⛄一、基于遗传算法的图像重建
1 引言
传统的 Nyquist 采样定理指出:要无失真的从离散信号中恢复出原信号,采样率至少应是信号最高频率的两倍。在许多应用领域,高速采样会导致数据量过大,以致硬件无法实现[1]。
压缩感知理论(Compressive Sensing,CS)[2-3],直接使用较低频率对信号进行采样,并在处理后得到原信号。Candès 等人证明了能够稀疏表示的有限信号可以被较小的线性非自适应测量矩阵精确恢复,突破了香农采样定理的瓶颈,成为迅速兴起的热门研究方向[2]。信号的稀疏表示是压缩感知关键过程之一。在使用正交基对信号进行稀疏化时,较为常见的是离散余弦基与小波基。这两种正交基都可以很好地将图像信号稀疏化,将大部分能量集中。基于单层小波变换的压缩感知方法,将图像进行一层小波变换后保留近似分量,仅对细节分量进行测量重建[4]。这种方法将测量矩阵减小至原来的 1/4,极大减少了重建所需的时间[5],但当采样率较小时,重建效果下降明显。基于改进层式离散余弦变换(Discrete Cosine Transform,DCTÿ