一種壓縮感知域的圖像篩選、檢索和識別方法
【技術領域】
[0001]本發明涉及壓縮感知技術領域，尤其涉及一種壓縮感知域的圖像篩選、檢索和識別方法。
【背景技術】
[0002]壓縮采樣可有效減少諸如視覺大數據的數據量，而且壓縮采樣的數據可直接實現保密傳輸，因此壓縮采樣在數據采集中具有廣泛的應用前景。
[0003]然而，采用傳統的方法，如果要實現對壓縮采樣數據的篩選、檢索或識別，壓縮感知采樣的數據一般需要通過復雜的重建算法重建出原始數據后，才能進行后續的特征提取和模式識別，其過程為投影數據 > 重建算法 > 特征提取 > 模式識別。這樣一方面算法復雜度較高，另一方面，重建后數據冗余量增加，處理量增大。
【發明內容】
[0004]本發明的目的是提供一種壓縮感知域的圖像篩選、檢索和識別方法，其簡化了重建算法和特征提取過程，在保證正確識別率的情況下，大大提高算法的效率。
[0005]本發明的目的是通過以下技術方案實現的:
[0006]一種壓縮感知域的圖像篩選、檢索和識別方法，包括:
[0007]構造特征提取稀疏變換矩陣Φ，并通過正交匹配追蹤OMP算法從投影數據Y中提取對應特征提取稀疏變換矩陣Φ的稀疏特征Y’ ;
[0008]對于每一目標樣本數據X，基于所述特征提取稀疏變換矩陣Φ計算其變換結果V ;
[0009]利用基于OMP算法的漸進分組加權匹配算法對稀疏特征Y’與變換結果V進行匹配，實現圖像篩選、檢索和識別。
[0010]所述的投影數據Y與每一目標樣本數據X之間的關系式為:
[0011]Y = AX;
[0012]其中，A為投影矩陣；
[0013]引入所構造的特征提取稀疏變換矩陣Φ后，上述關系式變為:
[0014]Y = AX = A Φ 1ItX;
[0015]設:ΑΦi= A’，ΦΧ = X’，則有:
[0016]Y = A，X，；
[0017]其中，A’的列向量為A的若干列向量的線性組合，A’仍保留A的隨機矩陣的特性；V為基于所述特征提取稀疏變換矩陣Φ計算得到的每一目標樣本數據X的變換結果。
[0018]所述對于每一目標樣本數據X，基于所述特征提取稀疏變換矩陣Φ計算其變換結果X’包括:
[0019]若特征提取稀疏變換矩陣Φ為小波變換或多尺度幾何分析的特征提取稀疏變換矩陣，則構造左乘變換矩陣，直接對每一目標樣本數據X進行變換，獲得變換結果V ;
[0020]若特征提取稀疏變換矩陣Φ為最優小波包變換矩陣，則構造相應的左乘變換矩陣，計算變換結果V，則X’可逼近最優的K-L變換結果；
[0021]若特征提取稀疏變換矩陣Φ為上述最優小波包變換矩陣，則構造相應的左乘變換矩陣，通過逼近K-L變換，近似實現模式識別特征提取中的主分量分析變換矩陣PCA，則變換結果X’即為PCA的變換系數，單個系數的小波包逆變換即為對應的特征向量，對于人臉圖像，即對應特征臉。
[0022]所述利用基于OMP算法的漸進分組加權匹配算法算法對稀疏特征Y’與變換結果V進行匹配，實現圖像篩選、檢索和識別包括:
[0023]輸入OMP算法的重建系數，再對重建系數進行分組與加權調整；
[0024]對稀疏特征Y’與變換結果V進行匹配；
[0025]根據匹配結果完成當前目標樣本的數據X的識別，從而判斷當前目標樣本數據X是否為待篩選與待檢索的數據。
[0026]由上述本發明提供的技術方案可以看出，對壓縮感知采樣的數據，無需經過復雜耗時的重建算法，直接在壓縮感知域，實現采集圖像的篩選、檢索和識別；這樣，有效降低算法復雜度，特別對于海量的視覺數據(如海量遙感圖像數據)，會顯著提高篩選、檢索和識別效率。
【附圖說明】
[0027]為了更清楚地說明本發明實施例的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域的普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他附圖。
[0028]圖1為本發明實施例提供的一種壓縮感知域的圖像篩選、檢索和識別方法的流程圖；
[0029]圖2為本發明實施例提供的匹配過程的流程圖。
【具體實施方式】
[0030]下面結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明的保護范圍。
[0031]實施例
[0032]圖1為本發明實施例提供的一種壓縮感知域的圖像篩選、檢索和識別方法的流程圖。如圖1所示，其主要包括如下步驟:
[0033]步驟11、構造特征提取稀疏變換矩陣Φ，并通過正交匹配追蹤OMP算法從投影數據Y中提取對應特征提取稀疏變換矩陣Φ的稀疏特征Y’。
[0034]步驟12、對于目標樣本數據X，基于所述特征提取稀疏變換矩陣Φ計算其變換結果X’。
[0035]步驟13、利用基于OMP算法的漸進分組加權匹配算法對稀疏特征Y’與變換結果V進行匹配，實現圖像篩選、檢索和識別。
[0036]上述方法直接在壓縮感知域，實現采集圖像的篩選、檢索和識別；可有效降低算法復雜度，特別對于海量的視覺數據(如海量遙感圖像數據)，會顯著提高篩選、檢索和識別效率。
[0037]為了便于理解，下面對上述過程做詳細的說明。
[0038]本發明實施例中，所述的投影數據Y與每一目標樣本數據X之間的關系式為:
[0039]Y = AX ；
[0040]其中，A為投影矩陣；嚴格來說，此處的X為待投影數據的一維列向量(二維圖像可重排為一維列向量)；
[0041]引入前文所構造的特征提取稀疏變換矩陣Φ后，上述關系式變為:
[0042]Y = AX = A Φ 1ItX;
[0043]設:AΦ '= Ky, Φ X = X，，則有:
[0044]Y = A，X，；
[0045]其中，由于所構造的特征提取稀疏變換矩陣Φ —般為線性稀疏矩陣，因此，A’的列向量為A的若干列向量的線性組合，A’仍保留A的隨機矩陣的特性；X’為基于所述特征提取稀疏變換矩陣Φ計算得到的每一目標樣本數據X的變換結果。
[0046]本發明實施例中，所述對于每一目標樣本數據X，基于所述特征提取稀疏變換矩陣Φ計算其變換結果X’包括:
[0047]若特征提取稀疏變換矩陣Φ為小