基于线性阵列传感器的压缩成像

周宇阳　查长军

【摘 要】針对单列像素结构的压缩成像系统中存在过度采样和目标移动过程中可能暂停的问题，提出了一种改进的基于线性传感器的移动目标压缩采样方法。该方法通过较高的采样频率不断地获取压缩测量值，当压缩测量值样本数达到一定数量后，通过比较的方式来判断后续测量值是否有效；如果测量值保持不变，此时表示目标处于暂停状态，判别测量值无效并丢弃；反之，保留并继续压缩采样。理论分析与实验仿真结果表明，采用本文方法对移动目标进行压缩采样时，能够有效的消除目标暂停而导致的过度采样问题；并利用传统的重构方法能够有效地恢复出目标完整的图像。

【关键词】压缩感知；压缩成像；图像重构；移动目标图像

0 引言

压缩成像（Compressive Imaging，CI）作为压缩感知理论的一个重要研究领域[1-4]，是通过少量的测量值重构得到原始图像，其研究成果中最为典型的是单像素相机。该相机是利用单像素和空间光调制器实现对前景的压缩采样，但这种方式在完成压缩采样前，要求前景处于静止状态或变化微小，否则并不能较好的重构出原始图像。对于移动目标，文献[5]提出了一种基于线性阵列传感器的移动目标压缩采样方法。这种压缩采样方法对于持续移动的目标有较好的效果，如果目标在感知区域由移动状态转向暂停状态时，就会出现过度采样现象，这样就不能够很好的重构出目标图像。针对这一问题，本文提出了一种改进的基于线性阵列的移动目标压缩采样方法，通过仿真实验证明了该方法的有效性。

1 压缩感知基本理论

2 移动目标压缩采样系统

图1给出了一种改进的基于传感器线性结构的移动目标压缩采样系统，该系统按列获取移动目标测量值，当获得原始图像中某一列的压缩测量向量时，将其后的k个测量值向量yM+1，yM+2，…，yM+k与yM进行比较，如果yM=yM+1=…=yM+k，则表明目标处于暂停状态，此后的个测量值向量属于过度采样，直接丢弃；直到测量值发生变化时，保留测量值，继续压缩采样。

3 仿真实验与分析

为了验证压缩采样方法的有效性，本文进行了仿真实验。假设目标移动到传感器视场，暂停移动一段时间后，继续前进。为了验证实验效果，本文首先对分辨率为128×128的灰度图像进行插值处理；然后按照前文所述方法利用随机测量矩阵对该样本图像进行压缩采样，并采用正交匹配追踪（OMP）算法重构。

在重构阶段，我们假设原图像各列稀疏度K=40，测量次数M为80，比较本文与传统的压缩采样方法的图像重构效果如图2所示。

图2（a）是标准图像（图像大小为）。图2（b）是采用传统的按列压缩采样方法重构效果图；图2（c）是采用本文方法进行压缩采样后重构图像效果。由于，移动目标在传感器视场暂停一段时间，所以传统的采样系统重构出的图像中存在一段纹理，整个图像不连续；而本文方法能够有效的消除这种影响。

4 总结

本文针对传统的移动目标压缩采样方法的不足，提出了一种改进的移动目标压缩采样方法，该方法通过测量值的变化来判断是否为有效值。仿真实验结果表明，通过本文方法进行压缩采样，能够消除由于目标停止运动而产生过采样问题，有效重构出目标图像。

【参考文献】

[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