基于物联网技术的小波域分块压缩感知算法的图像重构系统设计

赵勃

摘 要：针对低照明度重构图像分辨率不高、重构时间长的问题，提出了基于小波域分块压缩感知算法的图像重构系统。建立低照明度图像采样模型，采用图像的景深自适应调节方法进行小波域分块压缩感知和信息融合处理。利用多尺度的Retinex算法进行小波域分块压缩感知和信息提取，提取图像的信息熵特征量。采取图像自适应增强方法进行低照度图像增强处理，使用物联网技术进行低照明度图像的三维信息重构，结合细节增强方法进行低照度图像增强处理，完成重构系统设计，实现透射率图的轮廓检测和特征重构。仿真结果表明，采用该方法进行低照明度图像重构的分辨率较高，边缘感知能力较好，且重构耗时较短，实际应用效率较高。

关键词：物联网技术;小波域分块;压缩感知;图像重构

中图分类号：TP391      文献标识码：A

Design of Image Reconstruction System for Wavelet Domain

Sub-block Compression-aware Algorithm Based

on Internet of Things Technology

ZHAO Bo

（Shaanxi Xueqian Normal University，Xi'an， Shaanxi 710100，China）

Abstract：Aiming at the problems of low resolution and long reconstruction time for low-illumination reconstructed images， an image reconstruction system based on the Internet of Things technology for wavelet-domain block compressed sensing algorithm is proposed. Establish a low-illumination image sampling model， use the image's depth-of-field adaptive adjustment method to perform wavelet-domain block compressed sensing and information fusion processing， and use a multi-scale Retinex algorithm to perform wavelet-domain block compressed sensing and information extraction to extract the information entropy of the image Feature quantity， low-illumination image enhancement processing using image adaptive enhancement method， 3D information reconstruction of low-illumination image using Internet of Things technology， low-illumination image enhancement processing combined with detail enhancement method， complete design of stink dog system， and transmission Contour detection and feature reconstruction of rate maps. The simulation results show that the low-illumination image reconstruction with this method has higher resolution， better edge sensing ability， shorter reconstruction time， and higher practical application efficiency.

Key words：Internet of Things technology; wavelet domain block; compression perception; image reconstruction

為提升低照明度图像的分辨率，需对低照明度图像进行优化重构，提高低照明度图像成像能力[1]。压缩感知理论应用在图像重构中，能够有效缩短图像重构时间，相关的图像三维重构方法研究受到人们的极大重视[2-3]。

文献[4]提出基于一种图像三维重构方法，分析图像像素灰度值，进行统计拟合，获取像素间距，完成图像重构。该方法对图像重构的精度较高，但重构时间较长。文献[5]提出基于多网格并行算法的图像三维重建方法，采用GPU多线程算法，得到图像像素点特征，从而快速完成图像重构。该方法的重构耗时较短，但重构图像的分辨率较差。文献[6]提出一种基于KCS算法的图像重构方法，根据核压缩感知理论对图像进行非线性重构。采用该方法所得重构图像的峰值信噪比较小，图像清晰度较好，但重构耗时较长。

针对上述方法存在的问题，提出了基于小波域分块压缩感知算法的图像重构系统设计。采用多尺度的Retinex算法进行小波域分块压缩感知和信息提取，提取图像的信息熵特征量，实现透射率图的轮廓检测和特征重构，提高图像的压缩感知三维重构能力。最后进行仿真测试，得出有效性结论。

1 低照明度图像采样模型和分块融合处理

1.1 低照明度图像采样模型

为了实现低照明度图像压缩感知重构，需要首先建立低照明度图像的视觉信息采集模型，采用粗糙集的纹理信息聚类方法构建低照明度图像的多重纹理分布结构模型，采用邻域变换的方法进行低照明度图像的超像素信息融合和特征采集，建立低照明度图像的多分辨特征分解模型[7]，得到低照明度图像像素特征采样的约束优化函数为：

min f（）=（x1，x2，…，xn）∈Rn（1）

其中： =（x1，x2，…，xn）∈XRn为低照度图像中暗的地方;x∈Ω;S为低照明度图像的可变论域分布特征集，描述为低照明度图像超分辨重构的优化决策函数;Ω为大气散射分布的空间域和频域的交叉分布可行域。

根据R的基本集合进行图像的多分辨特征信息采样，结合边缘轮廓检测方法，进行低照明度图像的样本特征分布集gj（）≤ 0，j为样本数量，建立低照明度图像的信息特征采样模型的物联网节点分布模型，如图1所示。

3 仿真实验与结果分析

为了验证本文方法在实现低照度图像的压缩感知和图像重构的应用性能，进行仿真实验，在Visual Genome 图像数据库中选择一张低照明度图像，其透射率为0.26，图像像素灰度值为12，运算速率为15 Kbit/s，峰值信噪比为24 dB。原始圖像如图2所示。

根据上述参数设定，进行低照明度图像的重构，实验采用Matlab仿真软件，以图2的图像为研究对象，采用多尺度的 Retinex算法进行小波域分块压缩感知和信息提取，得到图像的信息熵特征量，采用图像自适应增强方法进行低照度图像增强处理，得到信息增强结果如图3所示。

分析图3得知，本方法能有效实现对低照明度图像的信息增强，提高图像的识别能力。在此基础上，采用本文所设计图像重构系统系统实现低照明度图像重构，并采用文献[4]方法、文献[5]方法及文献[6]方法为实验对比方法，得到对比结果如图4所示。

对比上述结果得知，采用文献[4]方法对图形进行重构，得到的重构图像中存在较为严重的噪点;文献[5]方法得到的重构图像噪点较小，但图像清晰度较低;文献[6]方法得到的重构图像较为模糊，以上三种方法的重构性能均不好。而采用本文方法得到的重构图像分辨率高，无噪点，图像清晰。对比结果表明本文方法能有效实现低照明度图像重构，提高图像的分辨率。

测试四种方法重构图像的时间，得到对比结果如图5所示。

分析图5可知，采用文献[4]方法对低照明度图像进行10次重构，重构用时为100s，文献[5]方法的重构用时为70 s，文献[6]方法的重构用时为64 s;而本方法的重构用时为24 s。实验结果表明，本设计的图像重构系统在图像重构过程中的耗时最短，且重构精度高，在实际应用中的效率较高。

4 结 论

提出了基于小波域分块压缩感知算法的图像重构方法。研究了低照明度图像重构模型，采用物联网技术进行低照明度图像重建，提高低照明度图像重构能力。采用单帧数据特征匹配的方法，进行中心像素与周围像素的优化融合，对低照明度图像的边缘轮廓特征量进行特征重构。采用图像的景深自适应调节方法进行小波域分块压缩感知和信息融合处理，结合细节增强方法进行低照度图像增强处理，实现透射率图的轮廓检测和特征重构，提高图像的压缩感知和三维重构能力。本方法进行低照明度图像重构的分辨率较高，边缘感知能力较好，重构耗时较短，提高了图像的识别能力。

参考文献

[1] 崔丽群，张平，贺情杰，等. 对比度和细节增强显著性检测方法研究[J]. 计算机工程与应用， 2019， 55（23）： 200-208.

[2] 魏光杏，周献中，卜锡滨.基于模糊C均值与人工蜂群优化的灰度图像分割[J].兰州大学学报（自然科学版），2019，55（02）：250-254+260.

[3] 高宁，王兴元，王秀坤. 基于多状态分层模型的有表情人脸配准[J]. 计算机工程与应用， 2019， 55（7）： 40-47.

[4] 官斌， 何大华. 距离选通切片图像高精度三维重构方法[J]. 光学与光电技术， 2017， 15（6）：9-13.

[5] 朱硕， 黄新蕊， 危新宇， 等. 一种改进的图像三维重建技术研究[J]. 激光杂志， 2019（4）：64-67.

[6] 刘艳， 钱阳， 李雷. 一种新型的基于KCS算法在图像重构中的应用[J]. 计算机技术与发展， 2019， 29（6）：195-199.

[7] 葛朋，杨波，韩庆林，等.一种基于引导滤波图像分层的红外图像细节增强算法[J].红外技术，2018（12）：1161-1169.

[8] 陈洋，王世峰，都凯悦，等.基于加速引导滤波的图像像素级融合[J].长春理工大学学报（自然科学版），2018，41（06）：11-15.

[9] 刘佶鑫，魏嫚.可见光-近红外HSV图像融合的场景类字典稀疏识别方法[J].计算机应用，2018，38（12）：3355-3359.

[10]张然，赵凤群. 基于双向扩散与冲击滤波的雾天图像增强算法[J]. 计算机工程， 2018， 44（10）： 221-227.

[11]贾银亮，冀凯伦，张驰宇，等.基于暗通道先验的视频去雾算法[J].电子测量技术，2018，41（20）：98-101.

[12]浦瀚，杨道业，温勇.雾天景区图像增强的算法优化[J].中国仪器仪表，2018，（10）：66-68.

[13]CHENG M M， MITRA N J， HUANG X， et al. Global contrast based salient region detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（3）：569-582.

[14]LIU N， HAN J. DHSNet：deep hierarchical saliency network for salient object detection[C]∥Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC：IEEE Computer Society， 2016：678-686.

[15]KIM W， KIM C. Spatiotemporal saliency detection using textural contrast and its applications[J]. IEEE Transactions on Circuits & Systems for Video Technology， 2014， 24（4）：646-659.

[16]陈超.多阈值优化的运动图像轮廓特征提取方法[J].沈阳工业大学学报，2019，41（03）：315-319.

[17]刘屿，孙坤，谢宏威，等.基于形状上下文特征和ICP的高精度轮廓视觉检测算法[J].华南理工大学学报（自然科学版），2018，46（01）：131-138.