论文部分内容阅读
随着社会的进步发展,将视频监控和嵌入式的有效结合,为人们的生活和安全提供了极大的方便。由于图像采集设备和硬件设备的不断更新,获取的图像数据越来越庞大,大大的增加了传统图像压缩算法的计算复杂度,同时也会耗费大量的图像传输和存储资源,所以通过研究优质的压缩算法来获取低数据和高质量的图像成为人们关注的重点。压缩感知的过程主要是使用过完备字典对输入信号的稀疏表示,然后通过对采样观测后的观测值进行重构恢复信号。本文将压缩感知理论和图像分块技术应用于视频监控系统进行图像压缩,然后针对压缩图像产生的块效应,提出块效应的抑制算法,以期在视频监控系统中获取高质量的压缩图像。本文的主要研究内容如下:1.对稀疏表示过程中的过完备字典的设计,通常采用传统的KSVD算法结合OMP算法对预先准备好的样本集进行训练获得相应的学习字典。在对稀疏系数矩阵的求解通常使用OMP算法近似求得,并在每次迭代中完成字典的不断更新。然而实际中大部分图像的稀疏度未知,此时在图像重构过程中,随着迭代次数的不断增加,重构算法恢复的图像误差的不收敛导致图像效果较差。因此,本文引入不需要稀疏度K的StOMP算法取代目前主流的OMP算法计算稀疏系数,提出了基于改进KSVD字典学习算法。改进算法极大的改善了算法的收敛速度,同时在图像重构效果方面也有小幅度的提升。2.在传统分块压缩感知中,图像分块使得不同图像块纹理信息各不相同,但仍然采用相同的字典进行稀疏表示,导致重构图像精度较差。本文引入了结构稀疏度理论,并对图像块分类为平滑块集合、边缘块集合和纹理块集合,然后采用基于改进KSVD字典学习算法分别对分类完成的图像块集合进行训练,并得到针对不同图像块类型的冗余字典。3.由于改进后的压缩感知算法中引入了图像分块的思想,在一定程度上会有块效应的产生。为了能够有效地降低块效应,本文在经典的CES图像增强算法的基础上提出了基于频域的图像增强技术的改进算法。该算法依据结构稀疏度理论将图像进行分块和分类,并对不同的图像块采取不同的图像处理算法。4.为了验证本文提出的基于SS_KSVD分类稀疏字典的图像压缩感知算法和基于频域的图像增强技术改进算法有效性,搭建了基于Zynq-7000的视频监控系统。利用FPGA处理器处理图像算法的高效性,将改进算法封装成IP核,同时在ARM处理中移植Linux操作系统和相关的驱动配置,然后移植OpenCV和Qt库,设计相应的控制操作图形界面,最终在嵌入式平台实现图像压缩技术。该论文有图44幅,表7个,参考论文71篇。