 2 K32 SAMP12． 07233． 485 115． 86230． 955 8 OMP23． 70133． 647 662． 44430． 740 7 ROMP22． 42230． 512 824． 04328． 725 9 图 4 为不同算法对矿井人员图和机械图重构结 果的主观视觉图。 由图 4 可以明显地观察到,本文算 法与经典的 OMP,ROMP,SAMP 算法相比,不论是图 像分块尺度取 K16 还是取 K32,都具有较好的重 建效果。 表 2 给出了矿井图像在理想无噪声条件下 不同算法的重构 PSNR 及运算时间。 由表 2 可知,本 文算法与经典的 OMP,ROMP,SAMP 算法相比,重建 图像的 PSNR 值要高于其他算法,即使在分块尺度较 小的情况下,仍能有较好的重建效果,在运行时间上 大于 SAMP 算法,但小于 OMP 和 ROMP 算法。 由表 2 数据进一步分析可知,在对矿井图像信号进行重构 时,本文算法较其他算法的峰值信噪比明显提高,本 文算法重建图像的 PSNR 值比其他算法高 1 3 dB, 在信号重构上具有一定优势。 另外,从算法运行时间 角度分析,本文算法明显优于 OMP 算法和 ROMP 算 法,虽然运行时间要长于 SAMP 算法,但是算法本身 是一种结合了几种算法优点的重构算法,在保证算法 得到优化的同时,能有效提高矿井图像重构的运算速 度,体现了该算法具有较好的适用性。 此外,为了进一步考察本文算法在井下环境的抗 噪性能,对含噪信号进行压缩重构的仿真实验。 在采 样观测时,加入均值为 0,方差分别为 5,10,15 和 20 dB 的高斯噪声,分析本文算法重构信号的 PSNR 情况。 图 5 给出了在加入不同高斯噪声的情况下,图 像分块尺度 K 分别取 16 和 32 时,本文算法与 OMP, ROMP,SAMP 算法的重构 PSNR 对比情况。 图 5 噪声条件下不同算法的重构结果比较 Fig． 5 Results with noise conditions in different reconstruction algorithms 由图 5 可知,对于矿井含噪图像信号,在相同噪 声干扰条件下与 OMP,ROMP,SAMP 重构算法相比, 本文算法的重构 PSNR 值更高。 在噪声方差相对较 小时,本文算法的重构 PSNR 值高于其他算法 2 3 dB。 由图 5 可知,随噪声方差增大,虽然整体重构 PSNR 有一定的下降趋势,相比 OMP,ROMP,SAMP 重构算法,但本文方法较其他算法的重构 PSNR 值仍 要高 1 2 dB,而且在低噪声条件下比其他算法有更 好的抗噪性。 综合表 2 和图 5,通过对数据分析可知,本文方 法在含噪条件下图像信号的重构 PSNR 与理想无噪 声条件下的重构 PSNR 差异较小,而且不同噪声情况 下的重构 PSNR 变化不大,体现了该方法具有较强的 抗噪声性能和鲁棒性。 因此,本文算法对于含噪的图 像信号具有同样的适用性,能够实现稀疏度的自适应 处理。 2531 第 5 期张 帆等基于稀疏度自适应的矿井智能监控图像重构方法 4 结 论 1建立了矿井图像分块压缩感知算法模型,在 此基础上利用稀疏随机矩阵采样数据,所需信号采样 点数少,有效降低图像信息的存储量、传输量及运算 时间,从而改善了矿井监控图像的实时处理和传输性 能。 2对比分析了在一定分块尺度条件下,观测矩 阵对本文算法性能的影响。 实验表明,分块尺度对图 像信号的重构影响较小,而观测矩阵对图像信号的重 构影响较大,采用稀疏随机矩阵作为观测矩阵的信号 重构误差较小,比采用 Hadamard 矩阵作为观测矩阵 的 PSNR 值提高 5 6 dB。 3提出一种改进的自适应匹配追踪算法。 结 果表明,与经典的 OMP,ROMP,SAMP 重构算法相 比,本文算法的图像重构误差较小,图像重构的 PSNR 值提高 1 3 dB,且重构时间适中,无论是在图 像重建质量还是在运行时间上都取得了较好的效果。 4在含噪条件下,本文方法对图像信号的重构 PSNR 与理想无噪声条件下相比,差异较小,而且不 同噪声条件下的重构 PSNR 变化不大,本文方法对于 噪声环境下的视频监控图像信号具有较强的抗噪声 性能和鲁棒性,有助于改善矿井智能监控的图像清晰 度。 参考文献References [1] 孙继平,佘杰. 基于小波的煤岩图像特征抽取与识别[J]. 煤炭 学报,2013,38101900-1904. Sun Jiping,She Jie. Wavelet-based coal-rock image feature extraction and recognition[J]. Journal of China Coal Society,2013,3810 1900-1904. [2] 张谢华,张申,方帅,等. 煤矿智能视频监控中雾尘图像的清晰 化研究[J]. 煤炭学报,2014,391198-204. Zhang Xiehua,Zhang Shen,Fang Shuai,et al. Clearing research on fog and dust images in coalmine intelligent video surveillance[J]. Journal of China Coal Society,2014,391198-204. [3] 孙继平,陈浜. 基于双树复小波统计建模的煤岩识别方法[J]. 煤炭学报,2016,4171847-1858. Sun Jiping, Chen Bang. An approach to recognition via statisti- cal modeling in dual-tree complex wavelet domain[J]. Journal of China Coal Society,2016,4171847-1858. [4] 张帆. 矿井视频图像压缩与传输方法及装置[P]. 中国专利 201510201171.5,2015-04-27. Zhang Fan. The and device for image compression and trans- mission of mine[P]. China Patent201510201171. 5,2015 -04 - 27. [5] 张帆,闫秀秀,李亚杰. 一种矿井图像视频图像融合方法与装置 [P]. 中国专利201510952077.3,2015-12-21. Zhang Fan,Yan Xiuxiu,Li Yajie. The and device for video/ image fusing of mine[P]. China Patent201510952077. 3,2015- 12-21. [6] 张帆,闫秀秀. 基于 DFT 基的矿井智能视觉监控图像分块压缩 感知方法[J]. 传感技术学报,2017,30194-100. Zhang Fan,Yan Xiuxiu. The block compressed sensing of mine mo- nitoring images based on DFT basis[J]. Chinese Journal of Sensor and Actuators,2017,30194-100. [7] Candes E J,Romberg J,Tao T. Robust uncertainty principlesExact signal reconstruction from highly incomplete frequency ination [J]. IEEE Transactions on Ination Theory,2004,522489- 509. [8] Wang Jinhua. Development and prospect on fully mechanized mining in Chinese coal mines[J]. International Journal of Coal Science Technology,2014,13153-260. [9] 李树涛,魏丹. 压缩传感综述[J]. 自动化学报,2009,3511 1369-1377. Li Shutao,Wei Dan. A survey on compressive sensing[J]. Acta Au- tomatica Sinica,2009,35111369-1377. [10] 杨真真,杨震,孙林慧. 信号压缩重构的正交匹配追踪类算法