English
Reconstruction of multi-view compressed imaging using weighted total variation
文件大小：
68k
资源说明：本文介绍了一种基于加权全变分（Weighted Total Variation，简称TV）的多视图压缩成像重建方法。该方法利用了多视图图像集中的视间相关性和空间先验信息来解决从压缩感知（Compressed Sensing，简称CS）测量中重建图像的问题。在多视图压缩成像系统中，每个视图是独立通过CS技术获得的。本文提出了一种加权全变分正则化模型，该模型结合了目标视图的全变分范数和对应残差的全变分范数。为了解决加权全变分正则化约束问题，本文为各向异性全变分和各向同性全变分两种情况提出了新颖的算法。同时，为了工作于加权TV正则化重建算法并产生高质量结果，本文还开发了一种基于滑动窗口的恢复框架。通过实验验证，提出的方法不仅在单独视图图像重建上大大优于直接重建，而且与其它基准方法相比也具有显著优势。
压缩感知是一种基于信号的稀疏特性，通过远低于Nyquist采样定律所需的数据采集量来获取信号的技术。其核心思想是，一个稀疏的信号可以通过比传统信号处理方法更少的测量数据来重建。而多视图成像则通常利用多个相机从不同的视角获取同一物体的几何相关图像。多视图成像系统一般需要复杂的采集与编码技术，来处理多视图图像数据。
在多视图压缩成像系统中，由于每个视图是独立采集的，因此需要一种方法来有效地利用所有视图之间可能存在的信息相关性。本文提出的加权全变分正则化模型正是为了这一目的，即在重建目标视图的同时，考虑与其它视图残差之间的相关性。
全变分正则化是一种广泛应用于图像处理中的技术，尤其在图像去噪和超分辨率重建等领域中扮演重要角色。全变分模型能够很好地保留图像边缘等局部特征，并通过最小化图像的梯度幅值之和来达到平滑效果。然而，传统的全变分模型在处理多视图图像时没有充分考虑视图间的相关性，这可能会影响重建图像的质量。本文提出的加权全变分模型，通过结合目标视图和对应残差的全变分范数，弥补了传统模型的这一不足。
为了解决加权全变分约束问题，本文提出了两种算法：一种是针对各向异性全变分（anisotropic TV）情况的算法，另一种是针对各向同性全变分（isotropic TV）情况的算法。各向异性全变分强调梯度在不同方向上的变化，而各向同性全变分则假设梯度在所有方向上变化是相同的。这两种算法的提出，使得加权全变分模型的求解更加高效。
另外，为了进一步提高多视图压缩成像的质量，本文开发了一种基于滑动窗口的恢复框架。该框架以滑动窗口的方式遍历图像，利用前述加权全变分算法进行局部重建，再将局部结果融合，得到最终的高分辨率图像。这一过程不仅能够处理多视图CS测量数据，而且能够产生高质量的重建结果。
该研究的关键词涵盖了压缩感知、多视图成像、加权全变分、滑动窗口。它们表明了研究的范畴、所采用的技术和方法，以及研究的重点。其中，加权全变分和滑动窗口技术对于提升多视图压缩成像的质量至关重要。此外，研究还涉及了对多视角图像数据的获取与编码系统的设计，这表明了研究的实用性和应用背景。
该论文由Kan Chang、Tuanfa Qin、Wenbo Xu和Zhenhua Tang撰写，并发表于2014年。论文的研究得到了中国广西大学和北京邮电大学的计算机与信息学院的支持。通过这项研究，作者们为多视图压缩成像领域提供了一种新的解决方案，不仅对学术界具有重要意义，而且对相关行业的技术进步也具有潜在的影响。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
