视觉传感网中基于二次规划的图像压缩感知

doi:10.3969/j.issn.1000-3428.2014.03.054

计算机工程

视觉传感网中基于二次规划的图像压缩感知

周钦青，陈遵德

(顺德职业技术学院电子与信息工程系，广东佛山 528333)

收稿日期:2013-01-16 出版日期:2014-03-15 发布日期:2014-03-13
作者简介:周钦青(1981－)，女，讲师、硕士，主研方向：图像处理与分析，信息安全；陈遵德，教授、博士。
基金资助:
广东省信息技术教指委立项基金资助项目(XXJS-2013-35)；顺德职业技术学院教改基金资助项目(2012-SZJGXM20)。

Image Compressed Sensing Based on Quadratic Programming in Visual Sensor Networks

ZHOU Qin-qing, CHEN Zun-de

(Department of Electronic and Information Engineering, Shunde Polytechnic College, Foshan 528333, China)

Received:2013-01-16 Online:2014-03-15 Published:2014-03-13

摘要/Abstract

摘要： 为降低视觉传感网络中图像压缩感知算法的计算复杂度，提出一种基于二次规划的网络图像恢复算法。该算法将压缩感知重构中的欠定线性方程组求解问题，转化为有界约束二次规划问题，在此基础上结合阿米霍步长准则，设计一种压缩感知图像恢复算法，通过求解二次规划问题对网络图像数据进行恢复。理论分析和仿真结果表明，与传统图像压缩感知算法相比，该算法可减少约1/3的图像数据恢复运算时间，且图像重构质量提高3 dB~6 dB，有效提高了视觉传感器网络图像恢复算法的实时性。

关键词: 视觉传感网, 压缩感知, 图像恢复, 二次规划, 有界约束, 实时性

Abstract: For reducing the computational complexity of Compressed Sensing(CS) in Visual Sensor Networks(VSN), an image recovery algorithm based on quadratic programming is proposed. The under-determined linear equations in CS recovery are solved by bound-constrained quadratic programming, and an image recovery algorithm is designed based on the armijo rule. Theory analysis and experimental results show that the proposed algorithm can reduce 1/3 operation time of image recovery, and enhance the recovery quality by 3 dB~6 dB, thus significantly improve the real-time performance of image recovery in VSN.

Key words: Visual Sensor Networks(VSN), Compressed Sensing(CS), image recovery, quadratic programming, bound-constrained, real-time performance

中图分类号:

TP391.41

周钦青，陈遵德. 视觉传感网中基于二次规划的图像压缩感知[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2014.03.054.

ZHOU Qin-qing, CHEN Zun-de. Image Compressed Sensing Based on Quadratic Programming in Visual Sensor Networks[J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2014.03.054.

http://www.ecice06.com/CN/Y2014/V40/I3/258

参考文献

参考文献 [1] Misra S, Reisslein M, Xue Guoliang. A Survey of Multimedia Streaming in Wireless Sensor Networks[J]. IEEE Comm- unications Surveys and Tutorials, 2008, 10(4): 18-39. [2] 马华东, 陶丹. 多媒体传感器网络及其研究进展[J]. 软件学报, 2006, 17(9): 2013-2028. [3] Donoho D. Compressed Sensing[J]. IEEE Trans. on Inform- ation Theory, 2006, 52(4): 1289-1306. [4] 焦李成, 杨淑媛, 刘芳, 等. 压缩感知回顾与展望[J]. 电子学报, 2011, 20(7): 1651-1662. [5] Marcia R, Willet R. Compressive Coded Aperture Video Reconstruction[C]//Proc. of the 16th European Signal Processing Conference. Lausanne, Switzerland: European Association for Signal Processing, 2008: 3037-3041. [6] Park J, Wakin M B. A Multiscale Framework for Compressive Sensing of Video[C]//Proc. of the 27th Conference on Picture Coding Symposium. Chicago, USA: [s. n.], 2009: 197-200. [7] 练秋生, 肖莹. 基于小波树结构和迭代收缩的图像压缩感知算法研究[J]. 电子与信息学报, 2011, 33(4): 967-971. (下转第265页) (上接第261页) [8] Daubechies I, Defrise M, DeMol C. An Iterative Thresholding Algorithm for Linear Inverse Problems with a Sparsity Constraint[J]. Communications on Pure and Applied Mathematics, 2004, 57(11): 1413-1457. [9] Sankaranarayanan A C, Turaga P, Baraniuk R, et al. Com- pressive Acquisition of Dynamic Scenes[C]//Proc. of the 11th European Conference on Computer Vision. Crete, Greece: [s. n.], 2010: 456-465. [10] Needell D, Tropp J. Cosamp: Iterative Signal Recovery from Incomplete and Inaccurate Samples[J]. Applied and Computational Harmonic Analysis, 2009, 26(3): 301-321. [11] Bertsekas D. Nonlinear Programming[M]. Boston, USA: [s. n.], 1999. [12] Gan L, Do T, Tran T D. Fast Compressive Imaging Using Scrambled Hadamard Ensemble[C]//Proc. of the 16th European Signal Processing Conference. Lausanne, Switzerland: European Association for Signal Processing, 2008: 11-20. [13] Birgin E G, Martnez J M, Raydan M. Nonmonotone Spectral Projected Gradient Methods on Convex Sets[J]. SIAM Journal on Optimization, 2000, 10(4): 1196-1211. 编辑索书志

[1]	王春智, 牛宏侠. 基于直方图均衡化与MSRCR的沙尘降质图像增强算法[J]. 计算机工程, 2022, 48(9): 223-229.
[2]	潘金凤, 尹丽菊, 高明亮, 邹国峰. 压缩感知观测信号的低秩稀疏分解[J]. 计算机工程, 2022, 48(8): 234-239.
[3]	刘玉红, 陈满银, 刘晓燕. 基于通道注意力的多尺度全卷积压缩感知重构[J]. 计算机工程, 2022, 48(12): 189-195.
[4]	方海涛, 李明齐, 卞鑫. 基于DFT寻径的压缩感知信道估计改进算法[J]. 计算机工程, 2022, 48(1): 182-187.
[5]	罗朔, 侯进, 谭光鸿, 韩雁鹏. 一种低参数的孪生卷积网络实时目标跟踪算法[J]. 计算机工程, 2021, 47(2): 84-89.
[6]	张庭芳, 黄海林, 郭劲林, 曹铭. CAN控制系统的时延分析及混合算法[J]. 计算机工程, 2020, 46(5): 305-311.
[7]	赵鸿图, 李成. 基于马尔科夫链的随机测量矩阵研究[J]. 计算机工程, 2020, 46(4): 241-246.
[8]	王毅然, 经小川, 贾福凯, 孙宇健, 佟轶. 基于多智能体协同强化学习的多目标追踪方法[J]. 计算机工程, 2020, 46(11): 90-96.
[9]	李春雷,高峰,颜运强. 基于Actor模型的软总线设计[J]. 计算机工程, 2019, 45(5): 77-83.
[10]	孟子琪,张倩颖,施智平,关永. 基于可信执行环境的嵌入式双操作系统架构研究[J]. 计算机工程, 2019, 45(4): 6-12.
[11]	封晨波,覃亚丽,陈辉,常丽萍,薛林林. 基于改进非局部均值的分数阶全变分算法[J]. 计算机工程, 2019, 45(4): 241-247.
[12]	王楠,李智,程欣宇,陈怡,罗昊. 基于均值比例与压缩感知的视频双水印算法[J]. 计算机工程, 2019, 45(3): 250-255,261.
[13]	孙婷. 一种基于交替凸优化的视频对象分割算法[J]. 计算机工程, 2019, 45(3): 242-249.
[14]	吴大鹏,肖博文,闫俊杰. 基于部分支撑集检测的WBAN数据处理机制[J]. 计算机工程, 2019, 45(3): 148-154.
[15]	叶佩文, 贾向东, 杨小蓉, 胡海霞. 基于深度学习的自编码器端到端物理层优化方案[J]. 计算机工程, 2019, 45(12): 86-90,97.

选择文件类型/文献管理软件名称

选择包含的内容

视觉传感网中基于二次规划的图像压缩感知

Image Compressed Sensing Based on Quadratic Programming in Visual Sensor Networks

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

视觉传感网中基于二次规划的图像压缩感知

Image Compressed Sensing Based on Quadratic Programming in Visual Sensor Networks

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价