多维稀疏信号重构算法研究及应用.doc

多维稀疏信号重构算法研究及应用信息技术是实施精准农业的重要支撑技术。随着现代农业的不断发展,海量的多维数据获取变得非常普遍,如图像、视频、遥感数据等,这些庞大的数据增加了编码端和解码端的计算复杂度和内存占用率,同时对信道的传输也造成了很大的负担。如何充分利用多维信号的内在结构特点,降低多维信号处理的计算复杂度和内存占用率,是实施精准农业的关键前提。本文针对多维稀疏信号重构质量低、计算复杂度高的问题开展研究工作,提出了二维子空间追踪(TwoDimensionalSubspacePursuit,2DSP)重构算法和三维正交匹配追踪(ThreeDimensonalOrthogonalMatchingPursuit,3D-OMP)重构算法,以提高算法重构的质量,降低计算复杂度;同时利用众核处理器GPU强大的并行计算能力,设计了并行的3D-OMP重构算法,进一步提高算法的运行速度;并将压缩感知理论成功应用于农业工程领域,解决苹果果实病害分类识别的问题。主要研究工作和结论:(1)针对2D-OMP算法重构质量不高的问题,提出了改进的2DSP重构算法。优化了支撑集的构建方法,以搜索最匹配的子空间的方法替代筛选单个最匹配二维原子的方法,提高了算法的重构质量,而时间复杂度和空间复杂度与2D-OMP重构算法相同。实验结果证明,2DSP重构算法仅需约120个采样点就能够以90%的高概率精确重构合成的、大小为64?64的4阶稀疏信号,随着稀疏度变大,高概率精确重构需要的采样点数相应增多;采用真实的图像对比分析时,2DSP重构算法的PSNR值要高于2D-OMP算法0.5dB左右。(2)针对编码端全局测量三维信号计算复杂度高的问题,提出了三维分离采样(ThreeDimensionalSeparableOperator,3DSO)处理方法,采用单独的测量矩阵和稀疏变换基对三维信号的三个维度分离进行处理,并对3DSO方法中测量矩阵与稀疏变换矩阵的相关性以及有限等距性质进行了详细的分析。理论分析表明,3DSO方法压缩测量效果与全局测量方法相同,但是极大的减小了测量矩阵和稀疏变换矩阵的大小,三维分离测量方法的时间复杂度和空间复杂度分别为3O(mn)和3O(mn),均为传统的全局测量方法的21m,有效减轻了编码端的负担。(3)针对三维稀疏信号重构时计算复杂度高的问题,提出了3D-OMP重构算法。算法通过在每个迭代循环中筛选一个最匹配的三维原子,加入支撑集,进而建立起一个包含k个最匹配三维原子的支撑集。最后基于支撑集采用最小二乘法实现三维稀疏信号的重建。理论分析表明,3D-OMP算法的时间复杂度仅为3O(mn),空间复杂度为3O(n)。采用合成的三维稀疏信号测试表明,3D-OMP算法仅需约140个采样点就能够以90%的高概率精确重构大小为16?16?16的4阶三维稀疏信号,随着稀疏度变大,高概率精确重构需要的采样点数相应增多;3D-OMP算法的重构质量和精确重构概率仅次于全局测量方法,优于KCS算法;采用真实的高光谱图像测试表明,在同样的压缩比下,3D-OMP算法的重构质量与KCS算法相当,但是算法运行速度相对于KCS算法平均提高了163.84s。(4)针对三维信号数据量庞大,3D-OMP算法重构时耗时依然很长的问题,提出了一种并行3D-OMP重构算法,利用众核处理器GPU强大的并行计算能力对算法中大量的、并行度很高的张量和矩阵运算进行并行设计,并采用访存优化、规约求和、指令级优化、负载均衡等优化策略优化并行算法。实验结果表明,重构算法中耗时最长的三维映射部分并行优化后,并行算法相对于采用2o级优化后的串行算法的加速比最高可达390倍,计算残差部分加速比最高可达55倍,整个重构算法的加速比最高为146倍。(5)针对农业工程领域中的病害识别问题,提出了一种基于压缩感知理论的苹果果实病害识别模型,尝试利用压缩感知理论解决农业工程中的具体问题。基于任意一个病害样本可以由若干个同属一类的其他样本稀疏表示的原理,建立病害的稀疏表示模型,然后采用标准CS重构算法求解测试样本在特征矩阵上的稀疏表示系数,通过对稀疏系数的分析实现样本的分类识别。采用3类常见的苹果果实病害:轮纹病、炭疽病和新轮纹病等,每类病害26幅,共78幅病害图像作为实验样本测试模型。为进行对比分析,同时建立了基于支持向量机的病害识别模型。实验结果表明,基于压缩感知理论的识别模型对轮纹病、炭疽病和新轮纹病的正确识别率分别为80%、90%和100%,平均正确识别率为90%。支持向量机识别模型对三种病害的识别率分别为80%、100%和90%,平均正确识别率为90%。因此基于压缩感知理论的识别模型与成熟的支持向量机识别模型识别效果相当。