光场的稀疏编码模型及重构算法的研究

【摘要】：人们视觉体验多样化需求的提高以及VR虚拟现实技术红火的发展,使得光场理论受到了越来越多的关注。光场是一种数字记录所有场景光强分布的方式,如果相机能够记录下所有入射光的数据,就可以重建出被光照射物体的所有信息。基于光场的成像技术有别于传统的成像技术,是一类计算成像技术,光场成像过程中同时记录光的空间信息和方向信息,获得信息更为丰富的四维图像,带来了很多新的摄影特性和玩法。场景光信息的高维性带来的是光场数据量的巨增,处理单元需要有很强的计算能力,挑战着现有的设定分辨率和图像质量。而视觉信息都是高度冗余的,充分利用光场数据的低复杂度,如稀疏性、低秩性等,可以对对光场信息进行有效地降维表示,信号处理领域诞生的一系列理论,如压缩感知理论、低秩矩阵恢复理论等等,为后端的数据计算重建提供了算法支撑。基于压缩成像的思想,文章通过实现对光场的压缩采样,基于光场数据的稀疏编码过程,重构端应用相应的惩罚性约束条件,建立了光场图像的压缩重构模型,设计出模型的优化求解算法,进而恢复出原始的光场数据,并进行了仿真实验和结果分析。本文的主要工作和研究内容如下:1)由计算成像技术引入了全光函数和光场的概念,对光场的成像理论和光场的采集方式进行了论述,讨论总结光场压缩成像的研究背景和意义;2)稀疏性是压缩成像系统的前提,论述压缩感知理论内容,把基于字典稀疏表示的压缩感知图像重构过程应用到光场数据中,编码掩膜相机系统实现光场的随机压缩采样,K-SVD算法实现光场字典的学习,Lasso-ADMM算法实现压缩测量光场分块的重构。仿真实验表明,可以在比较低的采样率下实现光场图像的重构,滑动窗口方式重构图像的PSNR维持在40dB以上,但相对时间效率很低;3)将卷积网络引入到字典的学习中,论述卷积稀疏编码理论内容,卷积对整幅图像进行运算,可以代替基于分块的图像稀疏编码与重构,探讨了卷积稀疏编码模型的有效求解算法,并将其应用到了光场图像的压缩重构之中,随机压缩采样后学习得到光场的卷积字典,重构算法是一个基于ADMM的最优迭代过程。仿真结果验明了这种方式的有效性,重构图像质量较好,且重构过程不依赖于特定的训练样本下的字典学习。4)分析了光场的低秩结构特征,论述矩阵低秩理论内容,对光场矩阵进行了低秩项与稀疏项的分解,采样方式选择了基于快速Noiselets变换的测量算子,图像重构中综合应用稀疏性与低秩性约束建立模型,应用一类组合的贪婪算法进行求解,仿真实验表明这种方式下重构视点图像的PSNR维持在30dB左右,适用于角度分辨率较大的光场数据,但同时其限制条件也比较多。