Resumen

En el marco de la Compresión Sensible a Bloques (CS), el algoritmo de reconstrucción basado en la iteración de Landweber Proyectado Suavizado (SPL) puede lograr un mejor rendimiento de tasa-distorsión con una baja complejidad computacional, especialmente al utilizar el Análisis de Componentes Principales (PCA) para realizar el umbral adaptativo de contracción. Sin embargo, durante el aprendizaje de la matriz PCA, afecta el rendimiento de reconstrucción de la iteración de Landweber al ignorar la característica estructural local estacionaria de la imagen. Para resolver el problema anterior, este artículo utiliza primero la Computación Granular (GrC) para descomponer una imagen en varios gránulos dependiendo de las características estructurales de los parches. Luego, realizamos el PCA para aprender la base de representación dispersa correspondiente a cada gránulo. Finalmente, se emplea la contracción de umbral duro para eliminar los ruidos en los parches. Los parches en el gránulo tienen la característica estructural local estacionaria, de modo que nuestro método puede

• Materias:Codificación de video Ocultación de datos Compresión de imágenes Clasificación de imágenes
• Subjects:Video Coding Data hiding Image compression Image classification
• Palabras claves:Muestreo comprimido; Landweber proyectado suavizado; Análisis de componentes principales; Computación granular; Reducción por umbral duro; Característica estructural local
• Keywords:Compressed sensing; Smoothed projected landweber; Principle components analysis; Granular computing; Hard-thresholding shrinkage; Local structural characteristic